【ECML-PKDD 2019】二部图中通过社区发现算法进行链接预测（Link Prediction via Community Detection inBipartite Multi-Layer Graphs）

题目： Link Prediction via Community Detection inBipartite Multi-Layer Graphs

摘要：

随着多关系网络数量的不断增加，在多层框架中解决经典图问题的方法(如链接预测)的发展带来了新的挑战。在这项工作中，我们将现有的二部局部模型方法与来自社区的链接预测方法相结合来解决多层图的链接预测问题。为此，我们将现有的基于社区发现的链路预测方法扩展到二部多层网络设置中。我们得到了一个新的二部图中链接预测的通用框架，它可以集成任何社区发现方法，能够处理任意数量的网络，而且相当便宜(取决于社区检测技术)，并且能够自动调整其参数。我们使用两种最常见的社区检测方法，Louvain算法和光谱划分来测试我们的框架，这两种方法很容易应用于二部图。我们评估我们的基准数据集的方法，以解决一个常见的药物目标交互预测任务的计算药物设计，并在经验上证明，我们的方法是有竞争力的、最先进的。

邀请嘉宾：

Albrecht Zimmermann目前在卡昂-诺曼底大学担任会议主任。在研究方面，参加了CoDaG小组的活动，又是GREYC研究实验室的一部分。2014年2月2日至2015年8月31日，我是法国里昂里昂大学LIRIS实验室的一员。在德国弗莱堡大学的计算机科学系完成了博士学习。

Bruno Crémilleux主要研究兴趣是数据库中的数据挖掘和知识发现，重点是模式发现:模式(集合)发现、约束满足问题和数据挖掘、自然语言处理和数据挖掘、偏好查询(如skypatterns)、来自几种模式语言的无监督和监督方法(如序列、图形)。这项研究工作得益于在化学信息学、生物医学文本分析、生物信息学等领域的紧密合作。Bruno Crémilleux还是GREYC实验室的约束、数据挖掘和图形团队的成员。