基于集成学习的动态链接预测方法

链接预测是社会网络分析领域的关键问题。传统的链接预测方法大多针对社会网络的静态结构预测隐含的链接或者将来可能产生的链接,而忽视了网络在动态演变过程中的潜在信息。为了能更好地利用网络演变的动态信息,从而取得更好的链接预测效果,提出了一种基于网络结构演变规律的链接预测方法。该方法使用机器学习技术对网络结构特征的动态变化信息进行训练,学习每种结构特征的变化并得到一个分类器,为每个分类器加权得到最终集成的结果。在三个现实的合著者网络数据集上的实验结果表明,该方法的性能要高于静态链接预测方法和一个相关的动态链接预测方法。这说明,网络结构演变信息有助于提高链接预测效果。此外,实验还表明,不同的结构特征对网络动态变化的刻画能力也有所差别。     

半监督学习在链接预测问题中的应用

链接预测是社会网络分析领域的关键问题,研究如何从已知网络中预测可能存在的新链接。现实网络中存在了大量未连接的节点对,从中挖掘潜在信息可以帮助实现链接预测任务。将链接预测视为二类分类问题,使用半监督学习技术,利用网络中的未标记数据帮助学习。使用了两种半监督范式:自我训练和协同训练。在现实数据集Enron和DBLP中的实验结果表明,链接预测任务中采用未标记数据能够有效提高预测的准确率。     

采用主动学习的动态网络链接预测方法

针对网络动态性和稀疏性的特点,在网络进化及链接预测过程中引入主动学习范式,提出了一种新的动态网络链接预测方法。首先为网络中每个结构特征的变化序列都生成一个分类器;再用这些分类器对每个未连接的节点对进行评分并把预测结果差异较大的节点对样本交于用户判别;一旦获取真实的标记（即节点间是否存在链接）,系统采用更新的训练集重新训练各分类器并整合得到最终的模型。在三个现实的合著者网络数据集中的实验表明,在动态网络链接预测方法中引入主动学习在AUC值指标上有显著提高。     

一种融合节点属性信息的社会网络链接预测方法

随着大规模社会网络的发展,链接预测成为了一个重要的研究课题。研究了在社会网络中融合节点属性信息进行链接预测,在传统的社会-属性网络图模型的基础上,将节点属性的类别这一重要参量加入到网络构建中。基于此,提出了一系列为网络中不同类型的连边分配边权重的方法,最后通过随机游走的方法进行网络链接的预测。实验表明,所提链接预测方法相比同类方法有明显的效果提升。     

一种改进的加权网络链接预测方法

目前,复杂网络的链接挖掘问题已得到了广泛研究,而加权网络的相关研究还较少且结果不甚理想。鉴于此,提出一种新的针对加权网络的链接预测方法,对以往方法中的加权相似性度量进行改造。新方法主要基于这一假定:链接xz为强关系而链接zy为弱关系时,链路〈x,z,y〉对节点x和 y之间形成链接的贡献最低。因此,新方法中链接xz为强关系而链接zy为弱关系时,链路〈x,z,y〉对节点x和节点y之间的相似性得分S(x,y)的贡献度的削弱程度最大。在带权网络数据集USAir和NetScience上的比较实验表明,新方法在AUC指标上具有一定的优势。     

IPI:一种基于影响力和兴趣的链接预测算法

链接预测的一个关键问题在于如何合理高效地结合链接属性、节点属性等相关信息以用于预测的目的,针对该问题提出了一种基于节点影响力和兴趣的链接预测算法IPI(Influence Plus Interest),即通过拓扑结构信息来量化用户的影响力,通过文本信息来模拟用户兴趣.结合两类信息对节点间的联系进行打分,得分高的节点对即代表具有较强的联系.在真实数据集上的实验表明,我们提出的方法具有一定的可行性.     

