生成对抗式分层网络表示学习的链路预测算法

摘要：

针对当前链路预测算法无法有效保留网络图高阶结构特征的问题,提出一种生成对抗式分层网络表示学习算法.根据网络图的一阶邻近性和二阶邻近性,递归地对网络图进行边缘折叠和顶点合并,形成逐层规模变小的子网络图,使用Node2vec算法对规模最小的子网络图进行预处理,并将预处理结果输入到生成对抗式网络(EmbedGAN)模型中,学习得到最小子网络图顶点的低维向量表示,将其输入至上一层子网络的EmbedGAN模型中,作为上一层子网络图顶点的低维向量表示.按照该方法进行逐层向上回溯学习,直至学习到原始网络图,从而得到原始网络图顶点的低维向量表示.在多个不同领域的真实网络数据集上进行链路预测,实验结果表明,该算法的准确率与稳定性均优于LP、Katz和LINE算法.

关键词：链路预测、网络表示学习、邻近性、生成对抗式网络、分层网络

所属期刊栏目：47

分类号：TP18(自动化基础理论)

资助基金：江苏省产学研合作项目BY2015019-30

在线出版日期：2021-02-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：60-68,76