链路预测

摘要： 基于知识图谱嵌入模型,提出一种知识图谱嵌入评分与链路评分相结合的评分方法,以解决中文领域的多跳知识图谱问答任务,与传统的单跳知识问答方法相比适用性更广.该方法在搜索最优答案的同时构建一个查询链路,通过查询给出答案集合,从而有效缓解了现有方法中遗漏答案的情况.在NLPCC-MH数据集上的实验结果表明,该方法在多跳问题上的平均F1值为0.653,显著优于对比方法.真实知识图谱通常存在链路缺失的情况,实验以随机丢弃25％三元组的方式模拟了知识图谱的稀疏性,结果表明该方法在这种情况下仍然有效.

摘要： 随着在线社交网络的普及,基于位置的社交网络(Location-Based Social Networks,LBSN)积累了海量数据,且因其包含丰富的时空、语义信息已被广泛应用在挖掘用户行为偏好的研究上,但传统的手工提取LBSN特征的方法有很大局限性且耗时耗力.近几年来,图表示学习在推荐系统、知识图谱等领域成功应用,彰显了其强大的非线性拟合和表示学习的能力.然而,现有图表示学习大多集中在静态、同构的网络上,难以同时考虑时间、位置信息、社交关系来捕捉LBSN中复杂的结构和用户偏好,以致无法高效提取LBSN中的有效信息.因此,本文提出面向LBSN的两阶段图表示学习框架TGE-LBSN(Two Stages of Graph Embedding on LBSN),即将LBSN转化成异构网络结构,设计了LBSN上的图表示学习算法自动提取LBSN的特征,得到蕴含有效信息的节点向量表示,并利用社交领域的预测、推荐任务检验其有效性.首先,依据时间对LBSN的签到(Check-in)超边进行有偏采样,第一阶段设计了IVGS(Initial Vector Generation Stage)算法,利用好友边与Check-in超边共同生成包含位置、特征信息的初始节点向量.其次,在第二阶段将LBSN依据签到时间划分成不同子图,分别进行各个子图下的异构网络层结构信息聚合操作.在第一阶段结果的基础上,提出了面向LBSN的选择聚合邻居策略SAN(Select Aggre⁃gated Neighbors),选取有代表性的邻居节点完成聚合操作,进而完成子图向量生成算法SVG(Subgraph Vector Generation)得到子图中节点的向量表示.最后,依据任务设定损失函数,结合注意力机制为各子图学得自适应权重,从而得到节点的最终向量表示,进而完成社交领域的预测推荐任务.本研究分别在真实的LBSN数据集上以及时序社交网络与基准方法进行了大量的对比实验,并采用ROC曲线作为评价标准,实验结果验证了本文所提算法TGE-LBSN能高效地自动提取LBSN的有效信息并保留在节点的嵌入向量中,且在社交领域的好友预测任务上比现有模型在AUC值方面最高可提升42%,在兴趣点推荐任务上AUC取值相较于对比算法最高可达到7%的提升.

摘要： 链路预测计算是在复杂网络分析任务中最重要和最具挑战性的任务之一,能根据网络中现有的链接预测缺失的链接并广泛应用于多种学科领域,包括社会网络分析、推荐系统和生物网络等。文中提出一种基于路径节点信息相似性的预测方法,该预测方法是利用节点共有的特征信息来推测下一个相关的路径节点信息,从而优化现有的基于路径预测方法。首先,由于网络中一对可达节点之间的最短距离始终是唯一的,所以通过合并本地路径节点信息计算出网络中所有节点对之间最短路径中的路径最大长度,从而提高节点路径相似性的准确性;接着,以类似的方式计算遍历所有未连接的节点对,计算它们预测分配的权重得分,得到将来可能会链接起来的节点相似性得分,即是这些节点中某两个节点的最短路径;最后,采用来自不同领域的真实世界数据集进行实验实证。结果表明,与现有的最先进的预测方法相比,该方法具有较高的预测精度。

