基于聚类和决策树的链路预测方法

2017 年 8 月 25 日 计算机研究与发展 杨妮亚,彭涛等

基于聚类和决策树的链路预测方法 

链路预测是数据挖掘研究的主要问题之一.由于网络的复杂性、数据的多样性,根据网络结构及已有信息对异质网络中的不同类型的数据进行链路预测的问题也变得更加复杂.

针对双类型异质信息网络,提出了一种基于聚类和决策树的链路预测方法CDTLinks.通过将网络中2种类型对象互为特征的方法得到对象的特征表示,并分别进行聚类.对于双类型异质网络提出了3种启发式规则来构建决策树,根据信息增益来选择树中不同分支.最后,根据聚簇分布结果以及决策树模型来判断任意2个不同类型节点之间是否存在链接.另外,定义了潜在链接节点并引入层数的概念,在降低算法运行时间的同时提高了准确率.在DBLP和AMiner数据集上验证了提出的CDTlinks方法,结果表明:在双类型异质网络中,CDTlinks模型能够有效地进行链路预测.


全文阅读:http://crad.ict.ac.cn/CN/abstract/abstract3504.shtml

杨妮亚,彭涛,刘露. 基于聚类和决策树的链路预测方法[J]. 计算机研究与发展, 2017, 54(8): 1795-1803.

登录查看更多
8

相关内容

网络中的链路预测(Link Prediction)是指如何通过已知的网络节点以及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链接的可能性。这种预测既包含了对未知链接(exist yet unknown links)的预测也包含了对未来链接(future links)的预测。该问题的研究在理论和应用两个方面都具有重要的意义和价值 。
最新《动态网络嵌入》综述论文,25页pdf
专知会员服务
136+阅读 · 2020年6月17日
【经典书】机器学习:贝叶斯和优化方法,1075页pdf
专知会员服务
404+阅读 · 2020年6月8日
基于深度学习的表面缺陷检测方法综述
专知会员服务
93+阅读 · 2020年5月31日
专知会员服务
73+阅读 · 2020年5月21日
基于小样本学习的图像分类技术综述
专知会员服务
148+阅读 · 2020年5月6日
基于深度学习的多标签生成研究进展
专知会员服务
141+阅读 · 2020年4月25日
【机器学习课程】机器学习中的常识性问题
专知会员服务
73+阅读 · 2019年12月2日
论文浅尝 | 基于属性嵌入的知识图谱间实体对齐方法
开放知识图谱
30+阅读 · 2019年3月26日
决策树
Datartisan数据工匠
4+阅读 · 2018年4月19日
基于概率论的分类方法:朴素贝叶斯
Python开发者
8+阅读 · 2017年11月9日
结合弱监督信息的凸聚类
计算机研究与发展
6+阅读 · 2017年8月30日
关系推理:基于表示学习和语义要素
计算机研究与发展
18+阅读 · 2017年8月22日
A Survey on Bayesian Deep Learning
Arxiv
63+阅读 · 2020年7月2日
Arxiv
22+阅读 · 2019年11月24日
Deep Learning in Video Multi-Object Tracking: A Survey
Arxiv
57+阅读 · 2019年7月31日
Arxiv
15+阅读 · 2019年6月25日
Arxiv
5+阅读 · 2018年4月30日
Arxiv
4+阅读 · 2018年2月19日
VIP会员
相关VIP内容
最新《动态网络嵌入》综述论文,25页pdf
专知会员服务
136+阅读 · 2020年6月17日
【经典书】机器学习:贝叶斯和优化方法,1075页pdf
专知会员服务
404+阅读 · 2020年6月8日
基于深度学习的表面缺陷检测方法综述
专知会员服务
93+阅读 · 2020年5月31日
专知会员服务
73+阅读 · 2020年5月21日
基于小样本学习的图像分类技术综述
专知会员服务
148+阅读 · 2020年5月6日
基于深度学习的多标签生成研究进展
专知会员服务
141+阅读 · 2020年4月25日
【机器学习课程】机器学习中的常识性问题
专知会员服务
73+阅读 · 2019年12月2日
相关资讯
论文浅尝 | 基于属性嵌入的知识图谱间实体对齐方法
开放知识图谱
30+阅读 · 2019年3月26日
决策树
Datartisan数据工匠
4+阅读 · 2018年4月19日
基于概率论的分类方法:朴素贝叶斯
Python开发者
8+阅读 · 2017年11月9日
结合弱监督信息的凸聚类
计算机研究与发展
6+阅读 · 2017年8月30日
关系推理:基于表示学习和语义要素
计算机研究与发展
18+阅读 · 2017年8月22日
相关论文
Top
微信扫码咨询专知VIP会员