基于特征分類的鏈路預測算法及模型綜述

2755779 2021-05-18 | pdf | 2.65 MB | 次下載 | 免費

資料介紹

　　復雜網絡鏈路預測作為網絡科學研究中一個重要的研究方向，受到了越來越多來自各個學科領域專家的關注，它可以利用現有的網絡信息，如節點和邊緣的特征，來預測未來可能形成的關系、網絡中缺失的信息以及新的或正在消失的信息，識別虛假交互，評估網絡演化機制，進行網絡重構等。當前鏈路預測的文獻主要來自工程學、計算機科學與物理學的專家，它們各自為政，缺少合作，結合多學科進行鏈路預測的綜述論文少之又少。因此，文中從計算機科學和物理學的視角全面回顧、分析和討論基于特征分類的鏈路預測算法的硏究進展，介紹了該領堿專家們提岀的多種特征提取技術，首次把分層的思想引入鏈路預測算法分類中，將分類模型分為3層，即元數據層、特征分類層和特征抽取層。該分類模型包括“2個大塊7個方面”，即把常用的鏈路預測算法分為2個大塊（特征提取方法和特征學習方法）和7個方面（基于相似性的方法、基于似然分析的方法、基于概率模型的方法、矩陣分解方法、基于隨機游走的方法、基于神經網絡的方法和基于自定義損失函數的方法）。該分類方法覆蓋了各學科中許多經典的和最新的鏈路預測技術，包括當前最流行的圖神經網絡鏈路預測技術GNN（ Graph Neural Network），GCN（ Graph Convolutional Network），RNN（ Recurrent Neural Network）和RL（ Reinforcement learning）。文中研究了這些算法的模型復雜性和預測性能的差異，并對當前鏈路預測技術未來所面臨的挑戰進行了討論。