摘要： 以中小机场航线网络为研究对象,利用链路预测理论与评价方法,从网络外生属性与内生因素角度各自建立了4种预测接近性指标,比较各指标的预测效果,并进一步设计出3种耦合接近性预测算法,选取预测精度最好的算法预测中小机场未来新增航线,并对预测结果进行实际检验。结果显示,4种内生因素指标的预测精确度均高于除起降架次以外的外生属性指标,其中局部路径(Local Path,LP)指标的预测精确度最高,挖掘网络内部的结构信息更有利于预测网络连接情况,耦合算法的预测效果优于单个指标。基于耦合算法的预测结果与未来新增航线对比发现,预测的中小机场航线在未来新增航线中占比高于1/3,预测航线主要集中在东部地区,多数中小机场依然会选择中心城市连接,结果较为符合中小机场实际连接情况。

摘要： 在利用层次随机图(HRG)模型对真实网络进行链路预测的过程中,需要构造一个初始层次随机图来初始化马尔科夫链以运行马尔科夫链蒙特卡洛抽样算法。针对现有的层次随机图初始化方案效率不高的问题,本文对初始层次随机图模型进行重建,提出一种新的层次随机图模型初始化算法。该算法分为2个阶段,第一阶段引入相似性指标(LHN-I指标)为网络中的边进行排序;第二阶段利用排序好的边对层次随机图模型进行构造。在该过程中,设计一种将网络顶点插入到层次随机图模型中的方法。通过3个实例网络对提出的算法与现有算法的性能进行比较,实验结果表明,利用提出的初始化算法构造出的初始层次随机图不仅有着较高的似然值,而且使得马尔科夫链蒙特卡洛算法能够更快地收敛,进而降低链路预测的时间消耗。除此之外,在链路预测实验中,改进的基于层次随机图模型的链路预测算法相比一些基于相似性指标的链路预测算法有着较好的预测精度。

摘要： 链路预测目标是根据已知网络结构信息去预测缺失链接及将来可能产生链接.然而,现存大部分链路预测算法仅关注无向无权网络而忽略权重贡献及节点邻域结构信息,导致预测准确度下降.针对以上不足,提出一种融合邻域结构和对称非负矩阵分解的加权网络链路预测模型,去执行加权网络的预测缺失权重和鲁棒性等任务.首先,邻接矩阵与其转置求和去计算局部相似度,再将该相似度映射到低维潜在空间去保持网络局部结构信息.其次,利用最小生成树算法搜寻节点邻域结构信息,构成基于最小生成树的邻域相似度矩阵.再次,为保持节点邻域信息,将基于最小生成树相似度矩阵映射到共同低维潜在空间,以保持整个网络权重结构信息.最后,融合以上两类信息构建统一加权链路预测模型.采用乘法更新规则学习该模型参数获得局部最优解,再以最小误差重构原始加权网络,从而获得预测分数矩阵.与现存代表性方法相比较,在8个真实世界加权网络上的实验结果表明所提方法的AUC最大提高3.1%.

摘要： 链路预测旨在发现复杂网络中的未知连接和未来可能的连接,在推荐系统等实际应用中具有重要作用。考虑到许多真实网络的时序特性,时序链路预测逐渐成为研究热点。当前,基于时间序列分析的方法往往忽略了网络演化过程对网络本身的影响,而基于静态网络演化的方法大多仅考虑了局部连边的演化影响,对网络拓扑结构的演化特性挖掘有限。针对上述问题,该文提出一种融合局部拓扑影响力的时序链路预测算法(TLP-FLSI)。首先,基于网络拓扑结构影响力作用,提出时序链路预测的通用模型(CTLPM);其次,研究拓扑实体间相互作用在动态网络上的演化规律,分别定义了节点和连边的演化因子,以及时间序列衰减的演化因子,综合利用多个维度的特征信息,给出了融合局部节点和连边特征影响力的时序链路预测算法;最后,在7个真实数据集上分别进行实验,对比传统基于移动平均方法、误差修正、邻居扩展加权和图注意力网络等时序链路预测方法,实验结果证明该算法具有较好的准确率和排序性能。

