链接预测

摘要： 为了解决异质网络的结构信息和语义信息挖掘不全面的问题,针对异质网络的链接预测,提出了将基于元路径的分析方式与隐马尔可夫模型相结合的链接预测方法。考虑到聚簇可以有效地捕获异质网络的结构信息,将k-means算法进行改进得到基于距离均方差最小的初始聚簇中心方法,并将其应用到隐马尔可夫模型(HMM)中,设计了基于聚簇的一阶隐马尔可夫模型(C-HMM(1))的链接预测方法,同时提出基于聚簇的二阶隐马尔可夫模型(C-HMM(2))的异质网络的链接预测方法。进一步考虑数据的特征信息,提出了将最大熵模型和二阶隐马尔可夫模型相结合的链接预测方法ME-HMM。实验结果表明,ME-HMM比C-HMM方法的链接预测精确度更高,且ME-HMM因充分考虑到数据的特征信息比C-HMM的性能更加优异。

摘要： 针对实体邻域三元组缺少联系的问题,提出基于关系生成图注意力网络(RGGAT)的知识图谱链接预测方法.利用不同类型的关系生成相应的注意力机制参数,邻域三元组按照关系类型使用对应的参数计算注意力系数.实体通过聚合以关系为主导的邻域三元组信息得到更丰富的嵌入向量.在训练过程中对编码器和解码器进行共同训练,将编码器更新的实体向量和关系向量直接输入到解码器中,保证编码器和解码器训练目标一致.在3个公开数据集上进行链接预测实验,对比实验选用目前主流的5个模型作为基线.RGGAT方法在3个数据集上的Hits@10能达到0.5198、0.5104和0.9739,高于传统图注意力网络嵌入方法的.在邻域聚合阶数对比实验中,1阶关系邻域聚合的方法相比2阶关系在Hits@10上提升3.59%.

摘要： 随着互联网技术和应用模式的迅猛发展,表达方式丰富直观的知识图谱得到了大量关注,在知识表示学习方面积累了丰富研究成果,这些研究已在垂直搜索、智能问答等应用领域发挥了重要作用。在总结现有知识图谱嵌入研究基础之上,以面向的知识图谱数量为依据,将知识图谱嵌入模型分为面向单个知识图谱的链接预测模型和面向多个知识图谱的实体对齐模型两大类;逐类分析了知识图谱嵌入模型的标准处理流程,并在模型假设、实现方法、语义捕获层次等方面做了详细对比;通过充分探讨现有知识图谱嵌入模型存在的问题,展望了知识图谱嵌入的未来研究方向。

摘要： 针对相似度预测算法无法同时嵌入局部和全局信息并提高运行速度等问题,融合社区发现和影响节点识别技术提出一个通用可扩展的链接预测模型。对网络进行社区划分,分别计算局部共邻节点的社区参与度和全局影响力得分,集成到统一的相似度框架中。为验证算法的有效性和可扩展性,给出在加权和无权下多个局部密集结构和影响节点识别指标的定义。在真实数据集上的实验结果表明,提出方法可快速实现通用可扩展性的预测任务,结果也普遍优于基准算法。

摘要： 为解决现有的链接预测模型不能有效考虑三元组之间潜在关系的局限性,提出了一种融合图注意力网络(Graph Attention Networks,GAT)和胶囊神经网络(Capsules Noural Networks,CapsNet)的知识图谱链接预测模型,使用图注意力捕获每个实体邻域中的实体和关系特征,引入胶囊神经网络来解码三元组,通过胶囊神经网络节点嵌入特征的学习,生成连续向量与权重向量做点积运算,再构建评分函数用于判断三元组的准确性。在WN18RR和FB15K-237数据集上进行实验,结果表明该模型可以有效处理链接预测任务。

摘要： [目的/意义]重点开展科研人才合作网络中关键研发者的潜在重要合作者链接预测分析,实现精准潜在合作者挖掘预测。[方法/过程]首先,明确关键研发者的研究方向,获取相同研究方向的全球论文数据及作者数据;其次,进行作者数据清洗与消歧,获取包含研究对象在内的最大连通网络;再次,对最大连通网络的所有学者进行研究规模、研究影响力及链接可能性等指标的综合性评估;最后,基于遴选阈值筛选潜在重要合作者,进行效果讨论与反馈,并进行实证分析。[结果/结论]为两位关键研发者预测挖掘出8位、15位符合要求的潜在合作者,经两位关键研发者表明推荐效果较好。

