利用局部与全局特征改进社交网络链路预测：一种基于聚类的方法
人工智能
2023-05-18 v1 社会与信息网络
摘要
链路预测问题在社交网络分析、生物信息学实验、交通网络、犯罪调查等众多领域日益突出。针对链路预测问题已发展出多种技术，可归类为：1）基于相似性的方法，研究一组特征以提取相似节点；2）基于学习的方法，从输入数据中提取模式；3）概率统计方法，优化一组参数以建立能最佳计算形成概率的模型。然而，现有文献缺乏通过整合各类方法的优势以实现更高效能的方法。为解决链路预测问题，我们提出一种基于第一类和第二类方法组合的途径；现有研究仅使用其中某一类。我们开发的两阶段方法首先确定与节点位置和动态行为相关的新特征，相较于仅使用单一测度的方法，这提升了效率。随后，应用子空间聚类算法基于计算出的相似性测度对社交对象进行分组，以区分聚类的强度；基本上，局部和全局指标以及聚类信息在我们的链路预测过程中起着至关重要的作用。在包括 Facebook、Brightkite 和 HepTh 在内的真实数据集上进行的大量实验表明，我们提出的方法具有良好的性能。此外，我们通过实验将该方法与该领域的一些先前技术进行了比较，证明了我们方法的优越性。
引用
@article{arxiv.2305.10257,
title = {Improving Link Prediction in Social Networks Using Local and Global Features: A Clustering-based Approach},
author = {Safiye Ghasemi and Amin Zarei},
journal= {arXiv preprint arXiv:2305.10257},
year = {2023}
}