.png){kind=icon}
返回
A unified temporal link prediction framework based on nonnegative matrix factorization and graph regularization
.png){kind=icon}
PRE
AI
DOI：10.1007/s11227-025-07217-7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
复杂真实世界系统，随着时间的推移，可以被建模为动态网络。大量研究已聚焦于利用网络中实体和关系的信息。时序链接预测是动态网络中的一个具有挑战性但至关重要的任务，旨在根据先前快照中观察到的网络结构，预测未来快照中链接的出现和消失。然而，现有工作未能充分利用历史网络的信息，例如演化结构和社区数据。此外，非负矩阵分解（NMF）技术无法自动从动态网络中提取非线性时空特征。在本文中，我们引入了一个统一的时序链接预测框架 EDeepEye，该框架利用 NMF 和图正则化来预测时序链接。基于此框架，我们提出了三种新颖的方法：SDeepEye、GDeepEye 和 QDeepEye，它们分别整合先验信息、加权矩阵和模块度矩阵。此外，我们为这些方法的因素提供了有效的乘性更新规则，这些规则从时序拓扑结构中学习潜在特征。三种评估指标，即接收者操作特征曲线下面积、精确率和均方根误差，被用于验证所提出方法的优越性。实证研究结果证明，我们提出的方法在八个真实世界网络和16个合成网络上均优于基线方法。
Keyword:
Temporal link prediction
NMF
Graph regularization
Modularity
Community detection
期刊
IF:
2.7
论文数:
1.1K
被引数:
1.0W
机构
暂无机构信息
引用论文
Graph regularized nonnegative matrix factorization for temporal link prediction in dynamic networks
PREAI
分享收藏THE MEANING AND USE OF THE AREA UNDER A RECEIVER OPERATING CHARACTERISTIC (ROC) CURVE受试者工作特征 (ROC) 曲线下面积的含义和用途.png)
RADIOLOGY
RADIOLOGYIF15.2
PREAI
分享收藏分享收藏An effective link prediction method for industrial knowledge graphs by incorporating entity description and neighborhood structure information一种通过融合实体描述和邻域结构信息实现工业知识图谱有效链接预测的方法
PREAI
分享收藏A deep contrastive framework for unsupervised temporal link prediction in dynamic networks一种用于动态网络中无监督时序链接预测的深度对比框架
PREAI
分享收藏Graph regularized autoencoding-inspired non-negative matrix factorization for link prediction in complex networks using clustering information and biased random walk基于图正则化自编码器启发式的非负矩阵分解，结合聚类信息和偏置随机游走，用于复杂网络中的链接预测
PREAI
分享收藏
分享收藏
查看更多内容