时间网络的顺序堆叠链路预测算法
Xie He1, Amir Ghasemian2, Eun Lee3
1Department of Mathematics, Dartmouth College, Hanover, NH, USA.
Nature communications
|February 14, 2024
概括
本研究引入了一种用于时间链预测的顺序堆叠方法,其性能优于复杂的时间特征. 这种方法使用历史网络数据准确预测未来的连接,增强网络分析.
科学领域:
- 网络科学 网络科学
- 数据挖掘 数据挖掘
- 机器学习 机器学习
背景情况:
- 链接预测算法对于网络分析至关重要,有助于数据收集和推断缺失的连接.
- 动态网络,链接随着时间的推移而演变,对传统的链接预测方法构成挑战.
- 在链接预测中最佳地利用时间信息仍然是一个开放的研究问题.
研究的目的:
- 为了评估时间拓特征与静态网络特征的有效性,用于时间链接预测.
- 开发和验证一种新的顺序堆叠方法,以改善时间链接预测.
- 在各种网络类型和数据完整性场景中评估拟议方法的性能.
主要方法:
- 使用41个静态网络特征的顺序堆叠方法被采用,最大限度地减少了手动特征工程.
- 该方法在时间随机区块模型和19个现实世界的时间网络上进行了测试.
- 通过将拟议的方法与其他预测因素相结合的合体学习被用来提高性能.
主要成果:
- 顺序堆叠的静态网络特征在链接预测中表现出比许多时间拓特征更高的准确性.
- 拟议的方法在时间随机块模型上实现了接近预言水平的性能,特别是在组合配置中.
- 在各种现实世界的时间网络中,一致观察到性能改进.
结论:
- 静态网络特征的顺序堆叠为时间链接预测提供了一个计算效率高,准确的替代方案.
- 开发的方法有效地处理了部分和完全未观察到的网络层.
- 通过堆叠多种预测方法进行集体学习,可以显著提高现实世界时间网络分析的性能.
