CN111090781A - 一种动态社交网络中的链路预测方法 - Google Patents
一种动态社交网络中的链路预测方法 Download PDFInfo
- Publication number
- CN111090781A CN111090781A CN201911285769.1A CN201911285769A CN111090781A CN 111090781 A CN111090781 A CN 111090781A CN 201911285769 A CN201911285769 A CN 201911285769A CN 111090781 A CN111090781 A CN 111090781A
- Authority
- CN
- China
- Prior art keywords
- node
- network
- time
- nodes
- edge
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000006870 function Effects 0.000 claims abstract description 35
- 239000013604 expression vector Substances 0.000 claims abstract description 17
- 238000007477 logistic regression Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 37
- 238000004364 calculation method Methods 0.000 claims description 22
- 239000000126 substance Substances 0.000 claims description 6
- 238000013500 data storage Methods 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000005034 decoration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种动态社交网络中的链路预测方法,包括以下步骤:将t时刻网络中的节点映射到低维嵌入空间中,并写成每个节点的低维表示向量;之后分别计算t时刻网络中节点的局部特征、二阶相似性和保持网络演化平滑性对应的损失函数,最后根据最小化总损失函数得到节点最佳的低维表示向量;从而使用最佳低维表示向量方法得到测试集中的所有节点低维表示向量,并依次将每个节点对的低维表示向量输入到逻辑回归分类器中进行训练,得到训练完成的逻辑回归分类器;将T时刻网络中每个节点对的低维表示向量输入到训练完成的逻辑回归分类器中,得到T+1时刻的网络信息。该链路预测方法降低了网络中的数据存储空间且链路预测准确性更高。
Description
技术领域
本发明涉及链路预测领域,特别涉及一种动态社交网络中的链路预测方法。
背景技术
随着海量数据在社交、通信、生物等网络中不断聚集,这种网络结构化的数据非常有效地模拟了现实世界中各种类型的链接数据。其中,节点表示实体,边表示实体之间的链接。对网络信息尤其是链接信息的挖掘成为了一个新兴的研究方向。链接预测是根据社会网络现有的结构,预测隐含的链接或将来可能产生的链接。链接预测除了具有很高的学术研究价值,还具有许多重要的商业应用。例如,Facebook等社交网站中推荐朋友;淘宝等电子商务网站中给用户推荐感兴趣的商品;医学研究者根据基因网络中的不规则联系找到导致疾病的基因;网络安全领域,链接预测亦可实现对垃圾邮件的检测,对实际的舆情监控系统中有着十分重要的作用。
提高应用价值的关键是如何有效的挖掘到网络结构中隐含的丰富信息,提高链接预测的准确性。网络信息的有效学习方法之一是网络表示学习,旨在根据相关的优化目标,将大规模、高维度的网络嵌入到低维度的空间中,用低维稠密的向量表示网络中的节点,并且这些节点表示隐含着丰富的网络信息。利用这种网络嵌入的方法被证明在链接预测中非常有效,但目前的研究大多关注于静态网络,忽略网络的动态演化。
但是,现实世界的网络是实时动态更新的,其节点和边时刻发生变化。例如,社交网络中新用户的加入、新好友关系的产生,会导致网络中出现新的节点和边;用户离开表现为节点的消失。这些时序信息是网络的重要部分,是网络的演化机制和其动力学的体现。动态网络表示学习需要同时对网络的结构及时序信息进行建模,尽可能挖掘出网络中隐含的丰富信息,是一项困难但十分重要的任务。