摘要： 链接预测是复杂网络中重要的研究方向之一。利用神经网络学习预定义的启发式特征近年来受到广泛关注。但是目前此类方法主要利用目标链接的局部子图预测链接,具有较强的局部性。针对这一问题,在SEAL算法的基础上,提出了利用多特征融合图注意力进行链接预测的算法ADNSL。该模型支持多类型的节点嵌入特征作为输入,包括局部特征生成和全局特征提取两部分。对于局部特征生成模块,利用图卷积层,将局部子图中的节点特征交互融合。为了弥补SEAL中的特征无效性和节点无偏性,提出了双向无参注意力。在全局特征提取模块中,利用迭代公式生成聚合图以降低struc2vec节点嵌入算法的复杂度,进而从全局角度挖掘可解释的结构特征,可以有效提升链接预测算法性能。实验表明,ADNSL算法可以合理地利用多类型节点嵌入特征,在八个不同领域的真实数据集上的表现明显优于多个基准算法。

摘要： 为研究社区结构对网络表示学习的影响,提出了一种新颖的融合社区结构信息的网络表示学习算法(CINE)。通过借鉴模块度思想,将社区结构吸收到基于矩阵分解的模型中以保留网络内部的社区结构;设计一个整体的目标函数,在捕获社区结构信息的同时也融合了节点间的1阶2阶邻近性信息和节点的属性信息,最终得到包含原始网络中3类信息的节点表示;采用Cora、Citeseer和Wiki等3个公开网络数据集验证CINE在节点分类、链接预测和可视化任务中的表现。结果表明:在3个数据集的分类任务中,CINE的Micro-F1分数分别达到了0.9002、0.8402、0.7619,优于所有对比算法;在Cora数据集的链路预测任务中,CINE的AUROC得分比Node2vec、DeepWalk和TADW等算法分别提高了1.165、1.144和1.059倍。说明CINE在保留网络的结构和属性信息的基础上,捕获了社区结构信息,使得所学节点表示可以更好地执行后续的网络分析任务。

摘要： 知识图谱嵌入(KGE)将实体和关系映射到低维连续向量空间中,以利用机器学习方法实现关系数据的应用,如知识分析、推理、补全等。以ConvE为代表将卷积神经网络(CNN)应用于知识图谱嵌入中,以捕捉实体和关系的交互信息,但其标准卷积捕捉特征交互信息能力不足,特征表达能力低下。针对特征交互能力不足问题,提出了一种改进的Inception结构,在此基础上构建一个知识图谱嵌入模型InceE。首先,该结构使用混合空洞卷积替代标准卷积,以提高特征交互信息捕捉能力;其次,使用残差网络结构,以减少特征信息丢失。实验使用基准数据集Kinship、FB15k、WN18验证InceE链接预测有效性。在Kinship、FB15k数据集上,相较于ArcE和QuatRE模型,InceE的Hit@1分别提升了1.6和1.5个百分点;在三个数据集上,与ConvE对比,InceE的Hit@1分别提升了6.3、20.8和1.0个百分点。实验结果表明InceE具有更强的特征交互信息捕捉能力。

摘要： 为解决现有的防御链接预测攻击的隐私保护方法的不足,提出一种基于积分梯度的局部扰动算法LDIG(local disturbance algorithm based on integral gradient)。利用敏感链接的闭合子图确定扰动范围,根据扰动范围内链接的积分梯度迭代扰动链接,同时将链接预测对扰动图中敏感链接的预测结果作为扰动结束的判断依据。实验结果表明,LDIG算法的计算复杂度较低,适用于大规模社交网络的隐私保护,扰动链接的数量较少,提高了数据的效用性。

摘要： 蛋白质链接(Cα-Cα＜8(A))预测是根据蛋白质序列的比对得到的一个概率图表,常用的方法可以分为三种:机器学习,共同进化和meta方法.用朴素贝叶斯和机器学习方法设计了新的蛋白质链接预测软件NN-BAYES,并且将NN-BAYES整合到蛋白质三维结构预测软件QUARK中.结果显示:NN-BAYES可以将蛋白质链接预测精度提高15％-24％,在将NN-BAYES整合入QUARK之后,QUARK可以将简单蛋白质三维结构预测精度提高47.6％,复杂蛋白质结构预测精度提高7％.

摘要： 链接预测在众多领域的网络分析中有着重要的应用.现实世界中许多网络包含了多种链接和关系,在这样的多关系网络中进行链接预测要考虑到不同关系之间的联系和影响.在本文中,提出了一个基于关系相似度的链接预测算法.在此算法中,用影响力传播的方法求出顶点的影响力并构成其特征向量,再以顶点的特征向量的相似度作为不同关系的相似度.然后根据各种关系的相似度来进行顶点间链接的预测.实验显示算法相比其他算法在多关系网络中取得了更好的结果.

