基于矩阵和张量分解的时间链路预测
数值分析
2013-09-16 v2 数值分析
数据分析、统计与概率
机器学习
摘要
许多学科（如社交网络、网络分析等）的数据是基于链路的，链路结构可用于许多不同的数据挖掘任务。本文考虑时间链路预测问题：给定时间1到T的链路数据，我们能否预测时间T+1的链路？如果我们的数据具有潜在的周期结构，我们能否预测更远的未来，即时间T+2、T+3等的链路？本文考虑随时间演化的二分图，并研究基于矩阵和张量的未来链路预测方法。我们提出了一种基于权重的方法，将多年数据折叠成单个矩阵。我们展示了如何将著名的Katz链路预测方法扩展到二分图，并进一步通过截断奇异值分解以可扩展的方式进行近似。利用数据的CANDECOMP/PARAFAC张量分解，我们说明了利用时间链路数据自然三维结构的有用性。通过多项数值实验，我们证明了尽管问题本身具有难度，但基于矩阵和张量的技术对于时间链路预测都是有效的。此外，我们表明张量技术对于具有变化周期模式的时间数据特别有效。
引用
@article{arxiv.1005.4006,
title = {Temporal Link Prediction using Matrix and Tensor Factorizations},
author = {Daniel M. Dunlavy and Tamara G. Kolda and Evrim Acar},
journal= {arXiv preprint arXiv:1005.4006},
year = {2013}
}