.png){kind=icon}
返回
Link prediction via robust bidirectional deep nonnegative matrix factorization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2025.128108.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
链接预测因其重要的理论价值和实际应用价值而受到广泛关注。已有大量方法被提出，以基于观测到的网络拓扑来推断缺失的链接或预测隐含的链接。非负矩阵分解（NMF）因其出色的可解释性和可扩展性，被广泛应用于解决链接预测问题。然而，大多数现有的基于NMF的链接预测方法是单向的浅层结构模型，且对噪声敏感。此外，这些方法很少考虑网络中隐藏的非线性特征。为解决这些挑战，本文提出了一种新颖的鲁棒双向深度非负矩阵分解（RBDNMF）方法用于链接预测。具体而言，RBDNMF包含双向深度结构，这些结构相互引导以获取更准确的节点表示，并捕获网络中隐藏的层次结构信息。此外，采用L2,1-范数来增强鲁棒性，并应用联合核函数来探索丰富的有用特征，尤其是非线性特征。最后，严格证明了目标函数的数学收敛性。通过在六个真实网络上的链接预测任务中与十二种最新方法进行对比分析，验证了RBDNMF的有效性。
Keyword:
Link prediction
NMF
RBDNMF
Kernel function
L2,1-norm
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容