基于模体演化的多因子动态链路预测方法

为了提高动态网络链路预测准确率,从网络结构微观演化角度,提出基于模体演化的多因子动态链路预测方法(MFME)。在动态网络时间窗口划分优化的基础上,引入整合移动平均自回归模型构建预测模体演化的概率矩阵,综合考虑模体演化影响因子及模体演化概率,可获得任意节点间的连接边概率。在真实数据集的实验表明,所提方法能达到更好的链路预测效果。

基于局部信息相似性的学科引证知识扩散动态链路预测研究

在知识经济时代,学科知识的传播与扩散促进了学科的协同、交叉、融合、发展与创新。文章利用复杂网络算法对学科引证知识扩散时序演化网络进行动态链路预测分析,以期探索学科知识流动结构变化及演进态势,为学科知识管理及决策制定提供可资借鉴的理论和实践参考。文章以学科引证知识扩散时序演化网络结构信息为基础,采用10项基于局部信息的相似性指标分别对无权和加权知识扩散网络进行动态链路预测分析,并将各指标的预测性能进行了对比。最后,利用无权RA指标和加权AA指标对学科引证知识扩散态势进行了预测。研究表明:不同指标的预测精度在不同的时间段内会动态变化;在学科引证知识扩散网络中,存在一定程度的弱连接效应;不同链路预测指标在无权和加权学科引证知识扩散网络中的适用性存在一定差异。

基于时空正则化流的动态链路预测

动态图作为图的一个重要分支,对节点间关系的动态变化过程具有良好的表达能力.利用动态图对实际关系网络进行建模,并动态预测未来时刻节点间的链路关系成为当前研究热点.然而,由于弱关系现象的存在,加权网络中的动态链路预测面临着重大挑战.针对这一问题,本文提出了一种基于正则化流的方法DynWFlow(dynamic weight flow).该方法能够从生成角度出发,自适应地评价节点间链路信息的重要性,从而精准地进行链路特征的抽取,有效地解决了动态链路预测问题.特别地,对于弱关系情况,提出利用邻居节点集权重的相似程度来评估不同链接关系的重要程度,实现对节点间隐含关系的进一步捕获.在多个领域大量真实数据的实验结果表明,所提出的基于正则化流的动态链路预测方法DynWFlow的性能明显优于其他预测算法.

基于时序模体注意力图卷积的动态网络链路预测算法

时序网络中的动态链路预测旨在基于历史连边信息预测未来会产生的连边,是网络分析的重要组成部分,具有极大的理论研究价值和广阔的应用场景。针对现有的动态链路预测算法大多基于一阶连边关系预测未来连边,忽略了对高阶的拓扑信息和时序通联信息的挖掘和利用问题,提出一种基于时序模体注意力图卷积的动态链路预测算法。首先,提出一种时序模体邻接矩阵构建算法,利用时序模体抽取节点间的高阶拓扑和时序关系信息;然后利用隐式调节过程对网络演化过程进行建模,并使用时序模体邻接矩阵作为传输矩阵的图卷积神经网络学习节点的低维向量表示并进行迭代更新;最后以节点间表示向量作为输入,通过计算连边发生的条件密度函数值作为依据完成动态链路预测。在多个真实时序网络数据集上的实验结果表明,所提算法可有效挖掘节点间的高阶拓扑和时序信息,提高动态链路预测效果。

强弱连接对学科引证知识扩散动态链路预测的影响研究

[目的/意义]强弱连接是影响学科引证知识扩散动态链路预测的重要因素之一。学科知识扩散强弱引证连接相互协同、相互影响,共同促进了学科间的知识交流、融合与创新。学科引证知识扩散动态链路预测中强弱连接效应的探索,可为强弱连接理论应用场景的拓展,学科引证知识扩散行为微观演化规律的揭示以及动态链路预测算法指标的评价、设计与优化提供理论与实践参考。[方法/过程]依托内外协同的思路理念,构建一种外部网络结构调控与内部微观演化机理剖析相结合的动态链路预测强弱连接效应探测方法,分别从学科引证知识关联权重调节、连边失效触发以及强弱连接模体分析三个维度,对基于共同邻居相似性的学科引证知识扩散动态链路预测中的强弱连接效应问题进行探讨。[结果/结论]强连接在学科引证知识扩散网络演化及动态链路预测过程中扮演着更加重要的角色;链路预测中的强弱连接现象不仅与学科引证关联权重有关,还会受到共同邻居数目以及网络微观模体结构的影响;知识宿学科的吸纳融合能力相对于知识源学科的溢出辐射能力来说,在新连边衍生过程中的主导地位更加突出。

基于双层时序的动态社交网络链路预测

现实世界中存在大量网络图信息,其中社交网络实体间交互的动态性和复杂性使得动态图链路预测成为了一项更具有挑战性的任务。传统基于图神经网络的动态链路方法由于过平滑性往往只关注图中局部特征,难以获取图中实体的全面性信息,并且发现在社交网络中的连通接近性对未来链路预测是有利的。为了解决以上挑战,本文设计了双层时序模型Bi-GTGNN。首先提取每个快照的子图,并将每个快照的子图集抽象为时序序列,然后设计全局时序图神经网络提取图的全局信息并生成快照表示。其次,将每个时间戳的快照表示输入到LSTM中进一步提取时序信息,并设计了新颖的损失函数训练具有连通接近性的图嵌入。最后将具有时序信息的图嵌入用于链路预测。在五个数据集上进行了大量实验,结果表示Bi-GTGNN性能优于其它先进的baseline模型。

基于对比学习的全局增强动态异质图神经网络

图神经网络由于其对图结构数据的强大表征能力近年来受到广泛关注.现有图神经网络方法主要建模静态同质图数据,然而现实世界复杂系统往往包含多类型动态演化的实体及关系,此类复杂系统更适合建模为动态异质图.目前,动态异质图表示学习方法主要集中于半监督学习范式,其存在监督信息昂贵和泛化性较差等问题.针对以上问题,提出了一种基于对比学习的全局增强动态异质图神经网络.具体地,所提网络首先通过异质层次化注意力机制根据历史信息来生成未来的邻近性保持的节点表示,然后通过对比学习最大化局部节点表示和全局图表示的互信息来丰富节点表示中的全局语义信息.实验结果表明,提出的自监督动态异质图表示学习方法在多个真实世界数据集的链路预测任务上的AUC指标平均提升了3.95%.

A dynamic logistic regression for network link prediction

In social network analysis, link prediction is a problem of fundamental importance. How to conduct a comprehensive and principled link prediction, by taking various network structure information into consideration,is of great interest. To this end, we propose here a dynamic logistic regression method. Specifically, we assume that one has observed a time series of network structure. Then the proposed model dynamically predicts future links by studying the network structure in the past. To estimate the model, we find that the standard maximum likelihood estimation(MLE) is computationally forbidden. To solve the problem, we introduce a novel conditional maximum likelihood estimation(CMLE) method, which is computationally feasible for large-scale networks. We demonstrate the performance of the proposed method by extensive numerical studies.