符号社会网络中正负关系预测算法研究综述

一些网络中的边根据其潜在涵义可分为正关系和负关系,若用正号和负号来标记网络中的边,则形成一个符号网络.符号网络的应用场景非常丰富,在社会学、信息学、生物学等多个领域广泛存在,逐渐成为当前研究的热点之一.对符号社会网络中链接的正负预测问题进行研究,其成果对社会网络的个性化推荐、网络中异常节点的识别、用户聚类等都具有非常重要的应用价值.主要介绍符号社会网络中正负关系预测问题在国内外的研究现状和最新进展.首先介绍了社会结构平衡理论和地位理论,并将目前主要的预测算法按照设计思路分成两类:基于矩阵的符号预测算法和基于分类的符号预测算法,详细介绍各类算法的基本思路,并从算法效率、准确性和可伸缩性等角度进行详细的对比和分析,总结了符号社会网络预测问题具有的一些特点以及所面临的挑战,同时指出未来可能的发展方向,为相关研究人员提供有价值的参考.     

融合连边符号语义信息的网络表示学习算法

为融合连边符号语义信息提升网络表示学习质量,针对现有算法处理复杂连边符号语义信息能力较弱问题,提出一种融合连边符号语义信息的网络表示学习算法,将包含正负关系的连边符号语义信息引入网络表示学习过程。首先,该算法设计基于三层感知机的关系预测模型刻画节点间不同类型的上下文链接关系;然后,引入随机游走策略实现上下文链接采样以适应大规模网络场景训练需求。在三个数据集中实验表明,该算法能够有效建模节点间不同类型的上下文链接关系,挖掘其中包含的复杂语义信息,相比目前最优的SIDE方法,所提算法的性能分别提高了0.31%、1.3%和1.85%。     

融合局部与全局紧密度的符号网络链接预测算法

鉴于大多数符号网络预测算法仅能对已有链接缺失的符号进行预测,无法实现未知的链接及其符号预测,提出一种融合局部与全局结构特征定义节点间相似性的符号网络链接预测算法.基于结构平衡理论,利用连接两节点的步长为2和3的路径信息分别定义局部和全局链接紧密度,有效融合两者得到两节点的总相似度,其绝对值度量了链接建立的可能性,其符号即为链接的符号预测结果.在多个经典的符号网络数据集上对算法的有效性和正确性进行了验证,并与符号网络中有代表性的预测算法进行了准确率以及推荐链接的对比分析.结果显示,所提算法在链接预测与符号预测两方面均达到了较好的预测性能.     

Delphi5.0实现多层Client/Server应用程序

一、引言Client/Server是一种分布式的计算模式,与传统的基于主机的结构相比,具有较好的可伸缩性和较优的性价比。过去,Client/Server结构一般分为两层：客户端和服务器端,所有客户端各自实现自己的用户界面和应用逻辑。随着系统的不断扩展,这种两层的Client/Server模式逐渐暴露出它的缺陷,由于最终客户需求的千变万化,客户端可能会不堪重负,而客户端程序的过于庞大显然与分布式计算的思想背道而驰。解决上述问题的方案,就是采用多层的Client/Server结构。目前,通常按客户端、应用服务器端和DBMS服务器端三层,在这种结构中…     

符号网络链接预测算法研究综述

符号网络链接预测包括网络结构上两个节点间未知链接的可能性预测与符号预测两方面,其相关研究对于分析和理解符号网络的拓扑结构、功能及演化行为具有十分重要的意义,在个性化推荐、态度预测、蛋白质交互作用研究等领域有着重大的应用价值。文中综述了符号网络链接预测问题的研究成果,介绍了相关概念、符号网络的理论基础、常用符号网络数据集以及预测精度评价标准;将目前主要的符号网络链接预测算法按照设计思路分为有监督学习与无监督学习两大类,详细阐述了每种算法的主要思想;归纳总结了符号网络链接预测问题的特点和规律,讨论了目前存在的问题并指出了面临的挑战和未来可能的发展方向。这能为信息学、生物学、社会学等领域的相关研究人员提供有益参考。     

无线传感网络的端到端时延感知跨层优化研究

无线传感网络近年来获得全球范围内越来越多的关注。在实际应用当中,无线传感器网络的通信时延约束是网络QoS评价标准中非常重要的一项性能指标。在传统的无线传感网络吞吐量优化问题模型基础上,考虑网络端到端时延约束条件,并引入网络编码概念。最终采用李雅普诺夫优化算法将吞吐量优化问题转化成若干个子问题并进行分布式求解。该算法在保障网络稳定性和端到端时延约束的同时,得到一个接近最优的原始问题优化解。     