摘要： 利用SPO语义挖掘和实体识别技术提取文献中具有共病关系的疾病实体,在此基础上构建共病网络,运用链路预测方法发现潜在共病组合。糖尿病领域实证结果表明模型具有良好的有效性和准确性,能够对共病发病机制、疾病预防、临床诊疗等方面起到辅助作用。

摘要： 为了解决基于局部信息的链路预测算法忽略了节点邻居信息对节点相似性度量影响的问题,提出了一种基于相对熵和节点局部结构的链路预测算法.首先,采用二阶本地网络描述节点的局部结构;然后,通过相对熵的重新定义刻画了节点之间的结构相似性;最后,利用相对熵来度量节点的结构相似性,考虑节点邻居的结构信息,提出相对熵度量节点结构相似性指标.在7个实际网络数据集上的仿真实验测试表明:相比其他基于局部和全局信息的相似性指标,所提方法在曲线下面积衡量标准下能够取得更好的效果,并且适用于平均聚集系数小的网络,在大规模网络上也有较好的表现.

摘要： 复杂基因组网络往往具有大量的节点和边,学习其节点特征并应用于一些下游任务如链路预测往往不那么容易。因此,对比找到一种合适的嵌入算法以提高对复杂基因组网络的嵌入效率同时更好的应用于一些下游任务成为了一个非常有意义的问题。本文采用三种常用的嵌入算法(DeepWalk,Line,Node2vec)对复杂基因组网络进行嵌入学习得到节点的低维向量表示,然后将其应用于链路预测任务。同时重新定义了评估指标Micro-F1的各项参数,经过实验后发现DeepWalk对于复杂基因组网络的链路预测更为适用。

摘要： 本文选取8个网络结构相似性指标,基于支持向量机构建"一带一路"沿线机场航空网络链路预测模型.研究结果显示:基于支持向量机的链路预测精确度高于传统无监督链路预测模型;Katz指标包含了"一带一路"沿线机场航空网络链路预测所需的绝大部分信息,预测精确度最高.

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.

摘要： 网络中的链路预测是指如何通过已知的网络结构等信息预测网络中尚未产生连边的两个节点之间产生连接的可能性.基于随机游走的链路预测算法在众多链路预测方法中有着准确度高等较优的效果.然而传统的随机游走没有考虑到其邻居节点对整个预测过程中的影响,从而使随机游走存在着盲目性,甚至导致最终的目的节点不可达.本文针对现有基于随机游走的链路预测算法存在的不足提出了基于邻居修正的随机游走链路预测算法.新提出的算法解决了原来随机游走算法可能出现的邻居选择单一的情况,由于考虑了源节点的所有邻居节点对最终相似度的贡献,因此对原来节点间的相似度进行修正.经过邻居修正过后的随机游走链路预测算法能够取得很好的预测效果,并且该算法拥有较低的时间复杂度和较高的算法稳定性.

摘要： 链路预测方法在复杂网络研究中应用普遍.科研合作网络是复杂网络的一种,本文首先回顾了情报和知识管理学者对科研合作的相关研究,然后介绍了链路预测的三种基本思路,之后对科研合作网络中的链路预测研究进行梳理,最后从方法和内容两个方面对当前研究进行了总结和展望.

摘要： 已有的链路预测算法主要是基于目标网络结构信息的,没有考虑到与目标网络相关的文本信息.针对此问题,本文提出了一种文本增强的链路预测算法.首先该算法将网络节点的文本内容融入到网络表示学习过程中,进而使得学习得到的网络表示向量中含有了节点的文本属性.然后,通过余弦相似性算法构建出目标网络的相似度矩阵.最后,在3个真实的数据集上做了链路预测仿真实验.实验结果显示,相比于现存的20多种链路预测算法,本算法预测结果的AUC值有明显的提升.结果充分地表明了本算法能够有效地且准确地挖掘网络中节点间的结构关联性和内部相关性.

