基于网络表示学习的链路预测算法研究

发布时间：2024-01-12 08:27

　　随着网络科学的飞速发展,链路预测逐渐成为复杂网络领域中的重要课题。链路预测算法是通过复杂网络结构信息及节点间相似性,对网络中不相连的节点间可能产生边缘的概率进行预测。网络表示学习可以将复杂网络映射至低维向量空间,很好地捕捉网络的拓扑结构性质,降低算法的时间复杂度以及空间复杂度。本文以网络表示学习为基础在同构网络数据集和异构网络数据集上进行链路预测算法相关研究,主要内容如下:(1)传统的链路预测算法多数是基于网络的邻接矩阵进行设计的。此类算法计算复杂度较高,无法保留网络的高阶结构特性,且存在因随机初始化而陷入局部最小值的风险。因此,本文提出一种生成对抗式分层网络表示学习的链路预测算法(GAHNRL)。首先根据网络图的一阶邻近性和二阶邻近性,递归地对网络图进行边缘折叠和节点合并,形成逐层规模变小的子网络图。其次,使用Node2vec算法对规模最小的子网络图进行预处理,并将预处理结果输入到生成对抗网络模型中,学习到最小子网络图节点的低维向量表示。再次,将学习到的最小子网络图节点的低维向量表示,输入至上一层子网络的生成对抗网络模型中,学习上一层子网络图节点的低维向量表示。按照此方法进行逐层向上...

【文章页数】：64 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景与意义
    1.2 链路预测算法的国内外研究现状
        1.2.1 基于相似性的链路预测算法
        1.2.2 基于最大似然估计的链路预测算法
        1.2.3 基于机器学习的链路预测算法
    1.3 本文研究内容及主要贡献
    1.4 本文的章节安排
第二章 相关理论与技术概述
    2.1 网络概述
        2.1.1 网络的定义
        2.1.2 网络的类型及表示
        2.1.3 复杂网络定义及性质
    2.2 网络的拓扑结构性质
        2.2.1 度、平均度与网络密度
        2.2.2 度分布与度异质性
        2.2.3 联合概率分布
        2.2.4 路径与连通性
        2.2.5 距离、平均距离
        2.2.6 直径
        2.2.7 聚类系数
    2.3 链路预测概述
        2.3.1 问题描述
        2.3.2 数据划分
        2.3.3 评价指标
        2.3.4 经典算法介绍
    2.4 本章小结
第三章 生成对抗式分层网络表示学习的链路预测算法
    3.1 相关工作
    3.2 算法描述
        3.2.1 定义描述
        3.2.2 算法框架
        3.2.3 网络图分层
        3.2.4 Embed GAN网络框架
        3.2.5 GAHNRL算法
        3.2.6 复杂度分析
    3.3 实验结果分析
        3.3.1 实验数据集
        3.3.2 评价标准
        3.3.3 实验设置
        3.3.4 结果分析
    3.4 本章小结
第四章 场景驱动异构网络表示学习的链路预测算法
    4.1 相关工作
    4.2 算法描述
        4.2.1 定义描述
        4.2.2 算法框架
        4.2.3 场景生成算法
        4.2.4 场景向量表示的学习
        4.2.5 节点向量表示的学习
        4.2.6 Scene2vec算法
        4.2.7 复杂度分析
    4.3 实验结果分析
        4.3.1 实验数据集
        4.3.2 评价标准
        4.3.3 实验设置
        4.3.4 实验结果分析
    4.4 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
致谢
参考文献
附录 :作者在攻读硕士学位期间发表的论文



本文编号：3877877