基于特征分类的链路预测方法综述

• 作者: 乐孜纯 左浩 武玉坤 王慧 龚轩
• 来源期刊: 计算机科学
• 学科: 工学
• 关键词: 链路预测 复杂网络 机器学习 特征分类 图神经网络
• 年，卷（期）: 2020,（8）
• 所属期刊栏目: 计算机网络
• 页码范围: 302-312
• 页数: 11页
• 分类号: TP391
• 字数: 12791字
• 语种: 中文
• DOI: 10.11896/jsjkx.190700136

摘要

复杂网络链路预测作为网络科学研究中一个重要的研究方向,受到了越来越多来自各个学科领域专家的关注,它可以利用现有的网络信息,如节点和边缘的特征,来预测未来可能形成的关系、网络中缺失的信息以及新的或正在消失的信息,识别虚假交互,评估网络演化机制,进行网络重构等.当前链路预测的文献主要来自工程学、计算机科学与物理学的专家,它们各自为政,缺少合作,结合多学科进行链路预测的综述论文少之又少.因此,文中从计算机科学和物理学的视角全面回顾、分析和讨论基于特征分类的链路预测算法的研究进展,介绍了该领域专家们提出的多种特征提取技术,首次把分层的思想引入链路预测算法分类中,将分类模型分为3层,即元数据层、特征分类层和特征抽取层.该分类模型包括"2个大块7个方面",即把常用的链路预测算法分为2个大块(特征提取方法和特征学习方法)和7个方面(基于相似性的方法、基于似然分析的方法、基于概率模型的方法、矩阵分解方法、基于随机游走的方法、基于神经网络的方法和基于自定义损失函数的方法).该分类方法覆盖了各学科中许多经典的和最新的链路预测技术,包括当前最流行的图神经网络链路预测技术GNN(Graph Neural Network),GCN(Graph Convolutional Network),RNN(Recurrent Neural Network)和RL(Reinforcement Learning).文中研究了这些算法的模型复杂性和预测性能的差异,并对当前链路预测技术未来所面临的挑战进行了讨论.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	乐孜纯	浙江工业大学理学院	82	212	7.0	10.0
2	王慧	浙江工业大学计算机科学与技术学院	19	151	6.0	12.0
6	龚轩	浙江工业大学计算机科学与技术学院	4	1	1.0	1.0
7	武玉坤	浙江工业大学计算机科学与技术学院	6	1	1.0	1.0
8	左浩	浙江工业大学计算机科学与技术学院	3	1	1.0	1.0