基于Attention机制的链接预测算法

针对社会网络中链接预测问题,提出了基于注意力(Attention)机制的链接表示及其预测算法.基于待预测节点的共邻关系构建其链接局部网络,设计了基于紧密游走的网络拓扑序列化方法.采用双向循环神经网络(Bi-RNN)对链接序列进行向量编码,以充分挖掘序列相关节点间的上下文依赖信息.通过Attention机制对链接中的节点进行关注和加权,强化重要节点对链接预测任务的贡献,实现链接拓扑特征的自动提取与准确分类预测.实验结果表明,在4种不同类型的社会网络数据集中,该算法的准确率和运算效率都有较大提高且普适性较强.     

基于节点相似性和链接次数组合时间序列的链接预测

针对现有方法利用网络信息相对割裂, 很难描述链接次数与相似性分数关系的问题, 提出一种动态网络中的链接预测方法, 用节点相似性分数和链接次数组合时间序列模型进行预测. 首先通过社区演化, 预测历史上各时间快照下节点间的相似性分数; 然后用二元时间序列模型将其与各时间快照下节点间的事实链接次数相结合, 判断下一个时间段内各节点对链接发生的可能性; 最后在Weibo Net Tweet微博转发数据集上进行测试. 实验结果表明, 该方法至少提高了5%的预测准确度, 证明了社区演化与链接预测之间的内在联系, 验证了二元时间序列模型的有效性.     

一种基于节点路径信息相似性的预测方法

链路预测计算是在复杂网络分析任务中最重要和最具挑战性的任务之一,能根据网络中现有的链接预测缺失的链接并广泛应用于多种学科领域,包括社会网络分析、推荐系统和生物网络等.文中提出一种基于路径节点信息相似性的预测方法,该预测方法是利用节点共有的特征信息来推测下一个相关的路径节点信息,从而优化现有的基于路径预测方法.首先,由于...     

大规模并行网络动态演化特征挖掘技术研究

传统技术无法适应动态变化的网络演化特征,容易引入很多无关节点连接信息,合理设定参数非常困难,导致动态演化特征挖掘结果不可靠。为此提出一种新的大规模并行网络动态演化特征挖掘技术。在建立的大规模并行网络中,把网络节点划分成普通节点和簇头节点,普通节点加入大规模并行网络后,被看作簇头节点,只和某个簇头构建链路,通过多跳实现数据转发,依据择优添加连接和反择优过滤节点演化。针对大规模并行网络动态演化特征,提出挖掘模型,通过初始权重对节点在网络中的初始化状态进行描述,利用突发权重,依据时间独立性对动态演化特征的突发性进行描述,采用密集权重对网络在局部时间内节点连接的密集程度进行描述,通过连续权重对网络在相同演化期间体现的连续性进行描述,依据总权重值实现动态演化特征的挖掘。实验结果表明,所提技术挖掘可靠性和实用性强。     

基于遗传算法和改进Elman神经网络的股价预测

针对Elman神经网络在股价预测中存在网络结构的隐节点个数难以确定和网络训练极易陷入局部解的不足,以未来两天股票最高价作为预测对象,采用改进Elman神经网络结构.以辨识更高阶的动态系统;同时又利用遗传算法优化该神经网络的初始连接权和确定网络隐节点个数,从而解决上述网络在股价预测中的不足,并在遗传进化计算过程中采用保留最佳个体的策略,进行预测建模.结果表明这种模型对股价的预测精度较高,具有一定可行性.     

基于EDLATrust算法的社交网络信息泄露节点概率预测

在社交网络信息传播过程中,信息转发在用户之间广泛使用,但是存在着隐私信患在信息发布者未授权的情况下遭到泄露的问题.预测发现隐私信息泄露节点,对杜绝该类安全隐患具有重要意义.该文针对隐私信息泄露节点预测问题,提出了一种基于估计器的分布式学习自动机的信任推断(EDLATrust)算法,该算法能够推断社交网络中非直连节点之间...     

