位置: IT常识 - 正文

【论文导读】- Link Weight Prediction Using Supervised Learning Methods(使用监督学习方法的链路权重预测及其在Yelp网络中的应用)(论文导语如何写)

编辑:rootadmin
【论文导读】- Link Weight Prediction Using Supervised Learning Methods(使用监督学习方法的链路权重预测及其在Yelp网络中的应用) 文章目录论文信息摘要主要内容(contributions)图模型和评价指标特征指标原图特征指标原始图转线图线图特征指标论文信息

推荐整理分享【论文导读】- Link Weight Prediction Using Supervised Learning Methods(使用监督学习方法的链路权重预测及其在Yelp网络中的应用)(论文导语如何写),希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:论文导语怎么写 范文,论文导读ppt,论文导论应该怎么写,论文导读怎么写,论文导读ppt,论文导读怎么做,论文导读是什么意思,论文导读怎么写,内容如对您有帮助,希望把文章链接给更多的朋友!

Link Weight Prediction Using Supervised Learning Methods and Its Applicationto Yelp Layered Network

原文地址:https://ieeexplore.ieee.org/abstract/document/8281007/

摘要

Real-world networks feature weights of interactions, where link weights often represent some physical attributes. In many situations, to recover the missing data or predict the network evolution, we need to predict link weights in a network. In this paper, we first proposed a series of new centrality indices for links in line graph. Then, utilizing these line graph indices, as well as a number of original graph indices, we designed three supervised learning methods to realize link weight prediction both in the networks of single layer and multiple layers, which perform much better than several recently proposed baseline methods. We found that the resource allocation index (RA) plays a more important role in the weight prediction than other topological properties, and the line graph indices are at least as important as the original graph indices in link weight prediction. In particular, the success application of our methods on Yelp layered network suggests that we can indeed predict the offline co-foraging behaviors of users just based on their online social interactions, which may open a new direction for link weight prediction algorithms, and meanwhile provide insights to design better restaurant recommendation systems.

真实世界的网络具有交互的权重,其中链接权重往往代表一些物理属性。在许多情况下,为了恢复丢失的数据或预测网络的演变,我们需要预测网络中的链接权重。本文首先针对线图中的链接提出了一系列新的中心性指标。然后,利用这些线图指标,以及一些原始的图指标,我们设计了三种监督学习方法来实现单层和多层网络中的链接权重预测,其性能远远优于最近提出的几种基线方法。我们发现资源分配指标( RA )比其他拓扑属性在权重预测中发挥着更重要的作用,而线图指标在链路权重预测中至少与原始图指标同等重要。特别地,我们的方法在Yelp分层网络上的成功应用表明我们确实可以进行离线预测,这可能为链接权重预测算法开辟一个新的方向,同时也为设计更好的推荐系统提供启示。

主要内容(contributions)首先,将原始的无权网络转化为线图。线图中的节点表示原始图中的链接,如果对应的链接在原始图中共享相同的终端节点,则两个节点在线图中连接。然后我们利用线图中的节点中心性指标来定义原始图中链接的重要性。其次,提取了两组特征,包括原图特征和线图特征。原始的图特征包含大多数相似性特征,这些特征可以被看作是与链接相关联的成对节点的特征。线图特征包含中心性特征,可以直接看作边特征。然后利用它们来建立监督学习算法,结果显示这些算法优于基线方法。实验表明,原图特征和线图特征互为补充。此外,还考察了特征提取的时间复杂度。第三,建立了一个Yelp分层网络,同时捕获了线上的朋友关系和线下的觅食行为,其中链接表示朋友关系,权重表示两个顾客访问同一餐馆的次数。我们进一步使用从在线社交链接获得的拓扑信息来估计链接权重。这个数据集可以作为一个基准来测试跨层网络的链路权重预测。图模型和评价指标

一个无向且加权的网络建模为图,其中V、E和W分别为节点、边和权值的集合。对于每个链接的权重表示为wi,j,且wi,j=wj,i,即不考虑链接的方向。 将权重集W随机分为两部分:训练集WT和测试集WV,其中。 在本文中,使用该领域的两个传统度量来衡量拟合优度,即Pearson Correlation Coefficient( PCC )和均方根误差( RMSE ),定义如下:

Pearson Correlation Coefficient( PCC )

其中,n为样本容量,x和sx分别为变量x的n个样本的均值和标准差,y和sy分别为变量y的n个样本的均值和标准差。PCC是两个变量x和y之间线性相关程度的度量,PCC ∈ [-1,1]。如果PCC > 0,则认为x, y为正相关;PCC < 0,则认为x, y为负相关; PCC=0, 则认为x, y不相关。

Root Mean Squared Error(RMSE) 特征指标

在这项工作中,提取了两组特征:原图特征和线图特征。在原始图中,相似性指标通常用于链接预测,试图估计链接存在的可能性。似然性通常与成对节点的相似性相关联。然而,在许多现实世界的网络中,链接的权重可能具有自己的物理意义,而这些物理意义可能无法通过关联节点之间的相似性来捕捉。因此,在本研究中,首先将原始图转换为线图,然后利用线图中的中心性指标直接提取原始图中的边特征。

原图特征指标

在原始图中,相似性指标是直接定义的,显示了两个节点共享的许多共同特征。考虑一对节点,即i和j,为它们之间的相似性指标分配一个分数sij。此外,还计算了边介数作为补充。特别地,原始图中的特征包括:

Common Neighbors (CN) 表示节点i的邻居集合。

Salton Index (SA)

其中,ki和kj分别表示节点i和节点j的度。

Jaccard Index (JAC) Jaccard 是一个经典的统计参数,用于比较样本集的相似性或多样性。

Hub Promoted Index (HPI) 在这种度量下,由于分母只由较低的度决定,与枢纽节点相邻的链接很可能被赋予高分数。

Hub Depressed Index (HDI)

