重新审视复杂网络中簇结构在链接预测任务中的积极作用
社会与信息网络
2022-11-29 v2 人工智能
摘要
聚类是网络分析中的基本问题，旨在发现紧密连接的节点组并将其与图中其他节点分离，而链接预测则是预测网络中两个节点是否可能有连边。两者的定义自然决定了聚类在获得准确的链接预测任务中必然发挥积极作用。然而研究者长期忽视或以不恰当的方式破坏了这种正向关系。在本文中，我们构建了一个简单而高效的聚类驱动链接预测框架（ClusterLP），旨在直接利用簇结构，在无向图和有向图中尽可能准确地获取节点间的连接。具体而言，我们提出在无向图中，具有相似表示向量与簇倾向的节点之间更容易建立连边；而在有向图中，节点更容易指向与其表示向量相似且在其自身簇中具有更大影响力的节点。我们分别针对无向图和有向图定制了 ClusterLP 的实现，并在链接预测任务上使用多个真实网络进行的实验表明，我们的模型与现有基线模型相比极具竞争力。ClusterLP 及我们所使用基线的代码实现可在 https://github.com/ZINUX1998/ClusterLP 获取。
引用
@article{arxiv.2211.02396,
title = {Rethinking the positive role of cluster structure in complex networks for link prediction tasks},
author = {Shanfan Zhang and Wenjiao Zhang and Zhan Bu},
journal= {arXiv preprint arXiv:2211.02396},
year = {2022}
}
备注
15 pages, 6 figures