大规模并行网络动态演化特征挖掘技术

传统技术无法适应动态变化的网络演化特征,容易引入很多无关节点连接信息,合理设定参数非常困难,导致动态演化特征挖掘结果不可靠。为此提出一种新的大规模并行网络动态演化特征挖掘技术。在建立的大规模并行网络中,把网络节点划分成普通节点和簇头节点,普通节点加入大规模并行网络后,被看作簇头节点,只和某个簇头构建链路,通过多跳实现数据转发,依据择优添加连接和反择优过滤节点演化。针对大规模并行网络动态演化特征,提出挖掘模型,通过初始权重对节点在网络中的初始化状态进行描述,利用突发权重,依据时间独立性对动态演化特征的突发性进行描述,采用密集权重对网络在局部时间内节点连接的密集程度进行描述,通过连续权重对网络在相同演化期间体现的连续性进行描述,依据总权重值实现动态演化特征的挖掘。实验结果表明,所提技术挖掘可靠性和实用性强。     

动态网络链接预测研究

动态网络链接预测具有重要的理论研究和应用研究价值,受到了许多学者的关注。本文针对动态网络链接预测问题,全面、深入地分析和探讨了该问题的研究现状和最新进展;基于历史快照和时间感知两种动态网络链接预测技术手段,详细阐述了每种方法的设计思路,指出了不同方法的优点和不足;最后,概括和总结了动态网络链接预测目前仍然面临的研究挑战。     

电商商品网络的挖掘研究

研究发现,社团结构是复杂网络中的重要特性之一.针对电商数据,文章扩展社团理论提出商品社团:以商品为网络节点,以商品间的相关度作为节点之间是否连接的判断标准,构建商品网络,然后针对该网络进行社团分析,其中,作者采用皮尔森相关系数作为相关度的度量.通过分析天猫的数据,发现商品网络中确实存在社团结构,其中,手机数据中的社团特性更加明显.在各个社团中,通过介数可发现该社团中的重要商品.同时,分析了相关度的度量参数、商品类型和邻接矩阵二值化门限等因素对商品社团结构的影响,以验证所提方法的扩展性.最后,利用所提方法对商品的销售进行了预测,与基于K-means的预测方法相比,平均准确率提高9.5%以上.     

格状网中基于DCPC协议的局部扩散式 P圈自动配置

为解决线性配置方法DCPC在格状网络拓扑下效率低的问题,通过ASON控制平面技术扩展,设计了一种基于P圈自动配置协议DCPC的扩散式的P圈配置方法F-DCPC,通过圈内节点间的分布式协作快速完成配置,缩短网络的配置时间. 该方法通过圈内节点之间泛洪,快速获得网络的连接与资源分布信息.结果表明,该方法在高负载环境下的格状光网络拓扑结构中具有较短的配置时间. 利用ASON控制平面实现P圈的静态、动态自动化配置,并针对不同的P圈生成算法,通过仿真定量地分析网络采用该方法的额外开销.     

基于集成学习的复杂网络链路预测及其形成机制分析

为了预测节点与网络中其他现有节点之间的新连接或缺失连接,链路(边)预测近年来引发了越来越多的研究兴趣。最近已经提出各种具有不同特点的算法,以解决链路预测的问题,其中每种算法只考虑一种网络信息,从而产生片面的结果。提出基于集成学习的方法,将所有单一算法集成组合,综合考虑网络的各种信息来解决这一问题。在8个真实网络上进行了实验,利用局部拓扑索引、全局拓扑索引和推荐算法提取了17个不同的特征。结果表明,集成学习的关键性能指标——受试者工作特征曲线 (receiver operating characteristic curve, ROC)下面积(area under curve, AUC)比最佳单一算法提高2%至17%,最高达到0.9624。此外,根据度分布和随机森林得到的特征选择,分析了不同类型网络的结构与形成机制。在形成机制、网络类型和功能之间,获得了一些重要的见解:由某些确定的机制或假设导出的特征,确实是连接2个节点的内在驱动力,也正因为如此,这些特征可以用于链路预测。     

时态网络节点相似性度量及链路预测算法

详细分析和阐述了时态网络中的链路预测问题，将时态网络按时间顺序划分为具有相同时间间隔的多层网络快照序列.针对基于共同邻居的相似性指标对网络链路刻画粒度较粗糙的问题，提出了基于邻居节点聚类系数的相似性度量指标NCC和NCCP，并基于此提出时态网络链路预测算法.通过在真实数据集上的对比实验验证了利用邻居节点的聚类信息可以提高预测精度.利用真实邮件数据集验证了所提出的链路预测算法预测效果的优越性，并且实验结果证明越接近预测时间的网络结构对预测结果影响越大.     

