摘要：社交网络链路预测旨在根据已知的网络信息预测未来的链接关系,在推荐系统和合著网络中具有重要作用.然而,现有链路预测算法往往忽视社交网络的多元演化特点,训练时间复杂度较高,限制其执行效率.针对上述问题,文中提出基于多演化特征的社交网络链路预测算法(Multi-evolutionary Features Based Link Prediction Algorithm for Social Network,MEF-LP).首先,设计一种简单高效的时间极限学习机模型,利用门控网络和极限学习机自编码器传递与聚合社交网络快照序列的时间信息.然后,构建多个深度极限学习机,对时间特征进行多角度映射,挖掘社交网络不同的演化特征,并最终融合成综合演化特征.最后,使用基于极限学习机的分类器完成链路预测.在6个真实社交网络上的实验表明,MEF-LP能合理学习社交网络的多演化特征,并获得较优的预测性能.

摘要：功能脑网络的构建工作是阿尔茨海默病辅助诊断中的基础任务.针对基于全频域的单层网络构建方法难以处理小频段间的异质性特征以及脑网络中可能存在错误边或缺失边的问题,提出一种基于多层网络链路预测的功能脑网络模型.利用多层网络框架使节点间存在多个频段描述下的连接关系,并设计融合层间相似性和节点重要性的局部相似性指标,进而基于多层网络拓扑结构进行链路预测,以重构网络结构.实验结果表明,与当前先进的脑网络模型相比,该模型在阿尔茨海默病分类诊断中性能表现更好,证明所提模型能有效提升网络表达的精准性,且在计算机辅助诊断中具有良好的应用价值.

摘要：随着社交网络规模的快速增长,网络链路数据之间的发现与补全,已经是学界与工业界共同关注的一项课题。但是,传统链路分析算法多聚焦于历史链路的发现,难以准确预测社交链路中随时间变化的趋势和适应动态社交网络上的预测要求。针对以上问题,该研究提出了一种结合非负张量分解(Non-negative Tensor Factorization,NTF)和霍尔特-温特(Holt-Winters,HW)时序数据预测方法的社交网络链路预测模型。该模型使用NTF从历史图中提取节点特征,再利用HW预测方法感知节点特征随时间变化的趋势,从而实现对未来图中的链路结构的预测。结果表明该模型的AUC值相较于现有的方法提升了2.2%~12.75%,具有较好的适用性,为社交网络的链路预测问题提供了一个较好的解决方案。

摘要：图为建模现实系统的内在交互提供了一种有效的方式,但却无法显示捕获的多个实体之间广泛存在的高阶异质性,超图则可以很好地突破低阶关系的限制。超网络的链路预测就是根据观测到的超图结构来预测未知的超链路,因其可以充分地刻画复杂系统的关联模式而成为网络科学中的热点问题。现有的方法通常针对整个拓扑结构设计推理模型,忽略了网络中隐含的聚集特性,导致预测的超链路类别不全面。针对上述问题,提出了基于超图谱聚类解析器的协调矩阵最小化(coordination matrix minimization based on hyper graph spectral clustering parser,SCL-CMM)模型的超网络链路预测方法。该方法将高阶超网络映射到具有一定语义的异质超图上,然后利用谱聚类解析器来提取超链路的结构特征,将原始超图重构为多个同质子图,进而在子图的观测空间而不是整个网络的邻接空间推断潜在超链路的分布情况,还原完整的超网络结构。该方法联合学习超网络的结构特征与集聚属性来建模各个子图的高阶非线性行为,解决了异构超图链路预测类别单一、精度低的问题。在9个真实数据集上进行了大量的对比实验表明,该方法在AUC(area under curve)评分和召回率方面都显著优于现有方法。

摘要：知识图谱链路预测是一种根据知识图谱已存在的事实去预测缺失事实的任务,旨在解决知识图谱不完整性问题。但是现有的知识图谱链路预测有一定的缺陷,传统方法只使用单一的数据模态,没有充分利用不同数据模态的丰富信息,并且在图神经网络中孤立地看待实体和关系,没有考虑到不同邻域实体关系权重的不同。为了解决上述缺陷,提出了基于双融合图注意力网络的多模态知识图谱链路预测模型。首先,使用了图像、文本和属性3种模态,同时为了保证数据模态特征的一致性和互补性,设计了一个基于早期融合和晚期融合结合的双融合机制对多模态信息进行融合;然后,为了加强知识图中实体关系的融合以及邻域关系,同时考虑了实体以及关系的多样性,融合了实体表示和关系表示,并通过图注意力网络进行聚合以加强实体的特征表示。通过在4个公开的数据集FB15K-237、WN18RR、DB15K以及YAGO15K进行模拟实验,结果表明,提出的多模态知识图谱链路预测方法具有较好的性能。

