JP2020098585A - 二部ネットワーク内のミッシングリンクを理解するための視覚分析フレームワーク、方法、プログラム、装置、およびシステム - Google Patents
二部ネットワーク内のミッシングリンクを理解するための視覚分析フレームワーク、方法、プログラム、装置、およびシステム Download PDFInfo
- Publication number
- JP2020098585A JP2020098585A JP2019208500A JP2019208500A JP2020098585A JP 2020098585 A JP2020098585 A JP 2020098585A JP 2019208500 A JP2019208500 A JP 2019208500A JP 2019208500 A JP2019208500 A JP 2019208500A JP 2020098585 A JP2020098585 A JP 2020098585A
- Authority
- JP
- Japan
- Prior art keywords
- missing
- links
- link
- network
- missing links
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000004458 analytical method Methods 0.000 title claims description 32
- 230000000007 visual effect Effects 0.000 title description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 93
- 239000011159 matrix material Substances 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 7
- 238000012800 visualization Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 7
- 238000013459 approach Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 108090000623 proteins and genes Proteins 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000014509 gene expression Effects 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000005295 random walk Methods 0.000 description 4
- 239000007787 solid Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 238000007876 drug discovery Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 241000754798 Calophyllum brasiliense Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000012517 data analytics Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 235000020044 madeira Nutrition 0.000 description 1
- 230000001404 mediated effect Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000002493 microarray Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 108020004707 nucleic acids Proteins 0.000 description 1
- 150000007523 nucleic acids Chemical class 0.000 description 1
- 102000039446 nucleic acids Human genes 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Fuzzy Systems (AREA)
- Physiology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
Description
(先行技術文献)
(非特許文献)
(非特許文献1)CARRUBBA, C., et al., Legislative Voting Behaviour, Seen and Unseen: A Theory of Roll-Call Vote Selection, Legislative Studies Quarterly, 33(4), November 2008, pp. 543-572.
(非特許文献2)CHANG, Y-J., et al., Link Prediction in a Bipartite Network Using Wikipedia Revision Information, In 2012 Conference on Technologies and Applications of Artificial Intelligence, IEEE, November 15-16, 2012, Tainan, Taiwan.
(非特許文献3)FIAUX, P., et al., Blxpolar Visual Analytics with Biclusters, Computer, August 2013, pp. 90-94.
(非特許文献4)GHONIEM, M., et al., On the Readability of Graphs Using Node-Link and Matrix-Based Representations: A Controlled Experiment and Statistical Analysis, Information Visualization, 4, 2005, pp. 114-135.
(非特許文献5)GROTHAUS, G. A., et al., Automatic Layout and Visualization of Biclusters, Algorithms for Molecular Biology, 2006,1 (15), 11pgs.
(非特許文献6)HECKERMAN, D., el al., Probabilistic Entity-Relationship Models, PRMs and Plate Models, Proceedings of the 21st International Conference on Machine Learning, 2004, Banff, Canada, 6 pgs.
(非特許文献7)HEINRICH, J., et al., Bicluster Viewer: A Visualization Tool for Analyzing Gene Expression Data, Advances in Visual Computing, July 2011, pp. 641-652.
(非特許文献8)HENRY, N., et al., NodeTrix: A Hybrid Visualization of Social Networks, IEEE Transactions on Visualization and Computer Graphics, 13(6), 2007, pp. 1302-1309.
(非特許文献9)HUANG, Z., et al., Link Prediction Approach to Collaborative Filtering, JCDL '05 Proceedings of the 5th ACM/IEEE Joint Conference on Digital Libraries, June 7-11, 2005, Denver, Colorado, pp. 141-142.
(非特許文献10)ISENBERG, P., et al., Visualization Publications Dataset, IEEE Transactions on Visualization and Computer Graphics 23(9), September 2017, pp. 2199-2206, [online] [retrieved 2018] URL: https://sites.google.com/site/vispubdata/home
(非特許文献11)KAPUSHESKY, M., et al., Expression Profiler: Next Generation-An Online Platform for Analysis of Microarray Data, Nucleic Acids Research, 32, 2004, pp. W465-W470.