链接预测的本质是预测节点之间是否存在链接。目前研究大多忽略网络的时间信息,获得的节点向量表示仅捕捉到当前时刻下网络的结构信息,无法捕捉到网络结构中隐含的演化趋势信息,这大大降低了链接预测的准确性。
发明内容
本发明所要解决的技术问题是针对现有技术的现状,提供一种数据存储空间更小且链路预测准确性更高的动态社交网络中的链路预测方法。
本发明解决上述技术问题所采用的技术方案为:一种动态社交网络中的链路预测方法,用于根据动态社交网络中1到T时刻的网络信息预测T+1时刻的网络信息,将动态社交网络中T个时刻的网络用G表示,G={G1,...,GT},t时刻的网络表示为Gt=(V,Et,Wt),1≤t≤T,其中V表示t时刻网络中的节点集,Et为t时刻网络中任意两节点之间存在的边的集合,Wt为t时刻网络中任意两节点之间存在的边之间的权重集合,其特征在于:包括以下步骤:
步骤1、将t时刻网络中的节点Vi映射到低维嵌入空间中,表达式为:ft:Vi→Rd;
其中,Vi∈V,d为预设的低维嵌入空间的维数,d远小于节点集V中节点的个数,Rd为d维实数空间;
步骤4、在t时刻网络中选择出满足以下条件的节点m和节点n:任意两个不同节点m和节点n之间没有边,节点m和节点n之间具有一个或多个共同的邻居节点,则计算满足该条件的所有节点m和节点n之间的二阶相似性对应的损失函数;具体包括以下步骤:
步骤4-1、在t时刻的网络中,假设任意两个不同节点m和节点n之间没有边,节点m和节点n之间具有一个或多个共同的邻居节点,将其中一个共同邻居节点记为k,计算t时刻网络中节点m和节点n受共同邻居节点k的影响程度,记为计算公式为:
其中,表示节点m和节点n对共同邻居节点k的影响程度,ωmk为t时刻网络中节点m和节点k之间边的权重,ωnk为t时刻网络中节点n和节点k之间边的权重,emk为t时刻网络中节点m和节点k之间的边,enk为t时刻网络中节点n和节点k之间的边;为节点m和节点k之间的亲密程度,为节点m在t时刻网络中的影响因子,为t时刻网络中节点m的低维表示向量,为t时刻网络中节点k的低维表示向量;为节点n和节点k之间的亲密程度,为节点n在t时刻网络中的影响因子,为t时刻网络中节点n的低维表示向量;
步骤4-2、计算t+1时刻,节点m和节点n受其共同邻居节点k的影响建立新边的概率,以及不受其共同邻居节点k的影响,继续保持原来社交状态的概率,并将t+1时刻,节点m和节点n受其共同邻居节点k影响的概率记为
其中,σ(.)为逻辑回归函数,即θd为节点m和节点n之间是否确定建立边的实数向量,该向量与节点低维表示向量的维度数相同;y=1表示t+1时刻网络中节点m和节点n之间受其共同邻居节点k的影响建立新边;y=0表示t+1时刻网络中节点m和节点n不受其共同邻居节点k的影响未形成新边;
步骤4-3、合并步骤4-2中的两个公式,得到:
步骤4-4、当节点m和节点n之间具有多个共同邻居节点,将节点m和节点n在t时刻网络中的所有共同邻居节点集记为Nt(m,n);将节点m和节点n是否受某个共同邻居节点k1的影响在未来时刻是否建立新边的函数记为或0;表示节点m和节点n受某个共同邻居节点k1的影响在未来t+1时刻建立新边;表示节点m和节点n不受某个共同邻居节点k1的影响在未来t+1时刻不建立新边;
步骤4-6、在t+1时刻网络中,分为两种情况,分别对应为:节点m和节点n在t时刻的网络中无连接,在t+1时刻网络中建立连接,将满足上述条件的节点m和节点n的集合记为节点m和节点n在t时刻网络中无连接且在t+1时刻仍没有建立连接,将满足该条件的节点m和节点n的集合记为
其中1≤t≤T;
其中,a、b和λ均为预设的权值;
步骤7、找出所有从到时任意两节点之间新形成边的节点对,并将该节点对作为正样本,记为集合A,其中2≤t1≤T;找出所有从G1,到时任意两节点之间边消失的节点对作为负样本,记为集合B;从集合A和B中随机选取数目相等的节点对共同组成测试集,并使用步骤6中的最佳低维表示向量方法得到测试集中的所有节点低维表示向量,并依次将每个节点对的低维表示向量输入到逻辑回归分类器中进行训练,得到训练完成的逻辑回归分类器;
步骤8、将T时刻网络中每个节点对的低维表示向量输入到训练完成的逻辑回归分类器中,得到T+1时刻的网络信息。
具体的,所述步骤3中具体包括以下步骤:
其中,eij为t时刻网络中节点Vi和节点Vj之间的边,wij为t时刻网络中节点Vi和节点Vj之间边的权重;
步骤3-3、计算步骤3-1中任意两节点Vi和Vj之间的相似度分布与步骤3-2中该两节点之间的边权重分布之间的距离;并将该距离记为o;