摘要： 文章针对网络的重要结构特征识别，介绍了朋友推荐的链路预测，阐述了基于weak-clique方法识别具有重叠结构的社团网络，最后探讨了关键节点识别。

摘要： 本公开的实施例涉及使用机器学习来监测链路质量并且预测链路故障。一种设备可以接收已经使用与一组链路相关联的历史链路质量信息被训练的已训练数据模型。在接收到已训练数据模型之后，该设备可以确定与主动支持业务的链路相关联的链路质量信息。该设备可以通过使用链路质量信息作为数据模型的输入来对链路进行分类。数据模型可以将链路分类为与测量链路质量相关联的一组类中的类。该设备可以确定链路的实际质量等级。在确定链路的实际链路质量之后，该设备可以选择性地更新链路的类。该设备可以基于对链路进行分类和/或选择性地更新链路的类来执行与提高链路质量相关联的一个或多个动作。

摘要： 本公开涉及一种用户设备UE电路，包括：射频RF电路，被配置为发送上行链路数据；上行链路重传存储器，被配置为存储发送的上行链路数据，以用于稍后重传；和基带电路，被配置为：在从基站接收上行链路重传指示符之前，基于所述上行链路重传指示符的预测值，释放所述上行链路重传存储器，其中，所述上行链路重传指示符指示所述上行链路重传存储器中存储的上行链路数据的成功传输。

摘要： 本公开的实施例涉及使用机器学习来监测链路质量并且预测链路故障。一种设备可以接收已经使用与一组链路相关联的历史链路质量信息被训练的已训练数据模型。在接收到已训练数据模型之后，该设备可以确定与主动支持业务的链路相关联的链路质量信息。该设备可以通过使用链路质量信息作为数据模型的输入来对链路进行分类。数据模型可以将链路分类为与测量链路质量相关联的一组类中的类。该设备可以确定链路的实际质量等级。在确定链路的实际链路质量之后，该设备可以选择性地更新链路的类。该设备可以基于对链路进行分类和/或选择性地更新链路的类来执行与提高链路质量相关联的一个或多个动作。

摘要： 本申请提供了一种在基站与用户设备之间的数据传输方法。对于所述基站，所述方法包括：在所述基站处，接收要传送给所述用户设备的数据；向所述用户设备传输所述数据；接收来自所述用户设备的早期预测反馈的指示信号。根据所述早期预测反馈的指示信号，如果所述早期预测反馈的指示信号指示不连续传输(DTX)，向所述用户设备重新传输所述数据，并从所述接收早期预测反馈的指示信号的步骤开始，重复所述方法。如果所述早期预测指示信号指示负确认(NAK)，确定是否存在足够的延迟预算。如果所述预算可用，在接收混合自动重复请求(HARQ)反馈的步骤中继续所述方法。如果所述预算不可用，则将所述数据重新传输给所述用户设备，并从所述接收早期预测反馈的指示信号的步骤开始，重复所述方法。所述方法还包括：接收HARQ反馈；以及如果所述HARQ反馈指示NAK，则向所述用户设备重新传输所述数据，并从所述接收早期预测反馈的指示信号的步骤开始，重复所述方法。对于所述用户设备，所述方法包括：在所述用户设备处，接收来自所述基站的数据；基于至少一部分接收到的所述数据，估计错误概率；基于估计的所述错误概率，生成早期预测反馈的指示信号；以及向所述基站发送所述早期预测反馈的指示信号。本申请还提供了用于分别执行上述方法的基站和用户设备。

摘要： 本公开的实施例涉及使用机器学习来监测链路质量并且预测链路故障。一种设备可以接收已经使用与一组链路相关联的历史链路质量信息被训练的已训练数据模型。在接收到已训练数据模型之后，该设备可以确定与主动支持业务的链路相关联的链路质量信息。该设备可以通过使用链路质量信息作为数据模型的输入来对链路进行分类。数据模型可以将链路分类为与测量链路质量相关联的一组类中的类。该设备可以确定链路的实际质量等级。在确定链路的实际链路质量之后，该设备可以选择性地更新链路的类。该设备可以基于对链路进行分类和/或选择性地更新链路的类来执行与提高链路质量相关联的一个或多个动作。

