典型文献
融合权重和结构的加权非负矩阵分解的链路预测
文献摘要：
链路预测的目标是根据已知网络结构信息去预测尚未连接的节点间形成链接的可能性.大部分现存链路预测方法仅关注无向无权网络,忽略自然权重与网络结构,从而导致预测精度下降.为此,文章提出一个加权非负矩阵分解(WNMF)的链路预测模型.该模型同时保持自然权重和加权网络局部结构.首先,将权重网络的邻接矩阵分解映射到低维潜在空间,以保持原始网络自然链接权重,然后将3个经典的加权共同邻居(WCN)、加权Adamic-Adar(WAA)和加权资源分配(WRA)作为指示矩阵分配给非负矩阵分解模型,以保持网络局部结构,并融合以上两类信息提出3个基于加权非负矩阵分解框架(WNMF框架)的链路预测模型:WNMF-WCN、WNMF-WAA和WNMF-WRA.此外,采用拉格朗日乘法规则学习所提3个模型参数.在6个真实世界加权网络上将现有链路预测模型与本文链路预测模型相比较,其结果表明,所提模型的PCC和Precision值最高可分别提升22.8％和23.5％.
文献关键词：
加权网络;链路预测;自然权重;权重结构
中图分类号：
作者姓名：
陈广福;刘奇;李晓飞
作者机构：
武夷学院数学与计算机学院, 福建 武夷山 354300;福建省茶产业大数据应用与智能化重点实验室, 福建 武夷山 354300
文献出处：
引用格式：
[1]陈广福;刘奇;李晓飞-.融合权重和结构的加权非负矩阵分解的链路预测)[J].西华大学学报（自然科学版）,2022(04):57-65
A类：
自然权重,WNMF,WCN,Adamic,Adar,WAA
B类：
融合权重,非负矩阵分解,链路预测,结构信息,无权网络,加权网络,局部结构,权重网络,邻接矩阵,射到,低维,潜在空间,邻居,资源分配,WRA,配给,分解模型,拉格朗日乘法,规则学习,真实世界,上将,PCC,Precision,权重结构
AB值：
0.241872
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
