CN111008447B - 一种基于图嵌入法的链路预测方法 - Google Patents
一种基于图嵌入法的链路预测方法 Download PDFInfo
- Publication number
- CN111008447B CN111008447B CN201911332194.4A CN201911332194A CN111008447B CN 111008447 B CN111008447 B CN 111008447B CN 201911332194 A CN201911332194 A CN 201911332194A CN 111008447 B CN111008447 B CN 111008447B
- Authority
- CN
- China
- Prior art keywords
- node
- random walk
- similarity
- probability
- algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于图嵌入法的链路预测方法。本发明基于图嵌入法的思想,在静态网络中通过随机游走的方式获取节点序列,训练模型获得节点表示向量,并结合重启随机游走(RWR)的原理,提出了一种基于图嵌入法的链路预测方法(GERWR),在多数公开数据集上较传统指标有明显的性能提升。本发明方法比经典的随机游走算法有了约5%的性能提升,相比其他经典指标也有较大的精确度提升,可以作为一种基准指标应用于链路预测,并为中药网络等真实网络环境预测链路,发掘潜在数据联系,为众多领域提供基于复杂网络的理论支持。
Description
技术领域
本发明属于模型评价领域,具体涉及一种基于图嵌入法的链路预测方法。
背景技术
自然界中存在大量可以被描述的复杂网络系统,例如交通网络、社交网络、食物链网络甚至是蛋白质的相互作用网络。这些网络都是由许多节点与连接两个节点之间的一些边组成,其中节点表示的是网络中的实体,边表示的是节点间的某种联系,如交通网络中的站点和线路。链路预测是将复杂网络与信息科学联系起来的重要桥梁之一,它将解决信息科学中的一类基本问题,即缺失信息的还原与预测。链路预测研究网络科学,并将反作用于现实世界,例如在中药材网络中,通过链路预测算法可以预测出目前尚无组成配方的两种药材的配伍概率,这对于中医学发展有着重要的指导意义。
传统的图的表示方式是利用邻接矩阵存储,存在连边为1,反之为0。这样的做法固然容易理解,但是当网络是稀疏网络时,大型的稀疏矩阵并不利于存储计算。
图嵌入法(Graph Embedding Method,GEM)是这些年的研究热点,被广泛应用于图分析任务中。它的优化方式是利用低维、稠密的向量来表示网络中的节点,要求在原始网络中相似的节点在低维表达空间中也接近。图嵌入法也被应用于链路预测中,例如DeepWalk、LINE、Node2Vec、Struc2Vec。通过图嵌入法得到的是每个节点的节点表示向量,传统的做法是利用哈达玛积等映射操作得到边的特征表示向量,从而衡量算法的性能。但是经过测试,这类的方法并不能比经典的链路预测指标例如共同邻居(CN)、资源分配(RA)等有明显提升,甚至在多数的数据集中还有着明显的不足。
目前,对于图嵌入法在链路预测上的研究还没有很好的解决方案,也没有一种算法能够在绝大多数数据集上发挥图嵌入法较经典指标的优势。
发明内容
针对现有技术中存在的不足,本发明提供一种基于图嵌入法的链路预测方法。
本发明基于图嵌入法的思想,在静态网络中通过随机游走的方式获取节点序列,训练模型获得节点表示向量,并结合重启随机游走(RWR)的原理,提出了一种基于图嵌入法的链路预测方法(GERWR),在多数公开数据集上较传统指标有明显的性能提升。本算法普遍适用于现有的图嵌入算法,其中本发明实验使用Node2Vec。
一种基于图嵌入法的链路预测方法,步骤如下:
步骤(1)、数据预处理
选择实验数据集,将边集E分成训练集ET和测试集EP,训练集ET用于实验时观察的网络信息,计算节点的相似性得分。测试集EP作为实验时要预测的网络信息,用于对比实验预测的结果。E=ET∪EP,令U为/>个节点对组成的全集,将属于U但不属于E的边称为不存在的边,将属于U但不属于ET的边称为未知边。
按照9:1的比例划分训练集和测试集。
步骤(2)、使用图嵌入法生成节点表示向量
首先使用Node2Vec进行随机游走采样节点序列,记为NVList。然后使用Word2Vec的Skip-Gram模型训练节点序列NVList,得到相应的节点表示向量集合。
(1)选择使用Node2Vec进行随机游走:
给定当前顶点v,访问下一个顶点x的概率如下:
其中,πvx是顶点v和顶点x之间未归一化的转移概率,Z为归一化常数。
Node2Vec引入两个超参数p,q来控制随机游走策略。假设当前随机游走经过边(t,v)到达顶点v时,设πvx=αpq(t,x)·wvx,wvx是顶点v和x之间的权值:
dtx为顶点t和顶点x之间的最短距离。参数p是控制重复访问刚刚访问过的顶点的概率,dtx=0表示顶点t就是刚刚访问过的顶点x,若P值较高,则重复访问的概率将会降低。参数q是控制随机游走向内还是向外的概率,当q>1时,随机游走偏向于访问跟节点t相近的节点(BFS),若q>1,随机游走偏向于访问远离节点t的节点(DFS)。
(2)然后使用Word2Vec生成节点表示向量:
选择随机游走后获得相应的节点序列,通过Word2Vec中的Skip-Gram模型生成节点表示向量。
步骤(3)、基于图嵌入模型的有偏向的重启随机游走链路预测;
(1)计算节点向量相似性:
通过随机游走得到复杂网络中的每个节点的节点表示向量,假定φ(x)=[x1,x2,…,xd]表示任意节点x的向量,φ(y)=[y1,y2,…,yd]表示任意节点y的向量。余弦相似度是衡量向量空间中两向量相似程度的常用指标,它通过计算两个向量夹角的余弦值来度量相似度,其中余弦值越接近1,就表明夹角越接近0度,也就是两个向量越相似。为了降低算法的时间复杂度,通过通用的余弦相似度算法计算节点向量的相似度:
(2)计算基于图嵌入法的有偏向的转移概率:
本发明定义了一种基于图嵌入法的有偏向的转移概率:
其中,A是动力常数,控制在这一时刻节点的游走动力。当A=1是,节点有100%的动力随机游走,当A=0时,节点将失去转移动力,一直停留在当前节点。wxy表示节点vx和vy之间的边权,其中当网络为静态无权网络时,vx和vy相连时wxy=1,否则wxy=0。∑z∈N(x)wxy·CosSim(x,z)是节点相似性的归一化,其中N(x)表示节点vx的邻居节点集合。
(3)基于图嵌入法的有重启的随机游走过程:
重启随机游走指标(RWR)在链路预测上有着优秀的性能,并在一些推荐系统中取得了较好的推荐效果。本发明基于RWR的算法流程,使用基于图嵌入法的转移概率来进行有偏向的随机游走,取得了较好的实验效果。本发明将这种算法命名为GERWR。
假设随机游走粒子在每走一步的时候都以一定概率返回初始位置。设粒子返回概率为1-α,P为网络的马尔科夫转移矩阵,它的元素为:
表示为节点vx处的粒子下一步走到节点vy的概率。如果某一粒子初始时刻在节点处,那么t+1时刻该粒子到达网络各个节点的概率向量为:
πx(t+1)=α·PTπx(t)+(1-α)ex
其中ex表示初始状态,上式可以计算出稳态解,公式如下:
πx=(1-α)(I-αPT)-1ex
其中元素πx表示从节点vx出发的粒子走到节点vy的最终概率,并由此定义GERWR的相似性:
算法的描述框架如下:
输入:网络的邻接矩阵A=[aij],动力常数A。
输出:相似性矩阵S=[sij]。
①初始化邻接矩阵A,相似性矩阵S;
②根据发明步骤(3)计算各节点间的转移概率并更新转移矩阵P;
③For i=1to N do:
④While S不收敛do:
⑤πx=(1-α)(I-αPT)-1ex;
⑥End While;
⑦End For;
⑧Return S。
步骤(4)、评价算法的精度
通过真实数据集,使用GWRWR算法计算得到相似性矩阵,并通过计算AUC验证算法的有效性。
每次随机从测试集中选取一条边,再从不存在的边中随机选择一条,如果测试集中的边分数值大于不存在的边的分数值,则就加1分,如果两个分数值相等则加0.5分。独立比较n次,假定有n′次测试集中的边分数值大于不存在的边分数,有n″次两分数值相等,则AUC指标的定义如下:
AUC越接近1,算法的精确度越高。
本发明有益效果如下:
本发明针对现有的基于随机游走的链路预测方法在转移概率的强随机性问题上做了改进优化,提出了基于图嵌入法的有偏向转移概率,比经典的随机游走算法有了约5%的性能提升,相比其他经典指标也有较大的精确度提升,可以作为一种基准指标应用于链路预测,并为中药网络等真实网络环境预测链路,发掘潜在数据联系,为众多领域提供基于复杂网络的理论支持。
附图说明
图1为本发明方法流程图
具体实施方式
本发明实施例提供了一种基于图嵌入法的链路预测算法,提升了传统的图嵌入法在链路预测上应用的算法性能。
如图1所示,本发明方法,步骤如下:
步骤(1)、数据预处理
选择实验数据集,将边集E分成训练集ET和测试集EP,训练集ET用于实验时观察的网络信息,计算节点的相似性得分。测试集EP作为实验时要预测的网络信息,用于对比实验预测的结果。E=ET∪EP,令U为/>个节点对组成的全集,将属于U但不属于E的边称为不存在的边,将属于U但不属于ET的边称为未知边。
按照9:1的比例划分训练集和测试集。
步骤(2)、使用图嵌入法生成节点表示向量
图嵌入法起源于2013年Google公司的一款用于训练词向量的软件工具Word2Vec,它是通过根据给定的语料库,通过优化后的训练模型高效的将一个词语表示为词向量的形式,即表示在低维、稠密的实数向量空间中。而图嵌入法是将网络中的节点类比为语料库中的单词,通过随机游走的方式生成节点序列,利用Word2Vec模型训练生成节点表示向量。
首先使用Node2Vec进行随机游走采样节点序列,记为NVList。然后使用Word2Vec的Skip-Gram模型训练节点序列NVList,得到相应的节点表示向量集合。
