基于对偶图正则化非负矩阵分解的链路预测

现存大部分链路预测方法仅考虑单类型网络结构信息,无法同时保持一阶、局部和全局结构信息,导致预测精度下降.针对以上不足,提出对偶正则化非负矩阵分解的链路预测模型,同时保持一阶、局部和全局结构信息.首先,将无向无权的邻接矩阵映射到低维潜在空间保持网络一阶结构;其次,利用随机游走方法捕获整个网络节点相似度,再启用图正则化技术保持全局结构;此外,利用杰卡尔德系数获得局部相似度去探索网络局部结构;最后,将一阶、局部和全局结构信息相融合构建统一链路预测模型,并启用迭代更新规则学习模型参数获得局部最优.在6个真实网络上进行实验,运用AUC(areas under curve)和AUPR(areas under precision-recall)度量对所提模型进行评估,实验结果表明AUC和AUPR值分别提升了3.1%和8.9%.

基于稀疏约束和对偶图正则化的受限概念分解算法及在数据表示中的应用

概念分解算法(CF)是一种经典的数据表达方式,已经被广泛使用于机器视觉、模式识别等领域。基本的CF方法是一种无监督的学习算法,无法利用数据中存在的先验知识,没有考虑数据空间流形和特征空间流形的几何结构信息,同时分解结果也不具有稀疏性。为了解决以上缺陷,本文提出了一种基于稀疏约束和对偶图正则化的受限概念分解算法(DCCFS)。该算法通过保持样本数据空间和特征空间中内蕴的几何结构信息不变,使得算法可以更加有效提取数据的特征,增强了算法的数据表达能力;利用数据中天然存在的类别性息,增强算法的鉴别能力;添加LP平滑范数提高了算法的稀疏性,使得分解结果更加准确、平滑。在COIL20图像数据集、PIE人脸数据集以及TDT2文本数据集上的聚类实验证明本文提出的DCCFS的聚类性能优于其他同类算法。