网络排序与链接预测中随机游动的监督与扩展重启
社会与信息网络
2017-10-19 v1 物理与社会
摘要
给定一个现实世界的图，如何衡量用于排序和链接预测的相关性得分？带重启的随机游动 (RWR) 为此提供了极好的度量，并已应用于好友推荐、社区检测、异常检测等各种应用。然而，RWR 存在两个问题：1) 对所有节点使用相同的重启概率限制了随机游动的表达能力；2) 重启概率需要为每个应用手动选择，缺乏理论依据。本文主要有两点贡献。首先，我们提出了带扩展重启的随机游动 (RWER)，这是一种基于随机游动的度量，通过为每个节点使用不同的重启概率来提高随机游动的表达能力。提高的表达能力带来了更优越的排序和链接预测精度。其次，我们提出了 SuRe (Supervised Restart for RWER)，这是一种从给定图中学习 RWER 重启概率的算法。SuRe 消除了启发式和手动选择 RWER 重启参数的需要。大量实验表明，我们提出的方法在排序和链接预测任务中提供了最佳性能，在最佳竞争对手的基础上将 MAP (Mean Average Precision) 提高了高达 15.8%。
引用
@article{arxiv.1710.06609,
title = {Supervised and Extended Restart in Random Walks for Ranking and Link Prediction in Networks},
author = {Woojeong Jin and Jinhong Jung and U Kang},
journal= {arXiv preprint arXiv:1710.06609},
year = {2017}
}