社交网络链路预测旨在根据已知的网络信息预测未来的链接关系,在推荐系统和合著网络中具有重要作用.然而,现有链路预测算法往往忽视社交网络的多元演化特点,训练时间复杂度较高,限制其执行效率.针对上述问题,文中提出基于多演化特征的社交网络链路预测算法(Multi-evolutionary Features Based Link Prediction Algorithm for Social Network,MEF-LP).首先,设计一种简单高效的时间极限学习机模型,利用门控网络和极限学习机自编码器传递与聚合社交网络快照序列的时间信息.然后,构建多个深度极限学习机,对时间特征进行多角度映射,挖掘社交网络不同的演化特征,并最终融合成综合演化特征.最后,使用基于极限学习机的分类器完成链路预测.在6个真实社交网络上的实验表明,MEF-LP能合理学习社交网络的多演化特征,并获得较优的预测性能.
首先,利用基于边界域粗糙近似算子,给出 n 阶边界集的定义,引入 n 阶粗糙近似算子的定义,构造粗糙集理论的一套阶梯式近似方法.然后,通过实例和相关证明表明,无论二元关系还是在覆盖环境中,总存在正整数 n ,对于任意对象集, n 阶上下近...
详细信息
首先,利用基于边界域粗糙近似算子,给出 n 阶边界集的定义,引入 n 阶粗糙近似算子的定义,构造粗糙集理论的一套阶梯式近似方法.然后,通过实例和相关证明表明,无论二元关系还是在覆盖环境中,总存在正整数 n ,对于任意对象集, n 阶上下近似集完全等于该对象集,即该对象集是此意义下的精确集,或其 n 阶上下近似集趋近于某一固定的对象集,即 n 阶粗糙集总能使对象集合趋近于它本身或某一固定的集合.
暂无评论