کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
10151038 | 1666105 | 2018 | 14 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
A fusion probability matrix factorization framework for link prediction
ترجمه فارسی عنوان
چارچوب تقسیم ماتریس احتمالی ترکیب برای پیش بینی لینک
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
تجزیه و تحلیل داده ها شبکه، تقارن ماتریس احتمال، پیش بینی پیوند، مدل فیوژن،
ترجمه چکیده
پیش بینی اتصال یک مشکل تحقیق اساسی در تجزیه و تحلیل داده های شبکه است. شبکه ها معمولا دارای معیارهای توپولوژیکی گره به گره هستند و استفاده موثر آنها برای حل مشکل پیشبینی لینک ضروری است. با وجود پیشرفت های قابل توجه، روش های پیش بینی پیوند مبتنی بر متریک معمولا تنها یک ماتریس توپولوژیک را در نظر می گیرند و بنابراین برخی از محدودیت ها در انواع مختلف شبکه ها را نشان می دهد؛ مدل های مبتنی بر تقسیم بندی ماتریکس موجود به طور عمده بر روی مدل سازی ماتریس مجاور شبکه بستگی دارد و این سخت است که مدل سازی این معیارهای توپولوژیکی را که می تواند نقش مهمی در پیش بینی ارتباط داشته باشد، تضمین کند. این مطالعه رویکردهای موثر با ترکیب ماتریس مجاور و برخی از شاخص های کلیدی توپولوژیک در چارچوب فاکتور سازی ماتریس احتمال یکپارچه را توسعه می دهد. در این روشها نه تنها معیارهای متقارن بلکه معیارهای نامتقارن را نیز مورد توجه قرار می دهیم که معمولا در کار مربوطه مورد توجه قرار نمی گیرند. در چارچوب تقسیم بندی ماتریس احتمال ما ابتدا دو مدل همجوشی با دو نوع متریک ارائه می کنیم و براساس مدل های همجوشی، مدل های فیوژن نهایی را ارائه می کنیم که به طور همزمان دو نوع معیار را با هم مخلوط می کنند. برای بررسی عملکرد تمام مدل های همجوشی، ما آزمایش هایی را با شش شبکه مستقیم انجام می دهیم و شش مسیر غیر مستقیم را انجام می دهیم و آزمایش های گسترده نشان می دهد که مدل های پیشنهادی عملکرد پیش بینی کننده چشمگیر برای پیش بینی لینک ها را ارائه می دهند.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
هوش مصنوعی
چکیده انگلیسی
Link prediction is a fundamental research problem in network data analysis. Networks usually contain rich node-to-node topological metrics and their effective use is crucial to solve the link prediction problem. Despite significant advances, the existing metric-based link prediction methods usually only consider one single topological metric and thus show some limitations in different types of networks; the existing matrix factorization-based models mainly focus on modeling the adjacent matrix of a network, and this is hard to ensure the modeling of those topological metrics that can play an important role in link prediction. This study develops effective approaches by fusing the adjacent matrix and some key topological metrics in a unified probability matrix factorization framework. In these approaches, we consider not only the symmetric metrics but also the asymmetric metrics which are usually not taken into consideration in the related work. In our probability matrix factorization framework, we first present two fusion models by fusing two kinds of metrics respectively, and based on the fusion models, we put forward the final fusion models which fuse the two kinds of metrics simultaneously. To verify the performance of all the fusion models, we conduct the experiments with six directed networks and six undirected ones, and the extensive experiments show that the proposed models provide impressive predicting performance for link prediction.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Knowledge-Based Systems - Volume 159, 1 November 2018, Pages 72-85
Journal: Knowledge-Based Systems - Volume 159, 1 November 2018, Pages 72-85
نویسندگان
Zhiqiang Wang, Jiye Liang, Ru Li,