摘要： @@近几十年，社会网络分析法有了迅速发展，已被广泛地用于社会学、政治学、人类学等多个领域。从数据挖掘角度，社会网络分析又称为链接挖掘。链接预测是链接挖掘领域中非常重要的研究方向。

摘要： 随着移动云计算的发展,大量用户通过移动设备连接云设备的方式访问丰富的移动应用.用户通过智能手机访问因特网上的任何信息往往需要有稳定的数据通信链路作保障.然而当通信状况不稳定时,移动客户端需要与云端建立多次连接,会导致很大的能量消耗,这给移动云计算系统的性能带来了巨大的挑战.本文针对移动云计算环境,将交互性强用户的访问数据相似性以及特定环境下用户行为数据的可预测性这两个因素考虑在内提出了基于用户交互行为最大化的链接预测方法(Maximize Interaction Walk):首先在数据预测模型的基础上利用基于互动关系改进的交互度方法对已知用户进行访问数据预测;再结合基于用户行为的社交网络FriendLink方法对预测数据进行数据分析筛选,利用数据预存储机制来预存上述预测数据.实验结果表明,可以保证不涉及用户背景信息并提高用户下次访问的命中率的情况下,达到预期手机节能的目的.

摘要： 目的:科研合作关系是一种重要的社会网络.为了促进科研合作,提高科研生产率,对金融领域的科研合作推荐模型进行研究. 方法:建立金融领域个人、机构和区域三个层面的科研合作网络,提出一种新的融合基于邻居节点和基于路径的网络特征的科研合作推荐模型,并从个人、机构和区域三个层面进行实证检验. 结果:通过对2000年到2014年刊载的68905篇金融领域的文章进行分析并构建科研合作网络,在个人、机构和区域三个层面上,基于特征融合的链接预测方法的AUC值分别为84.25％、87.34％和91.84％,均高于基于邻居节点的算法和基于路径的算法的AUC值. 局限:在进行训练集和测试集选取的时候只按时间进行切分,有待使用更多的切分方式对实验结果进行优化. 结论:本文有助于金融科研领域的个人、机构和区域寻求合作对象,为进行科研网络的研究以及科研合作推荐的学者提供新的研究方法和思路.

摘要： 在本文中,提出了一个基于非负矩阵分解的顶点带属性网络的链路预测算法.在该算法中,通过非负矩阵分解将网络的拓扑信息和属性信息有机地相结合,最终的结果能反映出拓扑信息和属性信息的潜在特征.实验显示算法相比其他算法在顶点带属性的网络中取得了更好的预测结果.

摘要： 本申请公开了一种基于层次化链接模式的多尺度链接预测方法和系统，本方法包括：基于现实目标网络的可见图，构造K张k阶链接图；根据k阶链接图得到节点在不同尺度上的向量表示，并通过拼接这些向量得到每一个节点的最终表示；构造二分类训练集；建立二分类模型，用于多尺度链接预测。本系统包括：链接图模块用于基于现实目标网络的可见图，构造K张k阶链接图；节点表示模块用于得到节点在不同尺度的链接图上的向量表示及最终表示；分类模块用于构造二分类训练集；预测模块用于建立二分类模型，进行多尺度链接预测。本申请能够有效捕获网络的高阶链接，更好地解决网络过于稀疏的问题；克服了人为定义边嵌入二元算子的偏见性；提升了预测性能。

摘要： 本发明提供一种面向链接预测的交互式多模态融合方法及装置，方法通过获取待预测知识图谱，包括结构化模态、可视化模态和文本模态；分别提取结构化模态、可视化模态和文本模态的高层次特征信息，得到结构化模态嵌入表示、可视化模态嵌入表示和文本模态嵌入表示；对结构化模态嵌入表示、可视化模态嵌入表示和文本模态嵌入表示进行聚合，通过双线性矩阵计算得到多模态嵌入表示；分别通过各个不同的表示预测目标实体，得到结构化预测结果、可视化预测结果、文本预测结果和多模态预测结果；调整各个预测结果的权重，得到目标预测结果，通过多模态融合能够有效地保留各模态中的专有知识实现互补性链接预测，极大地提高链接预测的准确度。

摘要： 本发明提供了一种时序知识图谱的链接预测方法、装置及电子设备，包括：获取待预测时序知识图谱的初始实体、关系和当前时间戳；其中，初始实体包括头实体或尾实体；将初始实体、关系和当前时间戳输入到预先训练得到的预测模型中，得到目标实体；其中，预测模型是基于四元组和GRU算法对图卷积神经网络进行训练得到的，四元组包括头实体、关系、尾实体和时间戳。本发明能够解决现有的预测模型无法对时序知识图谱做出准确的预测的问题，同时提高了链接预测的准确性。

摘要： 本发明公开了一种基于自注意力机制进行链接预测的人脸图像聚类方法及装置，该方法包括步骤1，选定样本，假设样本总数量为N，通过人脸识别模型对选定样本进行特征提取，步骤2，将第i个样本的人脸身份特征，输入基于上下文信息的特征增强编码模块进行增强，步骤3，对于第i个样本的候选增强特征集合，将其输入带有自注意力的关系编码模块，得到最终第i个样本所有可能链接集合，步骤4，所有的样本的链接集合，通过并查集算法进行合并，得到最终的聚类结果。该方法通过链接预测可以将聚类任务转换为分类任务，可以提高聚类结果的准确率；通过提取并结合部分邻居结点的上下文信息实现增强原结点特征的效果，减少区别度低的样本的消极影响。

