基于综合游走策略的边嵌入链路预测算法

针对网络分析方法中研究的图数据默认使用节点图,只能得到节点的向量表示,不能直接将边表示成向量的问题,设计了一种基于有偏+无偏的图嵌入算法Line2Vec,并在此基础上提出基于边嵌入的链路预测框架(Line2Vec-L).首先,基于综合游走策略重新定义采样域节点的采样概率,并结合Word2Vec模型得到信息未被稀释、表示性强的节点图的边嵌入向量;然后,结合关联矩阵得到不存在边或未知边的向量表示,并将得到的边向量用于链路预测.实验结果表明Line2Vec在边向量表示上的有效性,并验证了Line2Vec-L的AUC值更高,由此说明采用Line2Vec可得到表示性更强的边向量,有助于提升链路预测的性能.     

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.     

一种基于MH改进的重启随机游走链路预测算法

基本随机游走相似性指标由于其转移概率仅由当前节点的度决定,影响链路预测效果.鉴于此,在MH (Metropolis-Hasting)算法的基础上,充分利用邻居节点的度信息,并采用将当前节点的自环率按邻居节点的度值加权分配给邻居节点的方法重构转移概率矩阵,再融合重启随机游走(Random Walk with Restart,RWR)相似性指标,提出一种改进MH的链路预测算法.首先,根据当前节点与邻居节点的度信息重新定义节点间的转移概率;然后,将新的转移概率重构成概率矩阵;最后,融合RWR相似性指标进行链路预测实验.结果表明,新算法相较于RWR、CN (Common Neighbors)等7种基准算法在AUC指标上均有提升,在排序分指标上也有所改善;AUC指标上最高可提升3.98%,排序分指标上最高下降1.92%,提升了链路预测的准确性.     

基于图注意力和特征融合的链路预测方法

链路预测是一种还原网络缺失信息的方法，通过当前已观察到的链路，预测实际存在但未被观察到的链路或可能出现的新链路.当前链路预测主要是基于图神经网络的深度学习方法，相比基于规则的启发式方法，前者可有效利用网络拓扑结构信息，较大地提升了网络链路预测性能，并可应用到类型更广泛的网络中.但是现有基于图神经网络的方法，仅利用网络中节点相对位置信息，忽视了节点基本属性和链路的邻居信息，且无法区分不同节点对链路形成的重要程度.为此，本文提出一种基于图注意力网络和特征融合的链路预测方法.通过增加节点的度、链路的共同邻居数量和共同邻居最大度等特征，丰富了网络的输入特征信息.本文首先提取以目标节点对为中心的子图，然后将其转化为对应的线图，线图中的节点和原图中的链路一一对应，从而将原图节点和链路信息融合到线图的节点中，提升了特征融合的有效性和可解释性.同时本文使用图注意力机制学习节点的权重，增强了特征融合的灵活性.实验表明，本文所提出的方法，在多个不同领域数据集上的AUC和AP均超过90%,在已观测链路缺失较多时，预测性能保持80%以上，且均优于现有最新方法.     

基于路径相互关注的网络嵌入算法

网络嵌入,或者称为网络表示学习,旨在将网络中的节点映射到表示空间中,生成低维稠密的向量,从而在保留网络结构信息的前提下对网络中的节点进行表示,而后通过已有的机器学习方法解决诸如链接预测、节点分类、社团发现和网络可视化等下游任务.随机游走算法可以很好地探索网络中节点的局部结构,然而之前的基于随机游走的表示学习算法只能为节点产生一种角色嵌入,没有考虑到和不同邻居进行交互时节点扮演的不同角色嵌入.因此,提出一种基于路径相互关注的网络嵌入算法,使用节点随机游走产生的上下文信息,通过注意力机制为每个节点生成上下文相互关注的节点嵌入.在真实数据集上的实验结果表明,与三个经典的网络嵌入算法相比,该算法具有更好的表现.     

带权疾病网络上的潜在共病关系预测

网络分析法将潜在的共病关系预测转化为复杂网络上的链路预测问题,而现有的基于相似性度量的链路预测方法大多仅单一地考虑某一方面的网络特征,大大影响了预测的准确性.使用3个不同来源的真实医疗数据集分别构建了相应的带权疾病网络,并通过对不同网络结构差异性的比较,分析了现有的网络相似性度量指标的局限性.在此基础上,提出了一种新的基于有监督分类的链路预测方法,综合多种局部和全局相似性指标作为输入特征向量,更为精确地评估节点间的相似性,从而实现潜在共病关系的有效预测.实验结果表明,该方法能有效提高共病网络中链路预测的准确性,并且对于不同共病网络和分类算法均具有较好的稳定性和适用性.     