(非特許文献12)KELLER, R., et al., Matrices or Node-Link Diagrams: Which Visual Representation is Better for Visualising Connectivity Models?, Information Visualization 2006, 5, pp. 62-76.
(非特許文献13)LIBEN-NOWELL, D., et al., The Link-Prediction Problem for Social Networks, Journal of the American Society for Information Science and Technology, 58(7), 2007, pp. 1019-1031.
(非特許文献14)LICHTENWALTER, R. Y., et al., Vertex Collocation Profiles: Subgraph Counting for Link Analysis and Prediction, In Proceedings of the 21st international Conference on Word Wide Web, WWW '12, Lyon, France, pp. 1019-1028.
(非特許文献15)MADEIRA, S. C., et al., Biclustering Algorithms for Biological Data Analysis: A Survey, IEEE Transactions on Computational Biology and Bioinformatics, 1(1), January-March 2004, pp. 24-45.
(非特許文献16)MARTINEZ, V., et al., A Survey of Link Prediction in Complex Networks, ACM Computing Surveys, December 2016 49 (4), 34 pgs.
(非特許文献17)SANTAMARIA, R., et al., BicOverlapper 2.0: Visual Analysis for Gene Expression, Bioinformatics, 2014, 30(12), pp. 1785-1786.
(非特許文献18)SCELLATO, S. et al., Exploiting Place Features in Link Prediction on Location-Based Social Networks, In Proceedings of the 17th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, KDD '11, San Diego, California, August 21-24,2011, pp. 1046-1054.
(非特許文献19)STASKO, J., et al., Jigsaw: Supporting Investigative Analysis Through Interactive Visualization, Information Visualization, 2008, 7, pp. 118-132.
(非特許文献20)STREIT, M,, et al., Furby: Fuzzy Force-Directed Bicluster Visualization, BMC Bioinformatics, 2014,15 (Suppl 6); S4, 13pgs.
(非特許文献21)SUN, M., et al., BiSet: Semantic Edge Bundling with Biclusters for Sensemaking, IEEE Transactions on Visualization and Computer Graphics, 22(1), January 2016, pp. 310-319.
(非特許文献22)TONG, H., et al., Fast Random Walk with Restart and Its Applications, In Proceedings of International Conference on Data Mining, IEEE, December 2006,12 pgs.
(非特許文献23)WANG, P., et al., Link Prediction in Social Networks; the State-of-the-Art, Science China Information Sciences, January 2015, 58(1), 38 pgs.
(非特許文献24)YU, K , et al., Gaussian Process Models for Link Analysis and Transfer Learning, Advances in Neural Information Processing Systems, 2008, pp. 1657-1664.
(非特許文献25)ZHANG, Y., et al., On Finding Bicliques In Bipartite Graphs: A Novel Algorithm and its Application to the Integration of Diverse Biological Data Types, BMC Bioinformatics, 2014,15(1): 110,18 pgs.
(非特許文献26)WOHLFARTH, T., et al., Semantic and Event-Based Approach for Link Prediction, Practical Aspects of Knowledge of Management, Springer Berlin-Heidelberg, 2008, pp. 50-61.
(非特許文献27)XlA, S., et al., Link Prediction for Bipartite Social Networks; The Role of Structural Holes, 2012 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining, August 2012, pp. 153-157.
本開示の第2態様は、第1態様において、前記二部ネットワークのバイクリックに基づいて前記組内の前記ミッシングリンクの各々の前記重みを計算することが、バイクリックの各対のしきい値を満足する重畳ノードの数とサイズとに基づくスコアを有するバイクリックの各対について、バイクリックの対の間のミッシングリンクの前記組のミッシングリンクの前記重みを計算すること、を含む。
本開示の第3態様は、第2態様において、バイクリックの各対の間のミッシングリンクの前記組のミッシングリンクの前記重みを前記計算することがバイクリックの各対の重畳ノードの前記数と前記サイズとに基づく。
本開示の第4態様は、第1態様において、前記二部ネットワーク内の第一のタイプのノードを表す行と、第二のタイプのネットワークの行を表す列とを含み、行列内のエントリの各々が前記第一のタイプのノードと第二のタイプのノードとの間のリンクを表す双隣接行列として前記二部ネットワークを提示することをさらに含み、前記リンク予測アルゴリズムによって選択されたミッシングリンクの前記組から得たミッシングリンクを前記二部ネットワークの前記予測されたミッシングリンクとして前記提供することが前記エントリを前記リンク予測アルゴリズムによって提供されたスコアによる色相として表すこと、を含む。
本開示の第5態様は、第4態様において、前記二部ネットワークを前記提示することが選択された判定基準に従って前記双隣接行列の前記行及び列を配置するように構成されたインタフェースを提供すること、を含む。
本開示の第6態様は、第1態様において、前記リンク予測アルゴリズムによって選択されたミッシングリンクの前記組から得たミッシングリンクを前記二部ネットワークの前記予測されたミッシングリンクとして提供することが前記予測されたミッシングリンクを確率によって直線的に提示すること、を含む。
本開示の第8態様は、第7態様において、前記二部ネットワークのバイクリックに基づいて前記組内の前記ミッシングリンクの前記各々の前記重みを前記計算することが、バイクリックの各対のしきい値を満足する重畳ノードの数とサイズとに基づくスコアを有するバイクリックの各対について、バイクリックの対の間のミッシングリンクの前記組のミッシングリンクの前記重みを計算すること、を含む。
本開示の第9態様は、第8態様において、バイクリックの各対の間のミッシングリンクの前記組のミッシングリンクの前記重みを前記計算することがバイクリックの各対の重畳ノードの前記数と前記サイズとに基づく。
本開示の第10態様は、第7態様において、前記二部ネットワーク内の第一のタイプのノードを表す行と、第二のタイプのネットワークの行を表す列とを含み、行列内のエントリの各々が前記第一のタイプのノードと第二のタイプのノードとの間のリンクを表す双隣接行列として前記二部ネットワークを提示することをさらに含み、前記リンク予測アルゴリズムによって選択されたミッシングリンクの前記組から得たミッシングリンクを前記二部ネットワークの前記予測されたミッシングリンクとして前記提供することが前記エントリを前記リンク予測アルゴリズムによって提供されたスコアによる色相として表すこと、を含む。
本開示の第11態様は、第10態様において、前記二部ネットワークを前記提示することが選択された判定基準に従って前記双隣接行列の前記行及び列を配置するように構成されたインタフェースを提供すること、を含む。
本開示の第12態様は、第7態様において、前記リンク予測アルゴリズムによって選択されたミッシングリンクの前記組から得たミッシングリンクを前記二部ネットワークの前記予測されたミッシングリンクとして提供することが前記予測されたミッシングリンクを確率によって直線的に提示すること、を含む。
本開示の第14態様は、第13態様において、前記プロセッサが、バイクリックの各対のしきい値を満足する重畳ノードの数とサイズとに基づくスコアを有するバイクリックの各対について、バイクリックの対の間のミッシングリンクの前記組のミッシングリンクの前記重みを計算することによって、前記二部ネットワークのバイクリックに基づく前記組内の前記ミッシングリンクの前記重みを計算するように構成された。
本開示の第15態様は、第14態様において、前記プロセッサがバイクリックの各対の重畳ノードの前記数と前記サイズとに基づいてバイクリックの各対の間のミッシングリンクの前記組のミッシングリンクの前記重みを計算するように構成された。
本開示の第16態様は、第13態様において、前記プロセッサが、前記二部ネットワーク内の第一のタイプのノードを表す行と、第二のタイプのネットワークの行を表す列とを含み、行列内のエントリの各々が前記第一のタイプのノードと第二のタイプのノードとの間のリンクを表す双隣接行列として前記二部ネットワークを提示するように構成され、前記プロセッサが前記リンク予測アルゴリズムによって選択されたミッシングリンクの前記組から得たミッシングリンクを、前記エントリを前記リンク予測アルゴリズムによって提供されたスコアによる色相として表すことによって、前記二部ネットワークの前記予測されたミッシングリンクとして提供するように構成された。
本開示の第17態様は、第16態様において、前記プロセッサが、選択された判定基準に従って前記双隣接行列の前記行及び列を配置するように構成されたインタフェースを提供することによって、前記二部ネットワークを提示するように構成された。
本開示の第18態様は、第13態様において、前記プロセッサが、前記予測されたミッシングリンクを確率によって直線的に提示することによって、前記リンク予測アルゴリズムによって選択されたミッシングリンクの前記組から得たミッシングリンクを前記二部ネットワークの前記予測されたミッシングリンクとして提供するように構成された。
