基于链路预测的网络节点中心性预测研究
这是一篇关于复杂网络,链路预测,推荐系统,协同过滤,边介数的论文, 主要内容为链路预测作为复杂网络中挖掘和预测缺失信息的方法,越来越受到人们的重视。尽管研究人员提出了各式各样的链路预测算法,但是对不同连边预测精度的差异性缺乏系统的研究。同时,在复杂网络节点未来度增量的研究中,目前基于偏好依附的流行度预测算法并不能很好的解决网络中新节点的流行度预测问题。本文旨在厘清复杂网络链路预测的精度分布特征,并通过聚合链路的预测结果实现对于节点未来度中心性的预测。本文的主要工作如下:(1)传统的链路预测值关注预测AUC的平均值,在本研究中,本文系统的分析了对测试集中每一条边的AUC,发现预测结果表现出显著的两级分化现象。通过进一步分析,本文发现对于那些网络中小度节点之间的连边的预测整体都很差,甚至低于随机预测的精度;而大度节点之间的连边的预测结果则非常高,接近于1。这个研究结果揭示了目前链路预测算法预测结果的异质性,同时为链路预测算法提供了改进的方向。(2)基于链路预测算法得到的连边未来出现的可能性,本文提出了一种基于链路预测的节点度增量预测算法,通过将连边出现可能性聚合从而实现对节点度增量的预测。本文系统的测试了14种链路预测的算法。实验表明,本文提出的方法能较为准确的预测节点度增量。研究中,本文发现度大的节点预测精度较高,度小的节点预测精度较低。该结果也揭示了在链路预测中,大度节点的预测精度比小度节点更可靠,验证了链路预测精度的异质性。(3)由于推荐系统本质上是二部图网络的链路预测,本文将网络节点中心性的预测方法推广到推荐系统中。目前对物品流行度预测的方法主要是偏好依附。偏好依附基于物品的历史流行度来预测未来流行度,而偏好依附通常对于大度节点有比较好的预测结果,但是对于小度节点,尤其是那些度相同的商品则完全没有失效。针对偏好依附的这些缺陷,本文基于协同过滤算法提出了一种基于推荐的流行度预测方法,通过结合每个用户的偏好和用户活跃度来预测物品未来流行度。实验表明,该方法在预测小度或度相同的物品未来流行度方面明显优于基于偏好依附的流行度预测方法。
基于信任度的社交关系挖掘系统
这是一篇关于社交网络,信任度,隐私保护,模糊计算,链路预测的论文, 主要内容为近年来,随着互联网的蓬勃发展,越来越多的用户在互联网上频繁地进行交流与互动,促进了社交平台的快速发展。但是,社交平台中海量的信息、庞大的用户数量使得用户无法快速、准确地寻找到感兴趣的“朋友”,这极大地提高了用户寻找新“朋友”的成本,也降低了用户对社交平台的使用体验。针对这一问题,社交关系挖掘系统应运而生,它通过利用社交网络中用户的信息,能够有效地挖掘社交网络中用户间的社交关系,进而向目标用户推荐可能关注的用户,降低信息过载对用户造成的影响。尽管社交网络已大量应用推荐算法来挖掘用户间的社交关系,但是在实际应用中仍面临着许多挑战,具体表现如下:(1)在挖掘社交关系的过程中,系统往往需要多次调用用户信息,频繁地访问用户信息极易泄露用户的隐私评分信息,由此给用户造成损失等,极大地降低了用户使用社交平台的意愿,造成用户的大量流失。(2)社交平台的快速发展使得用户间的社交关系变得复杂多样,用户希望能够发现新的“朋友”,然而传统的社交关系挖掘方法无法区分用户间是“朋友”关系还是“敌人”关系,使得推荐结果不一定准确。针对上述问题,本文对传统的社交关系挖掘方法进行改进,提出了一种基于Simhash的链路预测方法来挖掘用户间的社交关系及类型,并将研究成果应用于社交关系挖掘系统中。本文主要在以下几个方面展开了研究工作:(1)首先,本文利用链路预测方法,通过对用户的行为进行分析,获取用户的兴趣偏好信息,进而预测用户间潜在的及尚未连接的社交关系。针对社交网络中的用户隐私保护问题,本文在链路预测方法中应用Simhash技术,将高维的用户评分信息映射为低维的布尔值特征向量,有效地保护了用户的隐私评分信息,提高了用户对社交网络的使用体验。(2)其次,本文使用“信任度”[1]的概念来区分社交关系类型,通过模糊计算模型依据用户评分信息计算得到用户间的信任度,当信任度为正时用户间是信任关系,即“朋友”,反之则是不信任关系,即“敌人”,最终向目标用户推荐有信任关系的用户。