(1)选择使用Node2Vec进行随机游走:
Node2Vec可以是对DeepWalk的一种拓展,是结合DFS和BFS的一种方法,通过随机游走的方式获取顶点的近邻序列,但是这种随机游走是有偏向的。
给定当前顶点v,访问下一个顶点x的概率如下:
其中,πvx是顶点v和顶点x之间未归一化的转移概率,Z为归一化常数。
Node2Vec引入两个超参数p,q来控制随机游走策略。假设当前随机游走经过边(t,v)到达顶点v时,设πvx=αpq(t,x)·wvx,wvx是顶点v和x之间的权值:
dtx为顶点t和顶点x之间的最短距离。参数p是控制重复访问刚刚访问过的顶点的概率,dtx=0表示顶点t就是刚刚访问过的顶点x,若P值较高,则重复访问的概率将会降低。参数q是控制随机游走向内还是向外的概率,当q>1时,随机游走偏向于访问跟节点t相近的节点(BFS),若q>1,随机游走偏向于访问远离节点t的节点(DFS)。
(2)然后使用Word2Vec生成节点表示向量:
选择随机游走后获得相应的节点序列,通过Word2Vec中的Skip-Gram模型生成节点表示向量。Skip-Gram的基本思想是利用深度学习,通过输入某一节点来获得该节点的上下文节点。这里使用节点序列来训练模型,输出该节点的低维的向量表示。
步骤(3)、基于图嵌入模型的有偏向的重启随机游走链路预测;
(1)计算节点向量相似性:
通过随机游走得到复杂网络中的每个节点的节点表示向量,假定φ(x)=[x1,x2,…,xd]表示任意节点x的向量,φ(y)=[y1,y2,…,yd]表示任意节点y的向量。余弦相似度是衡量向量空间中两向量相似程度的常用指标,它通过计算两个向量夹角的余弦值来度量相似度,其中余弦值越接近1,就表明夹角越接近0度,也就是两个向量越相似。为了降低算法的时间复杂度,通过通用的余弦相似度算法计算节点向量的相似度:
(2)计算基于图嵌入法的有偏向的转移概率:
链路预测的经典随机游走算法中对某一时刻节点vx处的粒子下一步走到节点vy的概率定义为转移概率,即其中当vx和vy相连时则axy=1,否则axy=0,kx为节点vx的度。显然这种转移概率是一种基于节点度的无偏向的转移,对于某一节点的所有邻居节点都是相同的。而在实际网络系统中,这种等概率的游走是不合理的,应该要考虑到网络的拓扑结构特异性,针对不同的邻居节点有着不同的转移概率,因此本发明定义了一种基于图嵌入法的有偏向的转移概率:
其中,A是动力常数,控制在这一时刻节点的游走动力。当A=1是,节点有100%的动力随机游走,当A=0时,节点将失去转移动力,一直停留在当前节点。wxy表示节点vx和vy之间的边权,其中当网络为静态无权网络时,vx和vy相连时wxy=1,否则wxy=0。∑z∈N(x)wxy·CosSim(x,z)是节点相似性的归一化,其中N(x)表示节点vx的邻居节点集合。
(3)基于图嵌入法的有重启的随机游走过程:
重启随机游走指标(RWR)在链路预测上有着优秀的性能,并在一些推荐系统中取得了较好的推荐效果。本发明基于RWR的算法流程,使用基于图嵌入法的转移概率来进行有偏向的随机游走,取得了较好的实验效果。本发明将这种算法命名为GERWR。
假设随机游走粒子在每走一步的时候都以一定概率返回初始位置。设粒子返回概率为1-α,P为网络的马尔科夫转移矩阵,它的元素为:
表示为节点vx处的粒子下一步走到节点vy的概率。如果某一粒子初始时刻在节点处,那么t+1时刻该粒子到达网络各个节点的概率向量为:
πx(t+1)=α·PTπx(t)+(1-α)ex
其中ex表示初始状态,上式可以计算出稳态解,公式如下:
πx=(1-α)(I-αPT)-1ex
其中元素πx表示从节点vx出发的粒子走到节点vy的最终概率,并由此定义GERWR的相似性:
算法的描述框架如下:
输入:网络的邻接矩阵A=[aij],动力常数A。
输出:相似性矩阵S=[ij]。
⑨初始化邻接矩阵A,相似性矩阵S;
⑩根据发明步骤(3)计算各节点间的转移概率并更新转移矩阵P;
For i=1to N do:
While S不收敛do:
πx=(1-α)(I-αPT)-1ex;
End While;
End For;
Return S。
步骤(4)、评价算法的精度
通过真实数据集,使用GWRWR算法计算得到相似性矩阵,并通过计算AUC验证算法的有效性。
AUC是衡量链路预测算法精确度最常用的指标。它是指在测试集中随机选择一条边的分数值比随机选择的一条不存在的边的分数值高的概率。实验时,每次随机从测试集中选取一条边,再从不存在的边中随机选择一条,如果测试集中的边分数值大于不存在的边的分数值,则就加1分,如果两个分数值相等则加0.5分。独立比较n次,假定有n'次测试集中的边分数值大于不存在的边分数,有n″次两分数值相等,则AUC指标的定义如下:
AUC越接近1,算法的精确度越高。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明的一部分实施例,而非全部实施例。基于本发明中的实施例,本领域的技术人员所获得的所有其他实施例,都属于本发明保护的范围。
实施例:
