不完全检测下的链接预测：面向生态网络的协同过滤
社会与信息网络
2019-10-10 v1
摘要
基于矩阵补全的协同过滤被认为可扩展且对在线服务链接预测（如电影推荐）有效，但无法满足生态网络中链接预测的 challenge。生态网络的一个独特挑战是，由于野外采样难以精确，观测数据受到系统性不完全检测的影响。本工作中，我们提出一个为生态二分网络链接预测定制的全新框架。我们的方法首先纳入 Poisson N-mixture 模型——统计学生态学中广泛用于建模野外采样中单物种不完全检测的框架。尽管其广泛用于单物种分析，该模型从未被考虑用于不同物种间链接预测，或许因为链接预测与 N-mixture 模型推断均具复杂性。通过将 Poisson N-mixture 模型与潜空间中的概率非负矩阵分解（NMF）模型审慎结合，我们针对所关注问题提出了一个直观的统计模型。我们还提供了一种可扩展且保证收敛的优化算法来处理相关的最大似然辨识问题。在合成数据与两个真实世界生态网络数据上的实验结果用于验证我们提出的方法。
引用
@article{arxiv.1910.03659,
title = {Link Prediction Under Imperfect Detection: Collaborative Filtering for Ecological Networks},
author = {Xiao Fu and Eugene Seo and Justin Clarke and Rebecca A. Hutchinson},
journal= {arXiv preprint arXiv:1910.03659},
year = {2019}
}