为了验证改进方法的可行性和有效性,本文基于现实世界中真实的Epinions数据集设计和实现对比实验,最终证明了本方法是切实可行且有优势的。(3)最后,完成社交关系挖掘系统的开发。在(1)和(2)的研究成果上,基于B/S架构模式,根据对系统可行性和用户需求的分析,本文设计和实现了一套社交关系挖掘系统。本文在Py Charm开发环境下使用Python编程语言和Django开发框架实现社交关系挖掘系统的各个功能模块,进而通过基于Simhash的链路预测方法挖掘新的社交关系并计算用户间的信任度,使得社交关系挖掘系统能够更加及时、精准地向用户推荐信任度为正的“朋友”,为用户提供良好的使用体验。
知识图谱引导的社交网络账号分类与链路预测方法研究
这是一篇关于账号分类,链路预测,知识图谱,图卷积网络,注意力机制的论文, 主要内容为人类社会步入信息时代后,在线社交网络规模与普及率不断上升,已成为个人必不可少的交流、分享工具。由于社交网络中蕴含丰富的数据,能够提供海量实时的高价值信息并反映人类社会活动规律,受到了学术界与工业界的广泛关注。社交网络账号分类与链路预测是社交网络分析的重要内容,也是当前社会信息学领域的研究热点。这两项任务有助于发掘社交网络数据中有价值的信息,为社交账号的管理提供便利,以及为智能搜索、相似推荐和社交网络管理赋予强大支撑。针对目前社交网络账号分类和链路预测研究中考虑的信息维度单一、不充分且缺乏可解释性等问题,本文基于充分利用和表征社交网络丰富异质信息的思路开展研究,主要工作和贡献概括如下:(1)针对传统社交网络分析中图结构数据表示类型单一,难以充分表征社交网络中的复杂多维信息的问题,开展社交网络知识图谱构建方法研究。充分利用多种本文分析方法和知识图谱构建相关技术,构建完备的社交网络知识图谱,为挖掘账号之间的丰富关联提供基础。(2)针对因社交网络数据不完备、不确定性高等特定导致账号之间相似性度量不准确的问题,提出知识路径引导的社交网络账号分类方法。提出知识路径的新概念,挖掘社交网络中具有高价值的路径关系,并进一步提出基于知识路径的账号相似度指标,相较于传统的相似度指标更能准确衡量社交账号的关联程度。最后,为克服传统图卷积网络在社交网络场景下应用的缺陷,本文提出知识路径引导的社交网络账号分类方法,以达到更准确的账号分类效果。(3)针对社交网络异质关联关系利用率低导致的链路预测准确率不高的问题,提出基于知识路径注意力机制的社交网络链路预测方法。通过多种知识路径将社交网络知识图谱分解成多个账号关联子视图,并引入注意力机制进行多视图的特征融合,最后计算链路得分并进行预测。相较于传统的链路预测方法,该方法利用知识路径抽取账号之间多维度的关联关系,并能自动计算各种关系对链路预测效果的贡献,克服了传统启发式算法的表达局限性。
基于信任度的社交关系挖掘系统
这是一篇关于社交网络,信任度,隐私保护,模糊计算,链路预测的论文, 主要内容为近年来,随着互联网的蓬勃发展,越来越多的用户在互联网上频繁地进行交流与互动,促进了社交平台的快速发展。但是,社交平台中海量的信息、庞大的用户数量使得用户无法快速、准确地寻找到感兴趣的“朋友”,这极大地提高了用户寻找新“朋友”的成本,也降低了用户对社交平台的使用体验。针对这一问题,社交关系挖掘系统应运而生,它通过利用社交网络中用户的信息,能够有效地挖掘社交网络中用户间的社交关系,进而向目标用户推荐可能关注的用户,降低信息过载对用户造成的影响。尽管社交网络已大量应用推荐算法来挖掘用户间的社交关系,但是在实际应用中仍面临着许多挑战,具体表现如下:(1)在挖掘社交关系的过程中,系统往往需要多次调用用户信息,频繁地访问用户信息极易泄露用户的隐私评分信息,由此给用户造成损失等,极大地降低了用户使用社交平台的意愿,造成用户的大量流失。(2)社交平台的快速发展使得用户间的社交关系变得复杂多样,用户希望能够发现新的“朋友”,然而传统的社交关系挖掘方法无法区分用户间是“朋友”关系还是“敌人”关系,使得推荐结果不一定准确。针对上述问题,本文对传统的社交关系挖掘方法进行改进,提出了一种基于Simhash的链路预测方法来挖掘用户间的社交关系及类型,并将研究成果应用于社交关系挖掘系统中。