一种基于深度RTRBM的动态网络链路预测方法

• 作者: 潘嘉琪 邹俊韬
• 来源期刊: 计算机技术与发展
• 学科: 工学
• 关键词: 动态网络 链路预测 网络嵌入 受限玻尔兹曼机
• 年，卷（期）: 2020,（3）
• 所属期刊栏目: 智能、算法、系统工程
• 页码范围: 1-6
• 页数: 6页
• 分类号: TP311
• 字数: 5456字
• 语种: 中文
• DOI: 10.3969/j.issn.1673-629X.2020.03.001

摘要

针对节点对的嵌入特征随时间演化而发生的骤变问题,提出了一种基于深度循环时序受限玻尔兹曼机(RTRBM)的链路预测方法.在样本集构建方面,利用网络嵌入学习自动化提取网络节点特征,并以嵌入特征空间中两个节点间的距离作为节点对样本属性;在学习模型选择方面,将RTRBM模型应用于动态网络链路预测,考虑到短时间间隔内节点在嵌入特征空间中的位置相对稳定,对RTRBM的能量函数及训练过程进行了改进.此外,为了提取节点对的深度时序特征,结合深度学习理论,通过纵向地堆叠多个改进后的RTRBM构成深度学习结构,并利用Logistic回归分类器对动态网络中的链路关系进行分类和预测.实验结果表明,改进后的RTRBM及其深度学习模型相比于其他方法在AUC指标下有着明显的性能提升.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	潘嘉琪	南京航空航天大学计算机科学与技术学院	2	0	0.0	0.0
2	邹俊韬	南京航空航天大学计算机科学与技术学院	2	0	0.0	0.0