第一步,选择不同领域的真实数据集。这里我们使用的是美国航空网络(USAir)(加权网络),中药材网络(TCM)(加权网络),爵士乐音乐家合作网络(Jazz),佛罗里达州食物链网络(FWFW),线虫新陈代谢网络(Metabolic)。
第二步,划分数据集,按照9:1的比例划分训练集和测试集。
第三步,使用Node2Vec进行随机游走采样节点序列,记为NVList。
第四步,使用Skip-Gram模型训练节点序列NVList,得到节点表示向量集合,记作NVPhi。
第五步,计算节点表示向量集合NVPhi中的任意两个节点间的余弦相似度,并带入公式:
得到转移矩阵P,记作NVP。
第六步,输入实验网络的邻接矩阵A=[aij],动力常数A,计算NVP并代入公式πx=(1-α)(I-αPT)-1ex计算,得到相应的相似性矩阵NVS。
第七步,利用NVS以及测试集,计算AUC。
第八步,对于同一个数据集,使用经典的链路预测指标CN、AA、RA、PA、RWR以及GERWR计算AUC,对比性能差异,分析GERWR方法的有效性。
Claims (1)
1.一种基于图嵌入法的链路预测方法,其特征在于,步骤如下:
步骤(1)、数据预处理
选择实验数据集,将边集E分成训练集ET和测试集EP,训练集ET用于实验时观察的网络信息,计算节点的相似性得分;测试集EP作为实验时要预测的网络信息,用于对比实验预测的结果;E=ET∪EP,令U为/>个节点对组成的全集,将属于U但不属于E的边称为不存在的边,将属于U但不属于ET的边称为未知边;
按照9∶1的比例划分训练集和测试集;
步骤(2)、使用图嵌入法生成节点表示向量
首先使用Node2Vec进行随机游走采样节点序列,记为NVList;然后使用Word2Vec的Skip-Gram模型训练节点序列NVList,得到相应的节点表示向量集合;
(1)选择使用Node2Vec进行随机游走:
给定当前顶点v,访问下一个顶点x的概率如下:
其中,πvx是顶点v和顶点x之间未归一化的转移概率,Z为归一化常数;
Node2Vec引入两个超参数p,q来控制随机游走策略;假设当前随机游走经过边(t,v)到达顶点v时,设πvx=αpq(t,x)·wvx,wvx是顶点v和x之间的权值:
dtx为顶点t和顶点x之间的最短距离;参数p是控制重复访问刚刚访问过的顶点的概率,dtx=0表示顶点t就是刚刚访问过的顶点x,若P值较高,则重复访问的概率将会降低;参数q是控制随机游走向内还是向外的概率,当q>1时,随机游走偏向于访问跟节点t相近的节点(BFS),若q>1,随机游走偏向于访问远离节点t的节点(DFS);
(2)然后使用Word2Vec生成节点表示向量:
选择随机游走后获得相应的节点序列,通过Word2Vec中的Skip-Gram模型生成节点表示向量;
步骤(3)、基于图嵌入模型的有偏向的重启随机游走链路预测;
(1)计算节点向量相似性:
通过随机游走得到复杂网络中的每个节点的节点表示向量,假定φ(x)=[x1,x2,…,xd]表示任意节点x的向量,φ(y)=[y1,y2,…,yd]表示任意节点y的向量;余弦相似度是衡量向量空间中两向量相似程度的常用指标,它通过计算两个向量夹角的余弦值来度量相似度,其中余弦值越接近1,就表明夹角越接近0度,也就是两个向量越相似;为了降低算法的时间复杂度,通过通用的余弦相似度算法计算节点向量的相似度:
(2)计算基于图嵌入法的有偏向的转移概率:
本发明定义了一种基于图嵌入法的有偏向的转移概率:
其中,A是动力常数,控制在这一时刻节点的游走动力;当A=1是,节点有100%的动力随机游走,当A=0时,节点将失去转移动力,一直停留在当前节点;wxy表示节点vx和vy之间的边权,其中当网络为静态无权网络时,vx和vy相连时wxy=1,否则wxy=0;∑z∈N(x)wxy·CosSim(x,z)是节点相似性的归一化,其中N(x)表示节点vx的邻居节点集合;
(3)基于图嵌入法的有重启的随机游走过程:
重启随机游走指标(RWR)在链路预测上有着优秀的性能,并在一些推荐系统中取得了较好的推荐效果;本发明基于RWR的算法流程,使用基于图嵌入法的转移概率来进行有偏向的随机游走,取得了较好的实验效果;本发明将这种算法命名为GERWR;
假设随机游走粒子在每走一步的时候都以一定概率返回初始位置;设粒子返回概率为1-α,P为网络的马尔科夫转移矩阵,它的元素为:
表示为节点vx处的粒子下一步走到节点vy的概率;如果某一粒子初始时刻在节点处,那么t+1时刻该粒子到达网络各个节点的概率向量为:
πx(t+1)=α·PTπx(t)+(1-α)ex
其中ex表示初始状态,上式可以计算出稳态解,公式如下:
πx=(1-α)(I-αPT)-1ex
其中元素πx表示从节点vx出发的粒子走到节点vy的最终概率,并由此定义GERWR的相似性:
算法的描述框架如下:
输入:网络的邻接矩阵A=[aij],动力常数A;
输出:相似性矩阵S=[sij];
步骤(4)、评价算法的精度
通过真实数据集,使用GWRWR算法计算得到相似性矩阵,并通过计算AUC验证算法的有效性;
