异构信息网络中邻居分布的预测
社会与信息网络
2015-09-29 v1 物理与社会
摘要
近来，源于异构信息网络的预测问题受到了相当多的关注。本文提出一种新的预测任务，邻居分布预测（Neighbor Distribution Prediction, NDP），旨在预测给定节点的邻居上标签的分布，并对异构信息网络中的许多不同应用具有价值。NDP的挑战主要来自三个方面：邻居分布状态空间的无限性、可用数据的稀疏性，以及如何公平评估预测。为应对这些挑战，我们首先提出用于NDP的演化因子模型（Evolution Factor Model, EFM），其利用本文提出的两种新结构，即邻居分布向量（Neighbor Distribution Vector, NDV）来表示给定节点邻居的状态，以及邻居标签演化矩阵（Neighbor Label Evolution Matrix, NLEM）来分别捕获邻居分布的动态。我们进一步提出了演化因子模型的学习算法。为克服数据稀疏性问题，该学习算法首先对所有节点聚类，并为每个簇而非每个节点学习一个NLEM。为公平评估预测结果，我们提出新度量：虚拟准确率（Virtual Accuracy, VA），其同时考虑了节点的绝对准确率和可预测性。在来自不同领域的三个真实数据集上的大量实验验证了我们所提模型EFM和度量VA的有效性。
引用
@article{arxiv.1506.01760,
title = {Predicting Neighbor Distribution in Heterogeneous Information Networks},
author = {Yuchi Ma and Ning Yang and Chuan Li and Lei Zhang and Philip S. Yu},
journal= {arXiv preprint arXiv:1506.01760},
year = {2015}
}