基于聚类系数和节点中心性的链路预测算法

目前复杂网络领域受到越来越多人的广泛关注.其中链路预测是复杂网络研究中的一个热门的分支,被作为预测缺失链路和识别虚假链路的有效手段.传统基于相似性的复杂网络链路预测主要考虑每个节点的某个相似性指标,而该文提出一种基于聚类系数和节点中心性(CCNC)的链路预测算法,将度、聚类系数和节点中心性3个相似度指标结合,引入到复杂...     

基于图嵌入法的时序网络链路预测研究

时序网络因为其复杂的动态结构和非线性拓扑特征,一直都是复杂网络和链路预测研究的重点.因为网络结构会动态变化从而导致常用的基于静态网络的方法不再高效适用.本文基于图嵌入方法,提出了一种适用于时序网络的链路预测算法,其核心是改进链路预测中粒子的随机游走过程,使其基于网络结构特征进行有偏向转移.其次,考虑到时序网络中历史信息的影响,在有偏向转移的基础上定义一种粒子的全局转移概率,这种转移概率重点计算最近时刻的信息同时也会考虑历史信息.经过实验例证,本文提出的方法较传统基准指标有较大的提升.     

融合属性嵌入与关系注意力的跨语言实体对齐

目前知识图谱实体对齐的主流方法是通过图神经网络学习知识图谱的嵌入表示，并测量实体嵌入之间的相似性实现实体的对齐.很多实体对齐方法只考虑知识图谱的结构信息和关系信息，却常常忽略了属性信息.针对上述问题，提出了一种融合属性嵌入的实体对齐方法：融合属性信息的精简关系感知双图卷积网络模型.首先，基于关系感知双图卷积网络的注意力机制提取知识图谱的关系信息；然后，利用带高速门的图卷积网络获取属性信息；最后，融合二者的嵌入信息以实现更高准确率的实体对齐.在3个跨语言数据集上的实验结果表明，该方法通过融合知识图谱属性信息增强了实体表示能力，在3个数据集上Hits@1值相比原模型分别增长了6.42%、4.59%和1.98%，对齐效果明显优于目前主流的实体对齐方法.     

一种基于网络嵌入的社区发现方法

社区发现是社会网络分析的重要任务,有助于理解中观尺度的网络结构.现有的诸多社区发现方法仅考虑网络的拓扑信息,忽略了网络中每个节点所包含的属性信息.为此,本研究首先基于社会网络的拓扑结构信息与节点属性信息分别构建初始特征矩阵;然后基于网络嵌入模型,融合初始特征矩阵的主成分信息,构建共识嵌入矩阵;最后,给出社会网络中"领袖节点"的泛化定义形式,并提出一种改进的图聚类算法(LIK-means)挖掘社会网络中潜在的社区结构.实验表明,LIKmeans较其他经典算法有较好的可扩展性,同时在真实社会网络中的社区识别精度更高.     

融合社区连接信息的网络嵌入方法

网络嵌入旨在学习节点的低维稠密向量,同时保留原始网络的结构和属性信息。现有的网络表示方法大多未考虑网络中的社区信息和社区间的信息,难以有效地学习网络的低维表示。为有效保留网络中的社区信息和社区间信息,提出了一种融合社区连接信息的网络嵌入方法(network embedding based on community connection information,ECCI)。该方法基于不同社区的亲密程度,捕捉网络中社区间的关系;采用自定义游走的方式得到融合局部结构、社区信息以及社区间信息的游走序列;通过Skip-Gram模型得到与之对应的网络嵌入结果。在3个公开数据集的实验结果表明,ECCI相比基准方法在链接预测上的AUC值和F1-Score都有一定程度的提升。     

符号网络中融合聚集系数与符号影响力的链路预测算法

为快速、准确地实现符号社会网络中的链接预测与符号预测双重目标，提出一种融合共同邻居节点的聚集系数与连边符号影响力的链路预测算法。基于结构平衡理论，有效利用节点的度、聚集系数、路径上的中间传输节点、连边符号及其影响力等信息，分别定义了两节点基于一阶共同邻居和二阶共同邻居的相似性，最终得到两节点的总相似性得分，用其绝对值度量两节点建立链接的可能性，通过其符号获得链接的符号预测结果，从而实现符号网络中的链路预测。在6个有代表性的符号网络数据集上进行了实验，以AUC、调整的Precision’、Accuracy等为评价指标，对比了多个符号网络链接预测算法，并进行了可调步长参数的敏感性分析。实验结果表明，所提算法在符号网络链接预测与符号预测两方面均达到了较好的性能，无论是稀疏网络还是负链接预测，准确性均高于其他算法。     

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.     

Link Prediction in Brain Networks Based on a Hierarchical Random Graph Model

Link prediction attempts to estimate the likelihood of the existence of links between nodes based on available brain network information, such as node attributes and observed links. In response to the problem of the poor efficiency of general link prediction methods applied to brain networks, this paper proposes a hierarchical random graph model based on maximum likelihood estimation. This algorithm uses brain network data to create a hierarchical random graph model. Then, it samples the space of all possible dendrograms using a Markov-chain Monte Carlo algorithm. Finally, it calculates the average connection probability. It also employs an evaluation index.Comparing link prediction in a brain network with link prediction in three different networks(Treponemapallidum metabolic network, terrorist networks, and grassland species food webs) using the hierarchical random graph model, experimental results show that the algorithm applied to the brain network has the highest prediction accuracy in terms of AUC scores. With the increase of network scale, AUC scores of the brain network reach 0.8 before gradually leveling off. In addition, the results show AUC scores of various algorithms computed in networks of eight different scales in 28 normal people. They show that the HRG algorithm is far better than random prediction and the ACT global index, and slightly inferior to local indexes CN and LP. Although the HRG algorithm does not produce the best results, its forecast effect is obvious, and shows good time complexity.     

基于邻域信息的网络结构表示学习

针对传统网络表示学习方法无法学习节点网络结构相关性的问题, 提出一种基于邻域信息的网络结构表示学习模型. 该模型首先定义基于邻域信息的节点间结构相似度计算方法, 对不同邻域范围内节点间结构相似度建模； 其次构建深层自编码器, 将节点结构相似度作为监督信息优化网络表示, 在网络嵌入过程中学习节点结构信息. 与node2vec,SDNE,struc2vec三种相关算法进行对比的实验结果表明, 该方法有更好的网络结构识别能力, 能学习到节点间的结构相关性, 所得到的网络表示能适用于角色识别相关任务. 此外, 跨网络分类实验结果还体现了该方法在迁移学习方面的潜力.     

无人机网络中基于位置预测的最优中继选择

为了解决无人机（UAV, Unmanned Aerial Vehicle）协作通信网络在完成任务时由于高机动性而会影响链路状态的问题,提出了一种基于UAV位置预测的信道中继选择算法。根据卡尔曼算法预测出UAV下一时刻的位置,提前判断链路优劣性,使更换UAV中继节点的时机更为精准。通过UAV源节点到UAV中继节点以及UAV中继节点到UAV目的节点的瞬时信道状态信息（CSI, Channel State Information）选出备选UAV中继节点集合。最优的备选UAV中继节点由贪婪算法计算而得。仿真结果证明了此方法的有效的性,链路中断的概率比随机选择算法降低了10%,且链路更加稳定。     

基于DPSO负载可控的虚拟网络映射算法

针对多租赁模式下的虚拟网络映射问题，以降低底层链路负载、加快映射速度、提高底层物理资源利用率为目标，将离散粒子群算法与虚拟节点映射规则相结合，提出了物理节点可复用、负载可控制的MLB-VNE-SDPSO算法.该算法在兼顾CPU等主机资源利用率的前提下节约了物理链路的带宽资源，缩短了虚拟链路的映射过程.仿真实验表明，在保证网络负载的前提下，获得了较好的物理节点利用率，提高了虚拟网络的收益成本比.     

融合GINI指数的C4.5算法的分类研究

信息增益率倾向于取值数较少的属性和产生不平衡的划分,GINI指数偏向于取值数较多的属性且区间趋于平衡的划分.基于此,该文提出融合GINI指数的C4.5改进算法,首先计算候选属性的信息增益率和GINI指数,其次计算信息增益率和GINI指数的比值,最后筛选出比值最大的属性作为划分结点,改进了C4.5算法的不足.以10次10折交叉验证准确率和运行时间为评价指标,通过5组UCI数据测试改进算法性能,并与ID3、C4.5和CART算法对比实验.实验结果表明:融合GINI指数的C4.5算法减轻了属性取值多少对划分结点选择的影响,并且缓和了划分区间的不平衡,提高了分类准确率和运行效率,算法更加稳定,可行有效.