深度非负矩阵分解的链路预测方法研究
Computer Engineering and Applications（2020）
摘要
链路预测是根据现有的网络结构信息预测潜在的边,其已成为复杂网络中的热点之一.在链路预测中,传统非负矩阵分解直接将原始网络映射到隐空间中,不能充分挖掘复杂网络的深层隐结构信息,导致在稀疏网络中预测能力有限.针对以上问题,提出一种基于深度非负矩阵分解的链路预测方法(Deep Non-negative Matrix Factor-ization,DNMF).通过对系数矩阵多次分解,得到一组基矩阵和一个系数矩阵相乘,进而构建深度隐特征模型的目标函数.采用两阶段法去调整训练参数,即在预训练阶段通过逐层分解作为预分解结果,在微调阶段整体微调训练参数.根据微调训练后的基矩阵和系数矩阵,计算网络相似矩阵.该方法可以在保证真实网络的深层隐结构信息表达的同时使其可以获得更加全面的网络结构信息.通过对10个典型实际网络进行实验,表明该方法比现有经典链路预测方法具有更好的预测性能.
更多AI 理解论文
溯源树
样例
生成溯源树，研究论文发展脉络
Chat Paper
正在生成论文摘要