Katz指标的快速计算以实现链接预测查询的高效处理
社会与信息网络
2019-12-16 v1 机器学习
摘要
网络邻近度计算是各种数据挖掘应用（包括链接预测和协同过滤）中最常见的操作之一。一种常用的网络邻近度度量是Katz指标，其已被证明是性能最佳的基于路径的链接预测算法之一。随着超大规模网络数据库的出现，此类邻近度计算成为这些数据库中查询处理的重要组成部分。因此，人们投入了大量精力开发算法，用于在给定节点对之间或查询节点与网络中其他所有节点之间高效计算Katz指标。在此，我们提出LRC-Katz，一种基于索引和低秩修正来加速基于Katz指标的网络邻近度查询的算法。利用多种超大规模真实网络，我们表明在广泛的参数值范围内LRC-Katz优于现有最快方法——共轭梯度法。我们还表明，Katz指标计算的这一加速可用于大幅提升超大规模网络中链接预测查询的处理效率。受此启发，我们提出了一种利用实际应用中所遇网络模块性的新链接预测算法。我们在链接预测问题上的实验结果表明，基于模块性的算法显著优于最先进的链接预测Katz方法。
引用
@article{arxiv.1912.06525,
title = {Fast Computation of Katz Index for Efficient Processing of Link Prediction Queries},
author = {Mustafa Coskun and Abdelkader Baggag and Mehmet Koyuturk},
journal= {arXiv preprint arXiv:1912.06525},
year = {2019}
}