【论文导读】- Link Weight Prediction Using Supervised Learning Methods(使用监督学习方法的链路权重预测及其在Yelp网络中的应用)(论文导语如何写)

Srensen Index (SI)

这个指标是上述两者的折中,并考虑了节点i和j的平均度,这通常用于生态社区数据

Leicht-Holme-Newman Index (LHN)

Adamic-Adar Index (AA) 该指标的主要假设是度数较小的共同邻居对相似度的贡献较大。例如,在一个社交网络中,许多人可能认识一个名人,但他们自己可能不认识对方。

Resource Allocation Index RA指数接近AA,但对度数较高的共同邻居惩罚较多。在某些情况下,RA在链路预测中的表现优于AA。

Preferential Attachment Index (PA)

Friends-Measure (FM) 当节点u和v是同一个节点或者它们之间存在链路时,=1,否则等于0。

Local Path Index (LP) A是邻接矩阵。

Local Random Walk (LRW)

Edge Betweenness (EB)

原始图转线图

在网络科学中,节点中心性经常被用来识别重要的节点为了研究链接的重要性,在这里,我们转换原始的无权网络到线图,然后利用节点中心性内联图来定义原始图中链接的重要性。在这个表示中,线图中的节点是原始图中的链接,如果对应的链接在原始图中共享同一个终端节点,则两个节点之间存在连接。

基于这种变换,通过线图中的节点中心性指标来定义线图特征,利用这些特征直接捕获原始图中链接的重要性。

线图特征指标

Degree Centrality (DC) 其中ki是节点i的度,N是图中节点的总数。

Closeness Centrality (CC) 其中dij表示线图中节点i和j之间的最短路径长度。

Betweenness Centrality (BC) 其中,gst是线图中节点s和t之间最短路径的总数,nist表示通过节点i的节点s和t之间最短路径的数目。

Eigenvector Centrality (EC) 其中aij是线图的邻接矩阵的元素,如果节点i和j相连,aij=1,否则aij=0。

PageRank (PR) 式中:c为介于0和1之间的自由参数。

Clustering Coefficient © 式中:Li为节点i的ki个邻居之间的链接数。

H-index (H)

本文链接地址:https://www.jiuchutong.com/zhishi/299770.html 转载请保留说明!

上一篇:WEB核心【记录网站登录人数,记录用户名案例】Cookie技术实现(web2的核心理念)

下一篇:成本降低90%,OpenAI正式开放ChαtGΡΤ(成本降低率是什么意思)

  • 一般纳税人每月开票不超10万
  • 以前未入账固定资产补入账涉及的房产税
  • 交易性金融资产的交易费用计入哪里
  • 坏账准备计提比率计算公式
  • 新办企业一定要社保登记吗
  • 增值税专用发票可以开电子发票吗
  • 公司没有业务了 可以办理停业
  • 暂估跨年取得发票怎么办
  • 中外合资经营企业法
  • 交通补贴和通讯补贴怎么发合理
  • 事业单位固定资产
  • 周转材料租赁费怎么结转成本
  • 购进货品未取得发票如何处理
  • 事业单位开展活动的意义
  • 对公网银支付方式可以选哪些
  • 代收代付给个人
  • 个人从上市公司取得的分红个税怎么申报
  • 私对私转账是否缴纳个人所得税
  • 企业的筹资费用哪里找
  • 第一次申领发票可以增额吗?
  • 餐饮发票免税能报销吗
  • 企业所得税只能抵扣吗
  • 企业整体资产转让增值税
  • 如何屏蔽骚扰电话和推销电话
  • 苹果电脑macos big sur
  • 半成品加工费计入什么科目
  • 厂房维修是否可以退税
  • 常见的电脑病毒危害
  • 在windows 7中
  • PHP:Memcached::getDelayedByKey()的用法_Memcached类
  • 货物无偿赠送分录
  • PHP+MySQL之Insert Into数据插入用法分析
  • 股权转让定金怎么做账
  • 先开票还是先付款最新规定
  • 固定资产加速折旧优惠明细表怎么填
  • 灵活就业养老保险退休后每月领多少钱
  • 车辆维修费怎么做分录
  • 大学生web网页实训心得体会
  • 租赁公司的
  • javaweb实验一
  • layui 使用
  • VUE-CLI/VUE-ROUTER
  • ChatGPT频频发疯!马斯克警告:AI将毁灭人类
  • 印花税申报一直显示办理中什么意思
  • vue网上商城项目
  • 公司进口的货物会计分录
  • 增值税买一送一处理方法
  • 库存现金借方发生额怎么计算
  • 规划设计费会计分录
  • 投标报名费开票编码
  • 印刷行业成本核算程序
  • 工会经费能不能用于体检
  • 获取sqlsession
  • PostgreSQL教程(十六):系统视图详解
  • 小轿车折旧年限规定
  • 预计负债的账务处理
  • 公司办公室装修装修
  • 未确认融资费用借贷方向
  • 未开发票已付款
  • sql语言包括哪三种类型
  • 透明终端架构
  • 创建svn库
  • 安装windows7所需的条件
  • skyleap用不了
  • macos技巧
  • linux acl设置
  • win10系统开机后任务栏无响应怎么解决
  • win8 Could not load type System.ServiceModel.Activation.HttpModule 错误解决方案
  • python 先序遍历
  • js脚本使用
  • Android之Volley
  • 用什么命令查看linux启动信息
  • 将网页改换成黑白
  • 慎用是能用还是不能用
  • node 微信公众号开发
  • google gsoc
  • js easyui
  • 基于python语言的项目
  • 浙江银行上班时间查询
  • 购买烟叶要交烟税吗
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设