基于时间信息的社会网络链接预测研究

在社会网络分析中链接预测尤为重要。文章关注社会网络中有权图的链接预测问题,提出了一些针对有权图的链接预测度量指标。基于网络中的两个节点在相近时间发布相近内容则相似性更大的假设,文章提出一个基于时间信息的链接预测方法。通过在一个博客数据集上的实验显示该方法相对于传统方法效果更好。     

用于社团发现的Girvan-Newman改进算法

为了克服Girvan-Newman算法运行效率的不足,提出了一个基于modularity极值近似的社团发现算法MEA。该算法采用modularity增量作为社团结构的度量,使用贪心策略获得最优社团分划的近似解。通过理论分析,并在实际的数据集上进行实验验证,结果表明MEA算法是快速、有效的。     

一种改进的针对合著关系网络的链接预测方法

主要针对那些实体类标号属性未知的社会网络进行链接预测.由于实体的类标号属性与具体的社会网络有关,因此具体解决对作者之间合著关系网络图的链接预测问题.首先,给出了合著关系图的结构表示,然后把一个作者是否是多产的定义为合著关系图中作者实体的类标号属性.另外,还提出了一种改进的利用有指导学习进行链接预测的方法.在改进的链接预测方法中为每对作者新引入了一个特征属性--是否至少有一个是多产的.当所要预测的合著关系图中作者实体的类标号属性不完全已知时,用改进后的ICCLP算法对合著关系进行预测,以提高链接预测的性能.改进后的ICCLP算法中采用上面提到的改进后的链接预测方法.     

防御链接预测攻击的隐私保护方法

为解决现有的防御链接预测攻击的隐私保护方法的不足,提出一种基于积分梯度的局部扰动算法LDIG (local disturbance algorithm based on integral gradient)。利用敏感链接的闭合子图确定扰动范围,根据扰动范围内链接的积分梯度迭代扰动链接,同时将链接预测对扰动图中敏感链接的预测结果作为扰动结束的判断依据。实验结果表明,LDIG算法的计算复杂度较低,适用于大规模社交网络的隐私保护,扰动链接的数量较少,提高了数据的效用性。     

基于连边距离矩阵的重叠社区发现

现有重叠社团发现算法大多直接从相邻连边的相似性出发,不能有效利用网络的多层连边信息。基于此,本文提出了一种基于连边距离矩阵的重叠社区发现算法LDM。首先结合连边-节点-连边随机游走模型,以实现多级连边信息的有效利用,其次借助模糊聚类方法,处理连边距离矩阵以获取连边社区,最后根据扩展模块度调整和优化重叠社区结构。在人工网络和真实网络上的实验结果表明,所提算法能够有效提高重叠社区发现算法的准确度。     

Overlapping community detection combining content and link

In classic community detection, it is assumed that communities are exclusive, in the sense of either soft clustering or hard clustering. It has come to attention in the recent literature that many real-world problems violate this assumption, and thus overlapping community detection has become a hot research topic. The existing work on this topic uses either content or link information, but not both of them. In this paper, we deal with the issue of overlapping community detection by combining content and link information. We develop an effective solution called subgraph overlapping clustering (SOC) and evaluate this new approach in comparison with several peer methods in the literature that use either content or link information. The evaluations demonstrate the effectiveness and promise of SOC in dealing with large scale real datasets.     

A framework for joint community detection across multiple related networks

Community detection in networks is an active area of research with many practical applications. However, most of the early work in this area has focused on partitioning a single network or a bipartite graph into clusters/communities. With the rapid proliferation of online social media, it has become increasingly common for web users to have noticeable presence across multiple web sites. This raises the question whether it is possible to combine information from several networks to improve community detection. In this paper, we present a framework that identifies communities simultaneously across different networks and learns the correspondences between them. The framework is applicable to networks generated from multiple web sites as well as to those derived from heterogeneous nodes of the same web site. It also allows the incorporation of prior information about the potential relationships between the communities in different networks. Extensive experiments have been performed on both synthetic and real-life data sets to evaluate the effectiveness of our framework. Our results show superior performance of simultaneous community detection over three alternative methods, including normalized cut and matrix factorization on a single network or a bipartite graph.     