摘要：为了提高跨社交网络局部时序链路预测的精度和平稳性,提出了基于Hadoop的跨社交网络局部时序链路预测算法。该算法选取了6种跨社交网络节点相似性指标,采用Hadoop的核心组件MapReduce设计了一种并行运算模型,分割处理跨社交网络内的海量并行数据,降低了运算复杂度。运用基于MapReduce并行运算模型的局部时序链路预测算法和所选取的节点相似性指标,获得网络内点对间的预测分数值,实现了跨社交网络局部时序链路预测。实验结果表明,本文算法的预测精度较高,且能够保持平稳的预测状态,具有较好的综合预测性能。

摘要：以中小机场航线网络为研究对象,利用链路预测理论与评价方法,从网络外生属性与内生因素角度各自建立了4种预测接近性指标,比较各指标的预测效果,并进一步设计出3种耦合接近性预测算法,选取预测精度最好的算法预测中小机场未来新增航线,并对预测结果进行实际检验。结果显示,4种内生因素指标的预测精确度均高于除起降架次以外的外生属性指标,其中局部路径(Local Path,LP)指标的预测精确度最高,挖掘网络内部的结构信息更有利于预测网络连接情况,耦合算法的预测效果优于单个指标。基于耦合算法的预测结果与未来新增航线对比发现,预测的中小机场航线在未来新增航线中占比高于1/3,预测航线主要集中在东部地区,多数中小机场依然会选择中心城市连接,结果较为符合中小机场实际连接情况。

摘要：隐朴素贝叶斯模型(HNB)和树增强朴素贝叶斯模型(TAN)通过挖掘共邻节点之间的内在关联缓解局部朴素贝叶斯模型(LNB)的强独立性假设,却忽略了真实网络中同时存在关联紧密的节点和相对独立的节点。在此基础上设计一种分包准则,将共邻节点划分为关联共邻节点和独立共邻节点,然后分别对HNB和TAN做分包改进,提出基于分包的混合朴素贝叶斯模型。在平均共邻节点数高的FWFW网络上,分包后HNB和TAN模型与原模型相比AUC值分别提升12%和11.6%。实验结果表明,所提方法能有效提升链路预测性能,并且具有良好的鲁棒性。

摘要：针对传统链路预测模型无法充分挖掘邻域特征信息,且模型的泛化能力不强等缺点,提出一种基于对抗学习邻域注意网络的链路预测。设计一种新的多空间邻域注意机制,通过捕捉邻域的潜在重要性来提取单个邻域特征。进一步提出自邻域注意网络和扩展跨邻域注意网络,前者通过编码和匹配各自的邻域信息来预测两个节点之间的链接,后者设计一个跨邻域注意来实现两个节点之间的直接捕获结构交互作用。另外提出一个对抗性学习框架,设计了一个负样本生成器在对抗性博弈中持续提供高信息量的负样本。在包含多种网络类型的12个基准数据集上评估所提出方法的性能,实验结果证明了提出方法的优越性。

摘要：[目的/意义]准确地对技术机会进行预测,能够帮助组织评估和发现具有前景的技术机会,支撑和优化技术研发战略决策与布局,从而提升组织在技术创新领域的竞争优势。[方法/过程]提出一种基于VGAE框架的ss-VGAE技术预测方法。首先,运用生长曲线划分和确定目标领域的生命周期,运用能够兼顾主副IPC的方法在各阶段建立专利知识流网络,并分别提取网络中各个节点的语义特征和结构特征;其次,使用变分图自编码器(VGAE)学习节点的向量表示;最后,利用重构出的邻接矩阵进行技术机会链路预测。[结果/结论]使用石墨烯专利数据对本文方法的有效性进行验证,结果显示基于ss-VGAE的技术机会链路预测模型取得的AUC、AP均优于其他模型,并在当前石墨烯知识流网络上的技术机会进行预测,验证该模型能够有效地挖掘潜在的技术机会,支撑技术研发战略决策和组织技术竞争力的提升。