一种基于支持向量回归的互联网端到端延迟预测算法

互联网端到端延迟是指IP分组沿着互联网中一条确定路径进行传输的延迟,端到端延迟的精确预测是大量网络活动的基础,从网络协议设计到网络监测,再从确保端到端QoS性能到各种实时业务性能提升。提出一种新的端到端延迟的预测方法,主要贡献有:a)将互联网端到端延迟预测的问题转换为多元回归的预测问题,提出了基于多元回归的端到端延迟预测框架;b)采用支持向量回归SVR方法来求解端到端延迟的多元回归问题,提出了基于SVR的互联网端到端延迟预测算法。最后使用互联网采集的RTT数据来验证提出的算法,实验结果表明,提出的预测算法具有快速和精确特点,是一种适合实际应用的预测算法。     

基于隐空间映射的带符号网络上的顶点分类

社会网络顶点分类在解决实际问题中有广泛的应用,但绝大多数现有的网络顶点分类算法都集中在无符号的网络,而在边上具有符号的社交网络上的顶点分类算法却很少,且负链接对于符号网络分析的作用大于正链接。研究了符号网络中顶点的分类问题。首先将正、负网络映射到相对应的隐空间,提出基于隐空间的正负链接的数学模型;然后提出优化该模型的迭代算法,通过对隐空间矩阵和映射矩阵的迭代优化,来对网络中的顶点进行分类。由带符号的社会网络数据集的实验结果证明,该算法在数据集Epinions上得到结果的F1值在11以上,在数据集Slashdo上得到结果的F1值在23.8以上,与随机算法相比具有较高的精确度。     

基于BP-DBN的认知网络端到端态势评估算法

文中提出了一种基于BP-深度信念网络（ BP-DBN）的端到端态势评估算法,实现网络端到端态势等级判定。基于提出的分布式态势评估架构,使用BP-DBN分别构建认知域网元评估值、局部态势评估值和端到端态势评估值三者间的映射关系,最后实现端到端态势等级定性评估。实验结果表明,基于少量标记训练样本,BP-DBN测试错误率低,能够保证评估准确性,同时提出的评估算法能够有效评估端到端网络态势等级。     

融入负链路信息的符号网络推荐方法

为缓解因数据稀疏导致推荐性能较低的问题,提出了一种融合负链路信息的符号网络推荐方法。该方法引入负链路信息,全面考虑了网络中的符号信息,首先从网络中提取出链路的正负特征信息,即用户之间的关系相关的特征,最后将链路的符号特征与推荐中的行为特征结合起来,利用逻辑回归得到信任与不信任关系,将其融入到几个代表性的社交推荐算法中来探究在评分预测上的表现。论文基于扩展Epinions数据集进行实验,与其他推荐算法对比,论文提出的方法在MAE、RMSE指标上有较好的表现,达到了提升推荐性能的目的。     

符号网络的局部标注特征与预测方法

当复杂网络的边具有正、负属性时称为符号网络。符号为正表示两用户间具有相互信任（朋友）关系,相反,符号为负表示不信任（敌对）关系。符号网络中的一个重要研究任务是给定部分观测的符号网络,预测未知符号。分析发现,具有弱结构平衡特征的符号网络,其邻接矩阵呈现全局低秩性,在该特征下链路符号预测问题可以近似表达为低秩矩阵分解问题。但基本低秩模型中,相邻节点间符号标注的局部行为特征未得到充分利用,论文提出了一种带偏置的低秩矩阵分解模型,将邻居节点的出边和入边符号特征作为偏置信息引入模型,以提高符号预测的精度。利用真实符号网络数据进行的实验证明,所提模型能够获得较其他基准算法好的预测效果且算法效率高。     

符号网络研究综述

符号网络是指边具有正或负符号属性的网络,其中,正边和负边分别表示积极的关系和消极的关系.真实世界的许多复杂网络中都存在对立的关系,尤其是在信息、生物和社会领域.利用边的符号属性去分析、理解和预测这些复杂网络的拓扑结构、功能、动力学行为具有十分重要的理论意义,并且对个性化推荐、态度预测、用户特征分析与聚类等都具有重要的应用价值.然而,当前人们对网络的符号属性关注较少.综述了符号网络的研究背景及意义、国内外研究现状和最新进展,并讨论了目前存在的主要问题,试图让人们对符号网络这一研究方向能有清晰而全面的认识,为网络数据挖掘、复杂网络分析、社会学、生物信息学等相关领域的研究者提供有益的参考.     