基于子图特征的科学家合作网络链路预测

提出了多种基于子图结构特征的新特征,构建了基于节点重要性、基于节点共同邻居、基于边共同邻居、基于邻居子图和基于边子图五类特征,并将这五类特征中的多种特征分别作为特征输入,运用机器学习的方法,实现科学家合作网未来合作关系的预测。研究中发现,基于边子图特征的链路预测准确率最好。此外,研究中运用基于模型的特征排序和最大信息系数特征选择方法分析类内特征的影响力以及相互关系,通过机器学习算法的分类模型进行链路预测。该方法能够有效地揭示网络类内特征在预测中的重要性和相关性,有利于发现影响力大的特征和冗余特征。     

少量已知历史数据下的电能质量复合扰动识别方法

针对训练电能质量复合扰动分类模型遇到少量已知历史数据和海量未标注的采样数据共存的现象,提出了一种基于混合流形正则化图拉普拉斯-海森半监督极限学习机(Laplacian Hessian semi-supervised-extreme learning machine,LHSS-ELM)的复合扰动识别方法.所提方法通过La...     

基于改进TADW的链路预测算法

针对经典的节点相似性链路预测算法只考虑网络拓扑结构或者节点属性信息的问题,使用词嵌入模型Word2vec学习得到节点文本属性信息的表示,进而改进TADW(text-associated deep walk)算法,弥补其语义信息表示能力的不足.基于改进的TADW图嵌入方法提出一种融合网络拓扑结构和节点属性信息的相似性指标,并基于此相似性指标提出链路预测算法.在三个真实数据集上的实验结果表明所提出算法可以提高预测精度,并具有更好的鲁棒性,同时使用图嵌入的方法有效解决了网络数据的稀疏性问题.     

Combining Topological Properties and Strong Ties for Link Prediction

Link prediction is an important task that estimates the probability of there being a link between two disconnected nodes. The similarity-based algorithm is a very popular method that employs the node similarities to find links. Most of these types of algorithms focus only on the contribution of common neighborhoods between two nodes. In sociological theory relationships within three degrees are the strong ties that can trigger social behaviors.Thus, strong ties can provide more connection opportunities for unconnected nodes in the networks. As critical topological properties in networks, nodes degrees and node clustering coefficients are well-suited for describing the tightness of connections between nodes. In this paper, we characterize node similarity by utilizing the strong ties of the ego network(i.e., paths within three degrees) and its close connections(node degrees and node clustering coefficients). We propose a link prediction algorithm that combines topological properties with strong ties, which we called the TPSR algorithm. This algorithm includes TPSR2, TPSR3, and the TPSR4 indices. We evaluate the performance of the proposed algorithm using the metrics of precision and the Area Under the Curve(AUC). Our experimental results show the TPSR algorithm to perform remarkably better than others.     

一种基于强化学习的车联网边缘计算卸载策略

计算密集型、时延敏感型车载应用的不断涌现导致资源受限的车载终端设备无法在短时间内处理大量的应用任务,而且卸载节点的动态变化特性在复杂多变的车联网场景中会导致任务候选卸载节点存在不确定性。针对上述问题,提出一种基于强化学习的计算卸载策略来实现任务卸载预判和计算资源分配。结合设备链接时间与通信半径等因素制定卸载节点发现机制,通过考虑时延与成本对车联网移动边缘计算卸载系统的影响建立效用函数,并以最大化效用作为优化目标将车联网中的卸载问题转化为优化问题,基于卸载节点发现机制采用Q-learning方法提出一种智能节点选择卸载算法求解优化问题,实现任务的智能卸载。仿真结果表明,在车联网场景中,提出的计算卸载策略可实现更高的系统效用。     

基于不确定性度量的半监督语义分割方法

基于深度学习算法的预测通常被盲目地认为是准确的,而这种劣势在半监督学习中更为明显.为了解决这个问题,本文引入了一种简单但有效的正则化方法,即不确定性交叉伪监督.该方法通过不同的参数初始化对双学生网络施加了一致性约束,并将一个学生输出的独热分割图用作伪标签来监督另一个学生.同时独热分割图之间的詹森 香农距离用来估计伪标签的不确定性.此外,本文还提出了一种不确定损失用于降低拥有高不确定性的伪标签所带来的损失项权重.实验结果表明,本文方法实现了最先进的半监督语义分割性能.     

高光谱图像半监督局部稀疏嵌入降维算法

针对目前高光谱图像半监督降维算法中基于流形学习的开放性选择近邻参数问题,以及利用传统算法不能有效地获取标签数据的局部信息,提出了一种无需考虑近邻参数的半监督局部稀疏嵌入（SELSE）算法.该算法基于稀疏表示理论,通过求解范数优化问题构建稀疏系数图,并且利用有限的标签数据最大化类间信息,提取高光谱图像的特征.在AVIRIS高光谱遥感图像的Indian Pine数据集上进行仿真实验,结果表明所提出算法在分类精度和计算效率上都有所提高.