基于特征分类的链路预测算法及模型综述

2755779 2021-05-18 | pdf | 2.65 MB | 次下载 | 免费

资料介绍

　　复杂网络链路预测作为网络科学研究中一个重要的研究方向，受到了越来越多来自各个学科领域专家的关注，它可以利用现有的网络信息，如节点和边缘的特征，来预测未来可能形成的关系、网络中缺失的信息以及新的或正在消失的信息，识别虚假交互，评估网络演化机制，进行网络重构等。当前链路预测的文献主要来自工程学、计算机科学与物理学的专家，它们各自为政，缺少合作，结合多学科进行链路预测的综述论文少之又少。因此，文中从计算机科学和物理学的视角全面回顾、分析和讨论基于特征分类的链路预测算法的硏究进展，介绍了该领堿专家们提岀的多种特征提取技术，首次把分层的思想引入链路预测算法分类中，将分类模型分为3层，即元数据层、特征分类层和特征抽取层。该分类模型包括“2个大块7个方面”，即把常用的链路预测算法分为2个大块（特征提取方法和特征学习方法）和7个方面（基于相似性的方法、基于似然分析的方法、基于概率模型的方法、矩阵分解方法、基于随机游走的方法、基于神经网络的方法和基于自定义损失函数的方法）。该分类方法覆盖了各学科中许多经典的和最新的链路预测技术，包括当前最流行的图神经网络链路预测技术GNN（ Graph Neural Network），GCN（ Graph Convolutional Network），RNN（ Recurrent Neural Network）和RL（ Reinforcement learning）。文中研究了这些算法的模型复杂性和预测性能的差异，并对当前链路预测技术未来所面临的挑战进行了讨论。