摘要： 本发明公开一种基于动态网络属性表示的链接预测方法，其包括：步骤S1：在关系网络数据集基础上，动态生成人员主题库网络数据新链接，并按时间戳对节点新产生的链接进行排序得到链接序列；步骤S2：采用基于连接强度的随机游走算法对人员主题库网络节点信息进行扩散，形成网络模型；步骤S3：采用梯度下降法对网络模型的节点向量参数进行更新；步骤S4：通过属性网络链接预测算法对人员主题库网络进行基于网络结构的节点特征学习；步骤S5：通过属性网络链接预测算法对人员主题库网络进行基于节点属性的节点特征学习；步骤S6：将基于网络结构的节点特征与基于节点属性的节点特征进行特征融合及属性网络链接预测。

摘要： 本发明属于元学习与知识表示学习技术领域，具体涉及一种基于小样本学习的知识图谱实体链接预测方法。本发明利用元学习的方式在一个任务中只利用少数三元组信息完成关系信息的提取以及快速更新；考虑数据集中的三元组会存在复杂的头尾实体数量对应关系，通过预先统计出完整三元组中的头尾实体数量，根据头尾实体所占比例确定负样本的生成方式；通过知识表示学习的传统评分函数将实体向量和关系向量以共处同一平面的方式进行数学计算。本发明通过将更新后的关系信息向量映射到超平面，并将实体向量进行超平面投影分解，使得模型能够有效缓解训练过程中过度收敛的情况。

摘要： 本发明公开了一种基于邮件数据的隐私保护链接预测方法及系统，方法包括：使用邮件数据构建人物关系知识图谱；利用生成对抗网络训练一个生成模型用于学习的训练数据的分布；重构多元关系数据从而混淆数据中所隐含的敏感与非敏感关系信息；使用重构的多元关系数据补全实体之间的关系，达到在补全实体之间非敏感关系的同时，保护了实体之间敏感关系。本发明还提供了一种基于邮件数据的隐私保护链接预测系统实现上述方法。本发明用重构的多元关系数据补全实体之间的关系，达到在补全实体之间非敏感关系的同时，保护了实体之间敏感关系的目的，解决了现有链接预测技术中存在的邮件系统下人员社交关系得不到保护的技术问题。

摘要： 一种基于图注意力机制的跨语言知识图谱链接预测方法，包括以下步骤：设置图注意力机制模块、知识模块、对齐模块、集成推理模块和链接预测模块；将跨语言知识图谱中各种类型实体和关系统一映射到向量空间中，通过局部级邻居节点注意力学到每个实体连接到邻居相关实体的权重；通过全局的注意力联合学习每个关系上的权重，根据权重融合不同邻居信息进行实体嵌入表示；计算损失同时进行端到端的优化。精确度高：对多图谱获取的数据信息进行融合，根据融合后的结果来进行对齐和预测，相较于采用单一图谱的预测，其精确度更高。有助于将世界范围内多国多民族具有个性化知识的知识图谱联系并融合起来，实现世界范围内的知识共享。

摘要： 本发明公开了一种基于加强实体结构特征表示学习的链接预测方法，首先系统根据知识图谱的实体数据生成初始化向量，然后将实体的初始化向量输入到实体表示学习框架中，在表示学习框架中，对实体的初始向量通过RGCN模型对实体的关系特征进行提取，然后利用GCN模型和GAT模型组合对实体结构特征所反映的实体关系结构特征进行提取学习，作为关系特征信息的补充，并采用多种门控机制进行多特征融合；最后将实体向量输入到链接预测模型中，生成预测关系实体三元组并对预测结果进行验证；本发明有效解决了链接预测系统所面临的多源信息融合困难，关系结构特征不足的问题，实体特征向量中包含的关系特征信息足够识别复杂关系对应的实体，提高了链接预测的效果。

摘要： 本发明公开了一种基于嵌入学习的知识超图链接预测方法，通过知识超图中现有实体间的链接自动学习潜在空间中实体和关系的嵌入，根据学习得到的嵌入进行计算，从而推理出知识超图中缺失的链接。其中，通过引入关系角色矩阵，显式地为不同关系中不同位置上的实体角色信息进行建模，以灵活表示实体在不同元组中的嵌入。并对关系进行细化分解，以增加实体和关系之间的交互。同时，提出组块的概念以增加元组嵌入不同位置元素之间的交互。在真实知识超图数据集上的实验结果表明，本发明能够有效地对知识超图中的链接进行预测。