二分网络相似性度量的稳定性
物理与社会
2015-12-07 v1 社会与信息网络
摘要
相似性是网络分析和机器学习算法中的基本度量，其广泛应用从个性化推荐到社会经济动态。我们认为，有效的相似性度量应保证即使在部分信息丢失下也具有稳定性。利用六个二分网络，我们通过比较从原始数据集中随机划分出的两个数据样本的相似性矩阵，研究了十五种相似性度量的稳定性。结果表明，根据稳定性可将这十五种度量很好地分为三类，且同一类中的度量具有相似的数学定义。此外，我们提出了一种用于个性化推荐的 top-稳定性方法(top--stability method)，发现不稳定的相似性会向用户推荐错误信息，而使用稳定的相似性度量可大幅改善推荐性能。该工作提供了一个分析和评估相似性度量的新维度，可进一步应用于链接预测、个性化推荐、聚类算法、社区发现等。
引用
@article{arxiv.1512.01432,
title = {Stability of similarity measurements for bipartite networks},
author = {Jian-Guo Liu and Lei Hou and Xue Pan and Qiang Guo and Tao Zhou},
journal= {arXiv preprint arXiv:1512.01432},
year = {2015}
}
备注
11 pages, 5 figures