本開示の第19態様は、第13態様において、前記プロセッサが、インタフェース上での前記予測されたミッシングリンクの一つの選択に応答して、前記予測されたミッシングリンクの前記一つを前記二部ネットワーク内に追加することによって前記予測されたミッシングリンクの選択された一つについてのモチーフ分析又は指標分析の少なくとも一方を実行し、前記予測されたミッシングリンクの前記選択された一つについての前記モチーフ分析又は前記指標分析の少なくとも一方の結果を提供するように構成された。
Claims (19)
- 二部ネットワークとして表されるデータ及び前記二部ネットワーク内のミッシングリンクの組について、
前記二部ネットワークのバイクリックに基づいて前記組内の前記ミッシングリンクの各々の重みを計算することと、
前記ミッシングリンクの各々の前記重みを組み込むように構成されたリンク予測アルゴリズムを実行することと、
前記リンク予測アルゴリズムによって選択されたミッシングリンクの前記組から得たミッシングリンクを前記二部ネットワークの予測されたミッシングリンクとして提供することと、を含む、方法。 - 前記二部ネットワークのバイクリックに基づいて前記組内の前記ミッシングリンクの各々の前記重みを計算することが、
バイクリックの前記各対のしきい値を満足する重畳ノードの数とサイズとに基づくスコアを有するバイクリックの各対について、バイクリックの前記対の間のミッシングリンクの前記組のミッシングリンクの前記重みを計算すること、を含む、請求項1に記載の方法。 - バイクリックの前記各対の間のミッシングリンクの前記組のミッシングリンクの前記重みを前記計算することがバイクリックの前記各対の重畳ノードの前記数と前記サイズとに基づく、請求項2に記載の方法。
- 前記二部ネットワーク内の第一のタイプのノードを表す行と、第二のタイプのネットワークの行を表す列とを含み、行列内のエントリの各々が前記第一のタイプのノードと第二のタイプのノードとの間のリンクを表す双隣接行列として前記二部ネットワークを提示することをさらに含み、
前記リンク予測アルゴリズムによって選択されたミッシングリンクの前記組から得たミッシングリンクを前記二部ネットワークの前記予測されたミッシングリンクとして前記提供することが前記エントリを前記リンク予測アルゴリズムによって提供されたスコアによる色相として表すこと、を含む、請求項1に記載の方法。 - 前記二部ネットワークを前記提示することが選択された判定基準に従って前記双隣接行列の前記行及び列を配置するように構成されたインタフェースを提供すること、を含む、請求項4に記載の方法。
- 前記リンク予測アルゴリズムによって選択されたミッシングリンクの前記組から得たミッシングリンクを前記二部ネットワークの前記予測されたミッシングリンクとして提供することが前記予測されたミッシングリンクを確率によって直線的に提示すること、を含む、請求項1に記載の方法。
- プロセスを実行するための命令を記憶する非一時的コンピュータ可読媒体であって、前記命令が、
二部ネットワークとして表されるデータ及び前記二部ネットワーク内のミッシングリンクの組について、
前記二部ネットワークのバイクリックに基づいて前記組内の前記ミッシングリンクの各々の前記重みを計算することと、
前記ミッシングリンクの各々の前記重みを組み込むように構成されたリンク予測アルゴリズムを実行することと、
前記リンク予測アルゴリズムによって選択されたミッシングリンクの前記組から得たミッシングリンクを前記二部ネットワークの予測されたミッシングリンクとして提供することと、を含む、非一時的コンピュータ可読媒体。 - 前記二部ネットワークのバイクリックに基づいて前記組内の前記ミッシングリンクの前記各々の前記重みを前記計算することが、
バイクリックの前記各対のしきい値を満足する重畳ノードの数とサイズとに基づくスコアを有するバイクリックの各対について、バイクリックの前記対の間のミッシングリンクの前記組のミッシングリンクの前記重みを計算すること、を含む、請求項7に記載の非一時的コンピュータ可読媒体。 - バイクリックの前記各対の間のミッシングリンクの前記組のミッシングリンクの前記重みを前記計算することがバイクリックの前記各対の重畳ノードの前記数と前記サイズとに基づく、請求項8に記載の非一時的コンピュータ可読媒体。
- 前記二部ネットワーク内の第一のタイプのノードを表す行と、第二のタイプのネットワークの行を表す列とを含み、行列内のエントリの各々が前記第一のタイプのノードと第二のタイプのノードとの間のリンクを表す双隣接行列として前記二部ネットワークを提示することをさらに含み、
前記リンク予測アルゴリズムによって選択されたミッシングリンクの前記組から得たミッシングリンクを前記二部ネットワークの前記予測されたミッシングリンクとして前記提供することが前記エントリを前記リンク予測アルゴリズムによって提供されたスコアによる色相として表すこと、を含む、請求項7に記載の非一時的コンピュータ可読媒体。 - 前記二部ネットワークを前記提示することが選択された判定基準に従って前記双隣接行列の前記行及び列を配置するように構成されたインタフェースを提供すること、を含む、請求項10に記載の非一時的コンピュータ可読媒体。
- 前記リンク予測アルゴリズムによって選択されたミッシングリンクの前記組から得たミッシングリンクを前記二部ネットワークの前記予測されたミッシングリンクとして提供することが前記予測されたミッシングリンクを確率によって直線的に提示すること、を含む、請求項7に記載の非一時的コンピュータ可読媒体。
- 二部ネットワークとして表されるデータ及び前記二部ネットワーク内のミッシングリンクの組について、
前記二部ネットワークのバイクリックに基づいて前記組内の前記ミッシングリンクの各々の重みを計算し、
前記ミッシングリンクの各々の前記重みを組み込むように構成されたリンク予測アルゴリズムを実行し、
前記リンク予測アルゴリズムによって選択されたミッシングリンクの前記組から得たミッシングリンクを前記二部ネットワークの予測されたミッシングリンクとして提供するように構成されたプロセッサ、を含む、装置。 - 前記プロセッサが、
バイクリックの前記各対のしきい値を満足する重畳ノードの数とサイズとに基づくスコアを有するバイクリックの各対について、バイクリックの前記対の間のミッシングリンクの前記組のミッシングリンクの前記重みを計算することによって、
前記二部ネットワークのバイクリックに基づく前記組内の前記ミッシングリンクの前記重みを計算するように構成された、請求項13に記載の装置。 - 前記プロセッサがバイクリックの前記各対の重畳ノードの前記数と前記サイズとに基づいてバイクリックの前記各対の間のミッシングリンクの前記組のミッシングリンクの前記重みを計算するように構成された、請求項14に記載の装置。
- 前記プロセッサが、
前記二部ネットワーク内の第一のタイプのノードを表す行と、第二のタイプのネットワークの行を表す列とを含み、行列内のエントリの各々が前記第一のタイプのノードと第二のタイプのノードとの間のリンクを表す双隣接行列として前記二部ネットワークを提示するように構成され、
前記プロセッサが前記リンク予測アルゴリズムによって選択されたミッシングリンクの前記組から得たミッシングリンクを、前記エントリを前記リンク予測アルゴリズムによって提供されたスコアによる色相として表すことによって、前記二部ネットワークの前記予測されたミッシングリンクとして提供するように構成された、請求項13に記載の装置。 - 前記プロセッサが、選択された判定基準に従って前記双隣接行列の前記行及び列を配置するように構成されたインタフェースを提供することによって、前記二部ネットワークを提示するように構成された、請求項16に記載の装置。
- 前記プロセッサが、前記予測されたミッシングリンクを確率によって直線的に提示することによって、前記リンク予測アルゴリズムによって選択されたミッシングリンクの前記組から得たミッシングリンクを前記二部ネットワークの前記予測されたミッシングリンクとして提供するように構成された、
請求項13に記載の装置。 - 前記プロセッサが、
インタフェース上での前記予測されたミッシングリンクの一つの選択に応答して、
前記予測されたミッシングリンクの前記一つを前記二部ネットワーク内に追加することによって前記予測されたミッシングリンクの選択された一つについてのモチーフ分析又は指標分析の少なくとも一方を実行し、
前記予測されたミッシングリンクの前記選択された一つについての前記モチーフ分析又は前記指標分析の少なくとも一方の結果を提供するように構成された、請求項13に記載の装置。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/194,877 | 2018-11-19 | ||
US16/194,877 US11176460B2 (en) | 2018-11-19 | 2018-11-19 | Visual analysis framework for understanding missing links in bipartite networks |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020098585A true JP2020098585A (ja) | 2020-06-25 |
JP7423998B2 JP7423998B2 (ja) | 2024-01-30 |
Family
ID=70727288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019208500A Active JP7423998B2 (ja) | 2018-11-19 | 2019-11-19 | 二部ネットワーク内のミッシングリンクを理解するための視覚分析フレームワーク、方法、プログラム、装置、およびシステム |
Country Status (3)
Country | Link |
---|---|
US (1) | US11176460B2 (ja) |
JP (1) | JP7423998B2 (ja) |
CN (1) | CN111198905B (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11228505B1 (en) * | 2021-01-29 | 2022-01-18 | Fujitsu Limited | Explanation of graph-based predictions using network motif analysis |
CN113434756B (zh) | 2021-06-18 | 2022-05-27 | 山东省人工智能研究院 | 基于图双向聚合网络链接预测模型的个性化评论推荐方法 |
CN114884565B (zh) * | 2022-05-30 | 2023-05-09 | 南京大学 | 一种基于通信性能约束的大规模低轨卫星网络拓扑优化方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100205057A1 (en) * | 2009-02-06 | 2010-08-12 | Rodney Hook | Privacy-sensitive methods, systems, and media for targeting online advertisements using brand affinity modeling |