基于节点地位和相似性的社交网络边符号预测

边符号预测即根据网络拓扑结构挖掘符号相关隐含信息,旨在揭示用户之间的潜在关系。节点地位和相似性能够较好地体现边符号属性,为改善预测效果提供了理论基础。通过探究二者与边符号属性之间的强相关性,建立符号预测模型。首先,利用排序算法prestige评估用户节点的社会地位,同时使用余弦相似度表示用户的社交偏好;然后,在逻辑回归学习模型的基础上融合二者建立边符号预测模型LR-SN;最后,在模型训练过程中采用随机梯度上升算法优化求解。三个真实网络数据集的实验结果表明,相比于现有基准方法,LR-SN模型的符号预测准确率显著提高且具有一定的推广性,说明通过融合局部信息与全局信息能够进一步改善预测效果。     

基于多头注意力机制的社交网络符号预测

传统符号预测方法缺少处理二阶邻居信息的能力,难以有效提取社交网络用户的低维特征。为了有效融合节点用户邻居信息,提出了一种利用多头注意力机制学习一阶、二阶邻居信息的网络表示学习方法(signed multi-head graph attention network,SMGAT),从而改善社交网络符号预测的效果。首先融合平衡理论和状态理论采样一阶邻居、二阶邻居;然后利用多头注意力机制融合邻居的符号和结构信息,学习节点的低维特征;最后通过逻辑回归分类器实现符号预测。通过在四个真实的符号网络数据集上进行实验,结果证明SMGAT方法能够有效挖掘邻居节点的符号和结构信息,提高社交网络符号预测效果。     

Cold-Start Link Prediction via Weighted Symmetric Nonnegative Matrix Factorization with Graph Regularization

Link prediction has attracted wide attention among interdisciplinary researchers as an important issue in complex network. It aims to predict the missing links in current networks and new links that will appear in future networks. Despite the presence of missing links in the target network of link prediction studies, the network it processes remains macroscopically as a large connected graph. However, the complexity of the real world makes the complex networks abstracted from real systems often contain many isolated nodes. This phenomenon leads to existing link prediction methods not to efficiently implement the prediction of missing edges on isolated nodes. Therefore, the cold-start link prediction is favored as one of the most valuable subproblems of traditional link prediction. However, due to the loss of many links in the observation network, the topological information available for completing the link prediction task is extremely scarce. This presents a severe challenge for the study of cold-start link prediction. Therefore, how to mine and fuse more available non-topological information from observed network becomes the key point to solve the problem of cold-start link prediction. In this paper, we propose a framework for solving the cold-start link prediction problem, a joint-weighted symmetric nonnegative matrix factorization model fusing graph regularization information, based on low-rank approximation algorithms in the field of machine learning. First, the nonlinear features in high-dimensional space of node attributes are captured by the designed graph regularization term. Second, using a weighted matrix, we associate the attribute similarity and first order structure information of nodes and constrain each other. Finally, a unified framework for implementing cold-start link prediction is constructed by using a symmetric nonnegative matrix factorization model to integrate the multiple information extracted together. Extensive experimental validation on five real networks with attributes shows that the proposed model has very good predictive performance when predicting missing edges of isolated nodes.     

Community Mining from Signed Social Networks

Many complex systems in the real world can be modeled as signed social networks that contain both positive and negative relations. Algorithms for mining social networks have been developed in the past; however, most of them were designed primarily for networks containing only positive relations and, thus, are not suitable for signed networks. In this work, we propose a new algorithm, called FEC, to mine signed social networks where both positive within-group relations and negative between-group relations are dense. FEC considers both the sign and the density of relations as the clustering attributes, making it effective for not only signed networks but also conventional social networks including only positive relations. Also, FEC adopts an agent-based heuristic that makes the algorithm efficient (in linear time with respect to the size of a network) and capable of giving nearly optimal solutions. FEC depends on only one parameter whose value can easily be set and requires no prior knowledge on hidden community structures. The effectiveness and efficacy of FEC have been demonstrated through a set of rigorous experiments involving both benchmark and randomly generated signed networks.     

Sign prediction in sparse social networks using clustering and collaborative filtering

Today, social networks have created a wide variety of relationships between users. Friendships on Facebook and trust in the Epinions network are examples of these relationships. Most social media research has often focused on positive interpersonal relationships, such as friendships. However, in many real-world applications, there are also networks of negative relationships whose communication between users is either distrustful or hostile in nature. Such networks are called signed networks. In this work, sign prediction is made based on existing links between nodes. However, in real signed networks, links between nodes are usually sparse and sometimes absent. Therefore, existing methods are not appropriate to address the challenges of accurate sign prediction. To address the sparsity problem, this work aims to propose a method to predict the sign of positive and negative links based on clustering and collaborative filtering methods. Network clustering is done in such a way that the number of negative links between the clusters and the number of positive links within the clusters are as large as possible. As a result, the clusters are as close as possible to social balance. The main contribution of this work is using clustering and collaborative filtering methods, as well as proposing a new similarity criterion, to overcome the data sparseness problem and predict the unknown sign of links. Evaluations on the Epinions network have shown that the prediction accuracy of the proposed method has improved by 8% compared to previous studies.