具体的,所述步骤3-3中将相似度分布和边权重分布之间KL散度的最小值作为相似度分布和边权重分布之间的距离。
与现有技术相比,本发明的优点在于:一方面,通过将节点映射到低维嵌入空间中,降低了网络中的数据存储空间;另一方面,计算节点对的拓扑相似性使在节点在嵌入空间中保存网络结构的近邻性,计算节点的二阶相似性用来捕捉网络动态演化特性以及计算网络的时间演化平滑性保持网络的平稳演化特性,最后根据最小化总损失函数计算出节点最佳的低维表示向量,从而该方法能够有效的对网络的动态变化过程中的结构特征进行学习和表示,因此该方法的链路预测准确性更高。
附图说明
图1为本发明实施例中链路预测方法的流程图;
图2为本发明实施例中t时刻和t+1时刻的动态网络示意图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
如图1所示,一种动态社交网络中的链路预测方法,用于根据动态社交网络中1到T时刻的网络信息预测T+1时刻的网络信息,其中,预测T+1时刻的网络信息中的节点之间存在边即对应在动态社交网络中存在链路,所以预测T+1时刻的网络信息中包括节点之间边的信息,将动态社交网络中T个时刻的网络用G表示,G={G1,...,GT},t时刻的网络表示为Gt=(V,Et,Wt),1≤t≤T,其中V表示t时刻网络中的节点集,Et为t时刻网络中任意两节点之间存在的边的集合,Wt为t时刻网络中任意两节点之间存在的边之间的权重集合,包括以下步骤:
步骤1、将t时刻网络中的节点Vi映射到低维嵌入空间中,表达式为:ft:Vi→Rd;
其中,Vi∈V,d为预设的低维嵌入空间的维数,d远小于节点集V中节点的个数,Rd为d维实数空间;
其中,eij为t时刻网络中节点Vi和节点Vj之间的边,wij为t时刻网络中节点Vi和节点Vj之间边的权重;
步骤3-3、计算步骤3-1中任意两节点Vi和Vj之间的相似度分布与步骤3-2中该两节点之间的边权重分布之间的距离;并将该距离记为o;本实施例中,将相似度分布和边权重分布之间KL散度的最小值作为相似度分布和边权重分布之间的距离;
步骤4、在t时刻网络中选择出满足以下条件的节点m和节点n:任意两个不同节点m和节点n之间没有边,节点m和节点n之间具有一个或多个共同的邻居节点,则计算满足该条件的所有节点m和节点n之间的二阶相似性对应的损失函数;具体包括以下步骤:
步骤4-1、在t时刻的网络中,假设任意两个不同节点m和节点n之间没有边,节点m和节点n之间具有一个或多个共同的邻居节点,将其中一个共同邻居节点记为k,计算t时刻网络中节点m和节点n受共同邻居节点k的影响程度,记为计算公式为:
其中,表示节点m和节点n对共同邻居节点k的影响程度,其中该计算公式的分母中是对所有满足上述条件的节点m和节点k之间的权重进行累加,分子中为其中一个满足条件的节点m、节点n和节点k之间的权重;ωmk为t时刻网络中节点m和节点k之间边的权重,ωnk为t时刻网络中节点n和节点k之间边的权重,emk为t时刻网络中节点m和节点k之间的边,enk为t时刻网络中节点n和节点k之间的边;为节点m和节点k之间的亲密程度,为节点m在t时刻网络中的影响因子,同样的,该的计算公式分母中指的是对所有满足上述条件的节点m和节点k之间的权重进行累加,分子中为其中一个满足条件的节点m、节点k之间的权重;为t时刻网络中节点m的低维表示向量,为t时刻网络中节点k的低维表示向量;为节点n和节点k之间的亲密程度,为节点n在t时刻网络中的影响因子,为t时刻网络中节点n的低维表示向量;
步骤4-2、计算t+1时刻,节点m和节点n受其共同邻居节点k的影响建立新边的概率,以及不受其共同邻居节点k的影响,继续保持原来社交状态的概率,并将t+1时刻,节点m和节点n受其共同邻居节点k影响的概率记为
其中,σ(.)为逻辑回归函数,即为节点m和节点n之间是否确定建立边的实数向量,该向量与节点低维表示向量的维度数相同;y=1表示t+1时刻网络中节点m和节点n之间受其共同邻居节点k的影响建立新边;y=0表示t+1时刻网络中节点m和节点n不受其共同邻居节点k的影响未形成新边;
步骤4-3、合并步骤4-2中的两个公式,得到:
步骤4-4、当节点m和节点n之间具有多个共同邻居节点,将节点m和节点n在t时刻网络中的所有共同邻居节点集记为Nt(m,n);将节点m和节点n是否受某个共同邻居节点k1的影响在未来时刻是否建立新边的函数记为或0;表示节点m和节点n受某个共同邻居节点k1的影响在未来t+1时刻建立新边;表示节点m和节点n不受某个共同邻居节点k1的影响在未来t+1时刻不建立新边;
步骤4-6、在t+1时刻网络中,分为两种情况,分别对应为:节点m和节点n在t时刻的网络中无连接,在t+1时刻网络中建立连接,将满足上述条件的节点m和节点n的集合记为节点m和节点n在t时刻网络中无连接且在t+1时刻仍没有建立连接,将满足该条件的节点m和节点n的集合记为
其中1≤t≤T;
其中,α、β和λ均为预设的权值;
步骤7、找出所有从G1,到时任意两节点之间新形成边的节点对,并将该节点对作为正样本,记为集合A,其中2≤t1≤T;找出所有从G1,到时任意两节点之间边消失的节点对作为负样本,记为集合B;从集合A和B中随机选取数目相等的节点对共同组成测试集,并使用步骤6中的最佳低维表示向量方法得到测试集中的所有节点低维表示向量,并依次将每个节点对的低维表示向量输入到逻辑回归分类器中进行训练,得到训练完成的逻辑回归分类器;
步骤8、将T时刻网络中每个节点对的低维表示向量输入到训练完成的逻辑回归分类器中,得到T+1时刻的网络信息。
为了方便理解和描述本发明中链路预测过程,如图2所示,在t时刻的网络中,节点1与9以及节点1与3之间有边相连接,节点1与4之间无边;所以节点1与9以及1与3具有比节点1与4具有更高的拓扑相似性,即在嵌入空间中的位置接近。更近一步来说,节点1与节点9之间边上的权重大于节点1与节点3之间边上的权重,因此节点1与节点9比节点1与节点4具有更高的相似性。因此,在嵌入空间中,节点1和9的位置最接近,节点1和3的位置次之,节点1和4的位置相对较远。另一方面,尽管节点1和6之间没有边,但是他们拥有许多共同的邻居(如节点2、7),他们具有高的二阶相似性,在嵌入空间中的位置接近。同时受这些共同邻居的影响,在t+1时刻中心节点1和6更倾向于建立连接关系,并且这些邻居节点对链接形成的影响由其与中心节点的链接强弱程度决定。
对于一个节点个数为|V|的大规模网络来说,其存储空间为|V|×|V|,由于本发明中采用的是存储网络中节点的低维表示的d维向量,所以需要的存储空间为|V|×d,对于大规模网络来说,d《|V|,这样可以大大减少数据存储空间。
另外本方法中保存了原始网络中节点对之间的相似性,量化节点对邻域内节点的影响程度,使用动态逻辑回归分类器从节点的二阶相似性捕捉网络的动态演化模式,从过去时间戳的快照网络中获得网络的时间信息和结构特征联合学习网络中节点低维表示向量。在提出的方法中,目标损失函数结合网络的内部结构以及动态演化结构,最小化嵌入空间中相似节点的近邻性。此外,实验证明所提出的模型在许多真实动态网络上的链接预测性能明显优于现有的链接预测方法。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (3)
1.一种动态社交网络中的链路预测方法,用于根据动态社交网络中1到T时刻的网络信息预测T+1时刻的网络信息,将动态社交网络中T个时刻的网络用G表示,G={G1,...,GT},t时刻的网络表示为Gt=(V,Et,Wt),1≤t≤T,其中V表示t时刻网络中的节点集,Et为t时刻网络中任意两节点之间存在的边的集合,Wt为t时刻网络中任意两节点之间存在的边之间的权重集合,其特征在于:包括以下步骤:
步骤1、将t时刻网络中的节点Vi映射到低维嵌入空间中,表达式为:ft:Vi→Rd;
其中,Vi∈V,d为预设的低维嵌入空间的维数,d远小于节点集V中节点的个数,Rd为d维实数空间;
步骤4、在t时刻网络中选择出满足以下条件的节点m和节点n:任意两个不同节点m和节点n之间没有边,节点m和节点n之间具有一个或多个共同的邻居节点,则计算满足该条件的所有节点m和节点n之间的二阶相似性对应的损失函数;具体包括以下步骤:
步骤4-1、在t时刻的网络中,假设任意两个不同节点m和节点n之间没有边,节点m和节点n之间具有一个或多个共同的邻居节点,将其中一个共同邻居节点记为k,计算t时刻网络中节点m和节点n受共同邻居节点k的影响程度,记为计算公式为:
其中,表示节点m和节点n对共同邻居节点k的影响程度,ωmk为t时刻网络中节点m和节点k之间边的权重,ωnk为t时刻网络中节点n和节点k之间边的权重,emk为t时刻网络中节点m和节点k之间的边,enk为t时刻网络中节点n和节点k之间的边;为节点m和节点k之间的亲密程度, 为节点m在t时刻网络中的影响因子, 为t时刻网络中节点m的低维表示向量,为t时刻网络中节点k的低维表示向量;为节点n和节点k之间的亲密程度, 为节点n在t时刻网络中的影响因子, 为t时刻网络中节点n的低维表示向量;
步骤4-2、计算t+1时刻,节点m和节点n受其共同邻居节点k的影响建立新边的概率,以及不受其共同邻居节点k的影响,继续保持原来社交状态的概率,并将t+1时刻,节点m和节点n受其共同邻居节点k影响的概率记为
其中,σ(.)为逻辑回归函数,即θd为节点m和节点n之间是否确定建立边的实数向量,该向量与节点低维表示向量的维度数相同;y=1表示t+1时刻网络中节点m和节点n之间受其共同邻居节点k的影响建立新边;y=0表示t+1时刻网络中节点m和节点n不受其共同邻居节点k的影响未形成新边;
步骤4-3、合并步骤4-2中的两个公式,得到:
步骤4-4、当节点m和节点n之间具有多个共同邻居节点,将节点m和节点n在t时刻网络中的所有共同邻居节点集记为Nt(m,n);将节点m和节点n是否受某个共同邻居节点k1的影响在未来时刻是否建立新边的函数记为k1∈Nt(m,n);或0;表示节点m和节点n受某个共同邻居节点k1的影响在未来t+1时刻建立新边;表示节点m和节点n不受某个共同邻居节点k1的影响在未来t+1时刻不建立新边;
步骤4-6、在t+1时刻网络中,分为两种情况,分别对应为:节点m和节点n在t时刻的网络中无连接,在t+1时刻网络中建立连接,将满足上述条件的节点m和节点n的集合记为节点m和节点n在t时刻网络中无连接且在t+1时刻仍没有建立连接,将满足该条件的节点m和节点n的集合记为
其中1≤t≤T;
其中,α、b和λ均为预设的权值;
步骤7、找出所有从到时任意两节点之间新形成边的节点对,并将该节点对作为正样本,记为集合A,其中2≤t1≤T;找出所有从到时任意两节点之间边消失的节点对作为负样本,记为集合B;从集合A和B中随机选取数目相等的节点对共同组成测试集,并使用步骤6中的最佳低维表示向量方法得到测试集中的所有节点低维表示向量,并依次将每个节点对的低维表示向量输入到逻辑回归分类器中进行训练,得到训练完成的逻辑回归分类器;
步骤8、将T时刻网络中每个节点对的低维表示向量输入到训练完成的逻辑回归分类器中,得到T+1时刻的网络信息。
2.根据权利要求1所述的链路预测方法,其特征在于:所述步骤3中具体包括以下步骤:
其中,eij为t时刻网络中节点Vi和节点Vj之间的边,wij为t时刻网络中节点Vi和节点Vj之间边的权重;
步骤3-3、计算步骤3-1中任意两节点Vi和Vj之间的相似度分布与步骤3-2中该两节点之间的边权重分布之间的距离;并将该距离记为o;
3.根据权利要求2所述的链路预测方法,其特征在于:所述步骤3-3中将相似度分布和边权重分布之间KL散度的最小值作为相似度分布和边权重分布之间的距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911285769.1A CN111090781A (zh) | 2019-12-13 | 2019-12-13 | 一种动态社交网络中的链路预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911285769.1A CN111090781A (zh) | 2019-12-13 | 2019-12-13 | 一种动态社交网络中的链路预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111090781A true CN111090781A (zh) | 2020-05-01 |
Family
ID=70396123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911285769.1A Pending CN111090781A (zh) | 2019-12-13 | 2019-12-13 | 一种动态社交网络中的链路预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111090781A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112446542A (zh) * | 2020-11-30 | 2021-03-05 | 西安电子科技大学 | 基于注意力神经网络的社交网络链路预测方法 |
CN113807600A (zh) * | 2021-09-26 | 2021-12-17 | 河南工业职业技术学院 | 一种动态社交网络中的链路预测方法 |
-
2019
- 2019-12-13 CN CN201911285769.1A patent/CN111090781A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112446542A (zh) * | 2020-11-30 | 2021-03-05 | 西安电子科技大学 | 基于注意力神经网络的社交网络链路预测方法 |
CN112446542B (zh) * | 2020-11-30 | 2023-04-07 | 山西大学 | 基于注意力神经网络的社交网络链路预测方法 |
CN113807600A (zh) * | 2021-09-26 | 2021-12-17 | 河南工业职业技术学院 | 一种动态社交网络中的链路预测方法 |
CN113807600B (zh) * | 2021-09-26 | 2023-07-25 | 河南工业职业技术学院 | 一种动态社交网络中的链路预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110532436B (zh) | 基于社区结构的跨社交网络用户身份识别方法 | |
CN104462385B (zh) | 一种基于用户兴趣模型的电影个性化相似度计算方法 | |
CN112861967B (zh) | 基于异构图神经网络的社交网络异常用户检测方法及设备 | |
CN111881350B (zh) | 一种基于混合图结构化建模的推荐方法与系统 | |
Ahmed et al. | A supervised learning approach to link prediction in Twitter | |
CN115270007B (zh) | 一种基于混合图神经网络的poi推荐方法及系统 | |
CN108449209A (zh) | 基于路径信息和节点信息融合的社交网络好友推荐方法 | |
CN109447110A (zh) | 综合邻居标签相关性特征和样本特征的多标签分类的方法 | |
CN111090781A (zh) | 一种动态社交网络中的链路预测方法 | |
Zhang et al. | Hypergraph label propagation network | |
Ahmed et al. | Enhancing link prediction in Twitter using semantic user attributes | |
Zhou et al. | Betweenness centrality-based community adaptive network representation for link prediction | |
Qiao et al. | Improving collaborative recommendation via location-based user-item subgroup | |
CN110717116B (zh) | 关系网络的链接预测方法及系统、设备、存储介质 | |
CN111737294A (zh) | 一种基于动态增量集成模糊的数据流分类方法 | |
Han et al. | Robust Plackett–Luce model for k-ary crowdsourced preferences | |
CN115114484A (zh) | 异常事件检测方法、装置、计算机设备和存储介质 | |
Tripathi et al. | Recommending restaurants: A collaborative filtering approach | |
Zheng et al. | Jora: Weakly supervised user identity linkage via jointly learning to represent and align | |
CN116932923B (zh) | 一种结合行为特征与三角协作度量的项目推荐方法 | |
CN112364245B (zh) | 基于异构信息网络嵌入的Top-K电影推荐方法 | |
Zhang et al. | Graph representation learning with adaptive metric | |
Le et al. | Enhancing Anchor Link Prediction in Information Networks through Integrated Embedding Techniques | |
Xu et al. | An online personalized reputation estimation model for service-oriented systems | |
Stanhope et al. | Group link prediction |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200501 |