每次随机从测试集中选取一条边,再从不存在的边中随机选择一条,如果测试集中的边分数值大于不存在的边的分数值,则就加1分,如果两个分数值相等则加0.5分;独立比较n次,假定有n′次测试集中的边分数值大于不存在的边分数,有n″次两分数值相等,则AUC指标的定义如下:
AUC越接近1,算法的精确度越高。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911332194.4A CN111008447B (zh) | 2019-12-21 | 2019-12-21 | 一种基于图嵌入法的链路预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911332194.4A CN111008447B (zh) | 2019-12-21 | 2019-12-21 | 一种基于图嵌入法的链路预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111008447A CN111008447A (zh) | 2020-04-14 |
CN111008447B true CN111008447B (zh) | 2023-09-05 |
Family
ID=70117668
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911332194.4A Active CN111008447B (zh) | 2019-12-21 | 2019-12-21 | 一种基于图嵌入法的链路预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111008447B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111708845B (zh) * | 2020-05-07 | 2023-05-19 | 北京明略软件系统有限公司 | 一种身份匹配方法和装置 |
CN111581445B (zh) * | 2020-05-08 | 2023-10-13 | 杨洋 | 基于图基元的图嵌入学习方法 |
CN112131569B (zh) * | 2020-09-15 | 2024-01-05 | 上海交通大学 | 一种基于图网络随机游走的风险用户预测方法 |
CN112862082B (zh) * | 2021-03-18 | 2023-09-29 | 杭州师范大学 | 一种基于支持向量机的链路预测方法 |
CN113240005B (zh) * | 2021-05-11 | 2022-09-20 | 燕山大学 | 基于静态网络表示的电力系统复杂网络虚假数据检测方法 |
CN113807543B (zh) * | 2021-08-25 | 2023-12-08 | 浙江大学 | 一种基于方向感知的网络嵌入方法和系统 |
CN114650171B (zh) * | 2022-02-24 | 2023-04-18 | 中国电子科技集团公司第十五研究所 | 一种多层融合信标检测与路径还原方法、装置和存储介质 |
CN114826921B (zh) * | 2022-05-05 | 2024-05-17 | 苏州大学应用技术学院 | 基于抽样子图的网络资源动态分配方法、系统及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109120462A (zh) * | 2018-09-30 | 2019-01-01 | 南昌航空大学 | 机会网络链路的预测方法、装置及可读存储介质 |
CN110414665A (zh) * | 2019-05-21 | 2019-11-05 | 浙江工业大学 | 一种基于深度神经网络的网络表示学习方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11468262B2 (en) * | 2017-10-30 | 2022-10-11 | Nec Corporation | Deep network embedding with adversarial regularization |
-
2019
- 2019-12-21 CN CN201911332194.4A patent/CN111008447B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109120462A (zh) * | 2018-09-30 | 2019-01-01 | 南昌航空大学 | 机会网络链路的预测方法、装置及可读存储介质 |
CN110414665A (zh) * | 2019-05-21 | 2019-11-05 | 浙江工业大学 | 一种基于深度神经网络的网络表示学习方法 |
Non-Patent Citations (1)
Title |
---|