US20130245959A1 (en) * | 2012-03-14 | 2013-09-19 | Board Of Regents, The University Of Texas System | Computer-Implementable Algorithm for Biomarker Discovery Using Bipartite Networks |
US10643135B2 (en) * | 2016-08-22 | 2020-05-05 | International Business Machines Corporation | Linkage prediction through similarity analysis |
US20180089318A1 (en) * | 2016-09-23 | 2018-03-29 | Linkedin Corporation | Two-sided network growth optimization in social networks |
CN110462612A (zh) * | 2017-02-17 | 2019-11-15 | 凯恩迪股份有限公司 | 使用在网络节点处具有软件代理的网络进行机器学习并然后对网络节点进行排名的方法和装置 |
US10361926B2 (en) * | 2017-03-03 | 2019-07-23 | Nec Corporation | Link prediction with spatial and temporal consistency in dynamic networks |
CN107506480B (zh) * | 2017-09-13 | 2020-05-05 | 浙江工业大学 | 一种基于评论挖掘与密度聚类的双层图结构推荐方法 |
CN107833142A (zh) * | 2017-11-08 | 2018-03-23 | 广西师范大学 | 学术社交网络科研合作者推荐方法 |
CN108108854B (zh) * | 2018-01-10 | 2021-08-10 | 中南大学 | 城市路网链路预测方法、系统及存储介质 |
US10650559B2 (en) * | 2018-04-30 | 2020-05-12 | Robert Bosch Gmbh | Methods and systems for simplified graphical depictions of bipartite graphs |
CN108811028B (zh) * | 2018-07-23 | 2021-07-16 | 南昌航空大学 | 一种机会网络链路的预测方法、装置及可读存储介质 |
-
2018
- 2018-11-19 US US16/194,877 patent/US11176460B2/en active Active
-
2019
- 2019-11-18 CN CN201911126664.1A patent/CN111198905B/zh active Active
- 2019-11-19 JP JP2019208500A patent/JP7423998B2/ja active Active
Non-Patent Citations (2)
Title |
---|
SHUANG XIA 他4名: "Link Prediction for Bipartite Social Networks: The Role of Structural Holes", 2012 IEEE/ACM INTERNATIONAL CONFERENCE ON ADVANCES IN SOCIAL NETWORKS ANALYSIS AND MINING, JPN6023036013, August 2012 (2012-08-01), ISSN: 0005143790 * |
中島諒 他2名: "無限関係モデルを用いたツイッターにおけるユーザ属性推定", 第58回システム制御情報学会 研究発表講演会講演論文集[CD-ROM], JPN6023036014, 21 May 2014 (2014-05-21), ISSN: 0005143791 * |
Also Published As
Publication number | Publication date |
---|---|
CN111198905B (zh) | 2024-02-13 |
JP7423998B2 (ja) | 2024-01-30 |
US11176460B2 (en) | 2021-11-16 |
US20200160188A1 (en) | 2020-05-21 |
CN111198905A (zh) | 2020-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Anselin et al. | Operational local join count statistics for cluster detection | |
Tudisco et al. | Node and edge nonlinear eigenvector centrality for hypergraphs | |
Higham et al. | Fitting a geometric graph to a protein–protein interaction network | |
Brohée et al. | Network Analysis Tools: from biological networks to clusters and pathways | |