Markov逻辑网在链接预测中的应用*

链接预测是对实体间的关系进行预测,是一个重要而复杂的任务。传统同类独立同概率分布的方法会带来很大的噪音,导致预测效果很差。将Markov逻辑网应用到链接预测中,旨在改善这一问题。Markov逻辑网是将Markov网与一阶逻辑结合的统计关系学习方法。利用Markov逻辑网构建关系模型,对实体之间是否存在链接关系以及当链接关系存在时预测此链接关系的类型。针对两个数据集的实验结果显示了采用Markov逻辑网模型要比传统链接预测模型有更好的效果,进而为Markov逻辑网解决实际问题提供了依据。     

社交网络中top-K相关社区查询方法

查找与查询点相关的top-K相关社区具有现实的研究意义。文中定义团和相关社区的概念,探寻一种快速检测查询点的top-K相关社区的方法。提出一个向下探测扩展算法,从查询点出发探测团结构,由团结构向外延伸扩展得到社区,通过循环迭代快速得到查询点的top-K相关社区。同时为减少搜索空间和计算时间,改进提出的向下探测搜索算法。通过全面的实验对比,验证算法的有效性和改进算法的高效性。     

基于对抗图卷积的网络表征学习框架

现有的网络表征方法及其相关变体的侧重点在于保存网络的拓扑结构或使重构误差最小,忽略隐变量的数据分布问题.基于此种情况,文中提出基于对抗图卷积的网络表征学习框架(AGCN),使网络模型不仅可以组合图的结构信息和节点的属性信息,提高网络表征学习性能,而且可以学习数据分布.与此同时,在AGCN的基础上提出端到端的多任务学习框架(MTL),在一个学习阶段可以同时进行链接预测和节点分类任务.实验表明,MTL性能较优.     

基于位置的社交网络中基于时空关系的超网络链接预测方法

针对基于位置的社交网络（LBSN）中因现有方法未能有效融合社会因素、位置因素以及时间因素的综合影响而导致链接预测准确度低的问题,提出了一种LBSN中基于时空关系的超网络链接预测方法。首先,针对LBSN中网络的异构性以及用户间的时空关系特性,将网络划分成"时空-用户-位置-类别"四层超网络,降低影响因素间的耦合性;其次,考虑到边权值对网络的影响,通过挖掘用户影响力、隐关联关系、用户偏好以及节点度信息,对子网的边权值进行定义和量化,构建四层加权超网络模型;最后,在加权超网络模型的基础上,定义超边及加权超边结构,挖掘用户之间的多元关联关系进行预测。实验结果表明,所提方法较基于同构和异构的链接预测方法在准确率、召回率、F1值以及AUC上具有一定的提升,其中AUC指标较基于异构的链接预测方法提升了4.69%。     

Investigating patterns of interaction in networked learning and computer-supported collaborative learning: A role for Social Network Analysis

The focus of this study is to explore the advances that Social Network Analysis (SNA) can bring, in combination with other methods, when studying Networked Learning/Computer-Supported Collaborative Learning (NL/CSCL). We present a general overview of how SNA is applied in NL/CSCL research; we then go on to illustrate how this research method can be integrated with existing studies on NL/CSCL, using an example from our own data, as a way to synthesize and extend our understanding of teaching and learning processes in NLCs. The example study reports empirical work using content analysis (CA), critical event recall (CER) and social network analysis (SNA). The aim is to use these methods to study the nature of the interaction patterns within a networked learning community (NLC), and the way its members share and construct knowledge. The paper also examines some of the current findings of SNA analysis work elsewhere in the literature, and discusses future prospects for SNA. This paper is part of a continuing international study that is investigating NL/CSCL among a community of learners engaged in a master’s program in e-learning.     

基于PU学习的链接预测方法

基于分类的链接预测方法中,由于链接未知节点对的大规模性与不确定性,选择可靠负例成为构造链接预测分类器的难点问题.为此,文中提出基于正例和无标识样本(PU)学习的链接预测方法.首先,提取节点对的拓扑信息以构造样本集.再利用社区结构确定候选负例的分布,基于分布进行多次欠采样,获得多个候选负例子集,集成多个负例集与正例集中构建的分类器选择可靠负例.最后基于正例与可靠负例构造链接预测分类器.在4个网络数据集上的实验表明文中方法预测结果较优.