Scalable Graph Embedding for Asymmetric Proximity;Chang Zhou等;《Proceedings of the Thirty-First AAAI Conference on Artificial Intelligence(AAAI-17))》;第2942-2948页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111008447A (zh) | 2020-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111008447B (zh) | 一种基于图嵌入法的链路预测方法 | |
WO2023000574A1 (zh) | 一种模型训练方法、装置、设备及可读存储介质 | |
Okamoto et al. | Ranking of closeness centrality for large-scale social networks | |
US10916333B1 (en) | Artificial intelligence system for enhancing data sets used for training machine learning-based classifiers | |
CN103189836B (zh) | 用于对图数据流中的对象分类的方法 | |
CN111932386B (zh) | 用户账号确定方法及装置、信息推送方法及装置、电子设备 | |
Alguliyev et al. | Parallel batch k-means for Big data clustering | |
Ribeiro et al. | Efficient parallel subgraph counting using g-tries | |
Imani et al. | Semihd: Semi-supervised learning using hyperdimensional computing | |
Yu et al. | Predicting protein complex in protein interaction network-a supervised learning based method | |
Garcia-Perez et al. | Precision as a measure of predictability of missing links in real networks | |
CN115270007B (zh) | 一种基于混合图神经网络的poi推荐方法及系统 | |
CN114357105A (zh) | 地理预训练模型的预训练方法及模型微调方法 | |
JP2013037471A (ja) | 確率モデル更新システム、確率モデル更新装置、確率モデル更新方法およびプログラム | |
Yang et al. | Large-scale metagenomic sequence clustering on map-reduce clusters | |
Pollastri et al. | Prediction of protein topologies using generalized IOHMMs and RNNs | |
CN106780066B (zh) | 一种个体与群体之间的影响力评估方法 | |
Agrawal et al. | A comparative analysis of the cobb-douglas habitability score (cdhs) with the earth similarity index (esi) | |
CN113961720A (zh) | 预测实体关系的方法和关系预测模型的训练方法、装置 | |
Xun et al. | Sparse estimation of historical functional linear models with a nested group bridge approach | |
CN108960406B (zh) | 一种基于bfo小波神经网络的mems陀螺随机误差预测方法 | |
Adewole et al. | The quadratic entropy approach to implement the Id3 decision tree algorithm | |
CN104866588A (zh) | 一种针对单个不确定图的频繁子图挖掘方法 | |
Zhang et al. | A hierarchical network embedding method based on network partitioning | |
Atwa et al. | Affinity propagation-based clustering for data streams |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |