基于特征分类的链路预测方法综述

摘要：

复杂网络链路预测作为网络科学研究中一个重要的研究方向,受到了越来越多来自各个学科领域专家的关注,它可以利用现有的网络信息,如节点和边缘的特征,来预测未来可能形成的关系、网络中缺失的信息以及新的或正在消失的信息,识别虚假交互,评估网络演化机制,进行网络重构等.当前链路预测的文献主要来自工程学、计算机科学与物理学的专家,它们各自为政,缺少合作,结合多学科进行链路预测的综述论文少之又少.因此,文中从计算机科学和物理学的视角全面回顾、分析和讨论基于特征分类的链路预测算法的研究进展,介绍了该领域专家们提出的多种特征提取技术,首次把分层的思想引入链路预测算法分类中,将分类模型分为3层,即元数据层、特征分类层和特征抽取层.该分类模型包括"2个大块7个方面",即把常用的链路预测算法分为2个大块(特征提取方法和特征学习方法)和7个方面(基于相似性的方法、基于似然分析的方法、基于概率模型的方法、矩阵分解方法、基于随机游走的方法、基于神经网络的方法和基于自定义损失函数的方法).该分类方法覆盖了各学科中许多经典的和最新的链路预测技术,包括当前最流行的图神经网络链路预测技术GNN(Graph Neural Network),GCN(Graph Convolutional Network),RNN(Recurrent Neural Network)和RL(Reinforcement Learning).文中研究了这些算法的模型复杂性和预测性能的差异,并对当前链路预测技术未来所面临的挑战进行了讨论.

关键词：链路预测、复杂网络、机器学习、特征分类、图神经网络

所属期刊栏目：47

分类号：TP391(计算技术、计算机技术)

资助基金：浙江省国际合作"一带一路"专项2015C04005

在线出版日期：2020-08-26（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：302-312