本文主要在以下几个方面展开了研究工作:(1)首先,本文利用链路预测方法,通过对用户的行为进行分析,获取用户的兴趣偏好信息,进而预测用户间潜在的及尚未连接的社交关系。针对社交网络中的用户隐私保护问题,本文在链路预测方法中应用Simhash技术,将高维的用户评分信息映射为低维的布尔值特征向量,有效地保护了用户的隐私评分信息,提高了用户对社交网络的使用体验。(2)其次,本文使用“信任度”[1]的概念来区分社交关系类型,通过模糊计算模型依据用户评分信息计算得到用户间的信任度,当信任度为正时用户间是信任关系,即“朋友”,反之则是不信任关系,即“敌人”,最终向目标用户推荐有信任关系的用户。为了验证改进方法的可行性和有效性,本文基于现实世界中真实的Epinions数据集设计和实现对比实验,最终证明了本方法是切实可行且有优势的。(3)最后,完成社交关系挖掘系统的开发。在(1)和(2)的研究成果上,基于B/S架构模式,根据对系统可行性和用户需求的分析,本文设计和实现了一套社交关系挖掘系统。本文在Py Charm开发环境下使用Python编程语言和Django开发框架实现社交关系挖掘系统的各个功能模块,进而通过基于Simhash的链路预测方法挖掘新的社交关系并计算用户间的信任度,使得社交关系挖掘系统能够更加及时、精准地向用户推荐信任度为正的“朋友”,为用户提供良好的使用体验。
基于动态异质网络表示学习的链路预测方法研究与应用
这是一篇关于网络表示学习,链路预测,元路径,多层注意力,动态异质网络的论文, 主要内容为网络表示学习的目标是在有效保留网络信息的前提下将节点映射到低维向量空间进行表示,从而支撑网络数据挖掘的众多下游任务,如链路预测、节点分类等。网络表示学习已经成为网络分析领域的研究热点。现有的网络表示学习方法主要面向静态同质网络进行设计,然而现实世界中的网络通常是包含多种类型节点和链路的异质网络且网络结构随时间不断变化的动态网络,如电商网络、社交网络等。静态同质网络建模方法忽略了异质网络中丰富的语义信息和动态网络中的时序演化信息,难以学习到全面而有效的网络嵌入。此外,现实世界中普遍存在的网络稀疏性问题使得基于邻域聚合的网络表示学习方法难以捕获足够的邻域特征从而影响模型的实际应用效果。针对上述网络表示学习领域存在的问题,本文面向链路预测任务提出了一种基于元路径增强视图与多层注意力机制的动态异质网络表示学习模型Dy HAMP(Dynamic Heterogeneous Network Representation Learning Using Hierarchical Attention with Meta-path Enhanced View for Link Prediction)。该模型首先使用元路径增强视图模块对原始网络关系视图进行增强以得到更为稠密的网络数据,然后基于多层注意力模块提取增强网络中丰富的信息从而学习有效的网络嵌入,最后使用网络嵌入作为样本特征训练二分类器完成链路预测任务。Dy HAMP具体解决了以下问题:针对网络稀疏性问题,在元路径增强视图模块中通过添加辅助链路的方式将相应元路径实例上的节点引入到起始节点的一阶邻域从而增加网络链路数,提升网络稠密度;针对网络信息丢失问题,基于动态异质图进行网络数据建模以保留复杂网络中丰富的信息并基于多层注意力模块完成信息捕获,该模块中的结构注意力层用于捕获局部结构特征,视图注意力层用于捕获语义信息,时序注意力层用于捕获时序演化信息。本文在多个电商网络数据集和社交网络数据集上进行了广泛的对比实验。结果表明,Dy HAMP在链路预测任务的核心指标上优于多个主流模型。此外,本文设计了多组参数敏感性分析实验和消融实验,分析了核心超参数对模型的影响并验证了元路径增强视图模块和多层注意力模块的有效性。最后,基于Dy HAMP,本文设计并实现了一个直播电商商品推荐原型系统,为直播电商平台提供了一种新颖的推荐系统解决方案。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码导航 ，原文地址：https://m.bishedaima.com/lunwen/47818.html