US9317567B1 (en) | System and method of computational social network development environment for human intelligence | |
JP7423998B2 (ja) | 二部ネットワーク内のミッシングリンクを理解するための視覚分析フレームワーク、方法、プログラム、装置、およびシステム | |
Li et al. | Node-coupling clustering approaches for link prediction | |
US20210174906A1 (en) | Systems And Methods For Prioritizing The Selection Of Targeted Genes Associated With Diseases For Drug Discovery Based On Human Data | |
Li et al. | A diagnostic procedure for high-dimensional data streams via missed discovery rate control | |
Salter-Townshend et al. | Role analysis in networks using mixtures of exponential random graph models | |
Lathabai et al. | Contextual productivity assessment of authors and journals: a network scientometric approach | |
Li et al. | Towards perturbation prediction of biological networks using deep learning | |
US20240078473A1 (en) | Systems and methods for end-to-end machine learning with automated machine learning explainable artificial intelligence | |
Castelletti et al. | Network structure learning under uncertain interventions | |
Khouzani et al. | Identification of the effects of the existing network properties on the performance of current community detection methods | |
Thangaraj et al. | Mgephi: Modified gephi for effective social network analysis | |
Kattis et al. | Modeling epidemics on adaptively evolving networks: a data-mining perspective | |
Jiang et al. | Characterizing dissimilarity of weighted networks | |
Arnold et al. | Likelihood-based approach to discriminate mixtures of network models that vary in time | |
WO2024005980A1 (en) | Domain exploration using sparse graphs | |
Zhao et al. | Understanding missing links in bipartite networks with missbin | |
James et al. | Knowledge graphs and their applications in drug discovery | |
Tran et al. | Inferring sparse networks for noisy transient processes | |
US11069447B2 (en) | Systems and methods for topology-based clinical data mining | |
Ali et al. | Bi-Cluster Based Analysis on Gene Ontology |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200121 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221020 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230828 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230905 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231011 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20231219 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240101 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7423998 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |