基于高阶路径相似度的复杂网络链路预测方法

针对目前链路预测方法普遍存在精度不高、效率低等问题,提出了基于高阶路径相似度的复杂网络链路预测方法。首先,利用路径作为判别特征对复杂网络中的缺失链接进行预测,以实现资源的有效分配,并通过惩罚公共近邻对信息泄露进行限制。其次,将高阶路径作为判别特征,对种子节点对间的可用长路径实施惩罚。最后,利用多个真实复杂网络数据集进行数值算例。实验结果表明,与其他基线方法相比,所提方法具有更优的精度与效率。

基于Nesterov平滑的高阶路径朴素贝叶斯文本隐式分类研究

为提高电子文本分类效果,解决独立同分布模型在标记数据不足时存在的参数估计问题,提出了一种基于Nesterov平滑的高阶路径朴素贝叶斯文本分类算法.首先,利用传统意义的朴素贝叶斯事件模型构建高阶路径形式的文本分类模型,利用高阶路径中的隐式链接信息来提高文本分类模型的性能;其次,针对朴素贝叶斯事件模型中采用拉普拉斯平滑的二阶差分过程容易产生信息丢失、噪声增强的问题,提出基于Nesterov平滑的高阶路径朴素贝叶斯文本分类改进算法;最后,通过基准数据集和图书馆电子文本分类实验,验证了所提算法的有效性.

融合高阶路径和非负矩阵分解的链路预测

现有的大多数加权网络链路预测方法仅考虑了自然权重,忽略了高阶加权路径信息贡献,导致预测准确度降低。为此,提出了融合高阶路径和非负矩阵分解的链路预测模型。首先,将任意权重网络的邻接矩阵映射到低秩隐特征空间,以捕获一阶权重链接信息;其次,根据节点强度计算链接权重强度,以获得局部相似度矩阵,并将其扩展为高阶路径相似度;最后,启用图正化方法耦合二阶和高阶路径相似度,以保持局部和全局结构。此外,利用拉格朗日乘法规则学习模型参数来获得最优因子矩阵。在6个典型的实际加权网络上与现有的主流加权网络链路预测方法进行比较分析,得到本模型性能最优。

Fission and Fusion of Localized Coherent Structures for a Higher-Order Broer-Kaup System

Starting from a Backlund transformation and taking a special ansatz for the function f, we can obtain a much more generalexpression of solution that includes some variable separated functions for the higher-order Broer-Kaup system. From this expression, we investigate the interactions of localized coherent structures such as the multi-solitonic excitations and find the novel phenomenon that their interactions have non-elastic behavior because the fission/fusion may occur after the interaction of each localized coherent structure.