典型文献
融合高阶路径和非负矩阵分解的链路预测
文献摘要：
现有的大多数加权网络链路预测方法仅考虑了自然权重,忽略了高阶加权路径信息贡献,导致预测准确度降低.为此,提出了融合高阶路径和非负矩阵分解的链路预测模型.首先,将任意权重网络的邻接矩阵映射到低秩隐特征空间,以捕获一阶权重链接信息;其次,根据节点强度计算链接权重强度,以获得局部相似度矩阵,并将其扩展为高阶路径相似度;最后,启用图正化方法耦合二阶和高阶路径相似度,以保持局部和全局结构.此外,利用拉格朗日乘法规则学习模型参数来获得最优因子矩阵.在6 个典型的实际加权网络上与现有的主流加权网络链路预测方法进行比较分析,得到本模型性能最优.
文献关键词：
加权网络;链路预测;图正则化;高阶路径
中图分类号：
作者姓名：
陈广福;陈浩
作者机构：
武夷学院 数学与计算机学院,福建 武夷山 354300;认知计算与智能信息处理福建省高校重点实验室,福建 武夷山 354300;江苏大学京江学院 电子信息工程学院,江苏 镇江 212013
文献出处：
引用格式：
[1]陈广福;陈浩-.融合高阶路径和非负矩阵分解的链路预测)[J].重庆科技学院学报（自然科学版）,2022(06):42-48
A类：
自然权重
B类：
高阶路径,非负矩阵分解,链路预测,加权网络,预测准确度,权重网络,邻接矩阵,射到,低秩,特征空间,节点强度,强度计算,相似度矩阵,路径相似度,启用,全局结构,拉格朗日乘法,规则学习,子矩阵,模型性能,图正则化
AB值：
0.321248
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。
