基于DeepWalk矩阵分解的链路预测算法

摘要

现有的链路预测方法的数据来源主要是基于邻居、路径、和随机游走的方法,使用的是节点相似性假设或者最大似然估计.尚缺少基于神经网络的链路预测研究.而基于神经网络的一些研究表明,基于神经网络的DeepWalk网络表示学习算法,可以更加有效的挖掘到网络中的结构特征.已有研究证明,DeepWalk等同于矩阵分解目标矩阵.因此,该文提出了一种基于DeepWalk矩阵分解的链路预测算法(IPMF).该算法首先基于矩阵分解的DeepWalk算法训练得到网络的表示向量.然后通过余弦相似度计算每对节点之间的相似度,构建目标网络的相似度矩阵.最后利用相似度矩阵,在三个真实的引文网络做进行链路预测实验.实验结果表明,本文提出的链路预测算法性能优于现存的20余种链路预测算法,这充分表明了基于神经网络的网络结构挖掘算法能够有效的挖掘网络中节点之间的结构关联性,而且在实际网络的链路预测中能够发挥出较为优异的性能.