利用局部链接、节点特征与社区结构的判别式链接预测
机器学习
2013-10-18 v1 社会与信息网络
物理与社会
摘要
链接预测（LP）算法接收一个图，并必须为每个节点对其他可能形成新链接的候选节点进行排序。链接预测深受社交搜索和推荐应用的驱动。LP 技术通常关注全局属性（如图电导率、命中时间或通勤时间、Katz 分数）或局部属性（Adamic-Adar 及其许多变体，或节点特征向量），但很少结合这些信号。此外，这两种极端方法均未利用社区中间层面的链接密度。在本文中，我们描述了一种利用两种新信号的判别式 LP 算法。首先，共聚类算法提供社区层面的链接密度估计，用于通过惊喜值（surprise value）来限定观测到的链接。其次，待预测链接紧邻邻域内的链接不被直接采信，而是通过节点特征相似性的局部模型进行解读。这些信号被组合成一个判别式链接预测器。我们使用文献中标准的五个多样化数据集对新预测器进行了评估。报告显示，与标准 LP 方法（包括 Adamic-Adar 和随机游走）相比，准确率有显著提升。除了新预测器外，另一项贡献是建立了一套用于基准测试和报告 LP 算法的严格协议，该协议揭示了所有所研究预测器的优势与劣势区域，并确立了新提案为最稳健的方法。
引用
@article{arxiv.1310.4579,
title = {Discriminative Link Prediction using Local Links, Node Features and Community Structure},
author = {Abir De and Niloy Ganguly and Soumen Chakrabarti},
journal= {arXiv preprint arXiv:1310.4579},
year = {2013}
}
备注
10 pages, 5 figures