DeepLink：一种基于深度学习的新型链接预测框架
社会与信息网络
2018-07-30 v1 机器学习
机器学习
摘要
近来，链接预测吸引了计算机科学、生物信息学与经济学等多学科的更多关注。在该问题中，基于网络拓扑、档案信息与用户生成内容等大量信息来发现节点间未知链接。以往多数研究聚焦于网络的结构特征。而近期研究表明上下文信息可改变网络拓扑。尽管已有若干结合结构与内容信息的宝贵研究，但因特征工程它们面临可扩展性问题。因为多数提取特征由监督或半监督算法获得。此外，现有特征不够通用，难以在具有异构结构的不同网络上表现良好。况且，以往多数研究针对无向无权网络。本文提出一种基于深度学习技术的名为“DeepLink”的新型链接预测框架。与以往无法自动提取最优链接预测特征的研究不同，深度学习减少了人工特征工程。该框架同时利用节点的结构与内容信息。其可使用由各类链接预测方法准备的不同结构特征向量。在结构特征学习过程中，它考虑网络中呈现的所有邻近阶数。我们在包括 Telegram 与 irBlogs 的两个真实社交网络数据集上评估了 DeepLink 的性能。在这两个数据集上，所提框架均优于若干用于链接预测问题的结构性与混合方法。
引用
@article{arxiv.1807.10494,
title = {DeepLink: A Novel Link Prediction Framework based on Deep Learning},
author = {Mohammad Mehdi Keikha and Maseud Rahgozar and Masoud Asadpour},
journal= {arXiv preprint arXiv:1807.10494},
year = {2018}
}
备注
19 pages, 9 figures