摘要： 本发明提供了一种链路预测模型的建立方法，所述链路预测模型包括：时序受限玻尔兹曼机模型和梯度提升决策树模型；所述方法包括：从互联网或其它多媒体中抓取大量的网络数据，对网络数据进行预处理，将网络数据划分为历史数据和现有数据，输入时序受限玻尔兹曼机模型，训练出模型参数；提取网络数据节点对的网络拓扑特征，形成特征集并输入梯度提升决策树模型，训练出模型参数；所述链路预测模型包括训练好的时序受限玻尔兹曼机模型和梯度提升决策树模型。基于该方法建立的链路预测模型，本发明还提供了一种链路预测方法，该方法能够预测网络下一状态的所有链接。

摘要： 本发明提供了一种链路预测模型的训练方法，所述方法包括：步骤S1)对抓取网络数据进行预处理，将预处理后的网络数据提取训练集；步骤S2)对训练集构造的网络进行特征提取，将提取的特征组成特征集；所述特征包括：基于邻居的特征和基于网络游走的特征；步骤S3)对所述特征集用梯度迭代树模型进行特征转换，得到新的多维特征集；步骤S4)将特征集和新的多维特征集进行融合输入链路预测模型，训练得到所述链路预测模型的参数，从而得到训练完毕的链路预测模型。本发明的方法只需要从现有的特征集入手就能扩展特征集的数量；不需要再从网络中提取新的特征，极大地减少了特征提取难度；而且提升了模型的预测性能和鲁棒性。

摘要： 本发明公开了一种对抗链路预测的用于网络结构隐私保护的链路删除方法，包括以下步骤：S1：从原始网络链路集中选取若干条目标链路；并将所有目标链路从原始网络链路集中删除；并给定删除预算K和链路删除计数器i，其中：i＝0；S2：将当前网络链路集中的所有链路的初始权重值设为0；链路删除计数器i＝i+1；S3：找出每条目标链路的两个端节点的共同邻居；对于每条目标链路，将每个端节点与共同邻居之间的链路的权重值加1；S4：当最大权重值大于0且i不大于K时；进行S5，否则进行S7；S5：选取一条权重值最大的链路并删除；S6：更新S2中的当前网络链路集，并返回S2；S7：结束。本发明能够实现较好的原始网络可用性保留，且能达到很好的隐私保护目的。

摘要： 本发明提供了一种链路预测模型的建立方法，所述链路预测模型包括：时序受限玻尔兹曼机模型和梯度提升决策树模型；所述方法包括：从互联网或其它多媒体中抓取大量的网络数据，对网络数据进行预处理，将网络数据划分为历史数据和现有数据，输入时序受限玻尔兹曼机模型，训练出模型参数；提取网络数据节点对的网络拓扑特征，形成特征集并输入梯度提升决策树模型，训练出模型参数；所述链路预测模型包括训练好的时序受限玻尔兹曼机模型和梯度提升决策树模型。基于该方法建立的链路预测模型，本发明还提供了一种链路预测方法，该方法能够预测网络下一状态的所有链接。

摘要： 本发明提供了一种链路预测模型的训练方法，所述方法包括：步骤S1)对抓取网络数据进行预处理，将预处理后的网络数据提取训练集；步骤S2)对训练集构造的网络进行特征提取，将提取的特征组成特征集；所述特征包括：基于邻居的特征和基于网络游走的特征；步骤S3)对所述特征集用梯度迭代树模型进行特征转换，得到新的多维特征集；步骤S4)将特征集和新的多维特征集进行融合输入链路预测模型，训练得到所述链路预测模型的参数，从而得到训练完毕的链路预测模型。本发明的方法只需要从现有的特征集入手就能扩展特征集的数量；不需要再从网络中提取新的特征，极大地减少了特征提取难度；而且提升了模型的预测性能和鲁棒性。