资料下载
如何使用机器学习技术解决社会网络链接预测问题
分享资料个
链接预测是寻找社会网络中隐藏的和未来可能出现的链接，它对于分析社会网络具有重要意义。本文在对现有社会网络链接预测研究的基础上，分析了社会网络链接预测算法中的多维相似度属性，并把链接预测问题转换为分类问题，尝试使用机器学习的方法解决社会网络链接预测问题，最终通过实验得到验证，相似度属性特征对链接预测具有较高影响力，链接预测问题可以转化为分类问题通过机器学习算法得到解决。
复杂网络研究是众多科学领域的一个重要分支，大量的学者致力于研究网络的特征、演化过程、拓扑结构与功能之间的关系。其中，社会网络分析近年来成为复杂网络分析中一个新的非常重要的研究方向，尤其随着多种社交媒体的产生与发展繁盛，社会网络分析对于研究事件演化、信息推荐、舆情管控等都具有重要的作用。社会网络中的链接预测主要是通过网络的已知信息，预测没有链接的两个节点发生链接的可能性，这种链接关系可能是已经存在但尚未被发现的，也可能是目前不存在，但是在不久的将来非常可能发生的。社会网络实体之间的关系分析对事件发展具有极其重要的作用，因而链接预测在现实世界中具有非常广泛的应用性，比如社交网络中的好友推荐，电商中的商品推荐，社会安全中的实体识别等等。
链接预测作为社会网络分析的一个重要研究方向，是一个交叉学科问题，涉及社会学、系统学、图形学等等，逐渐发展成为国内外学者的研究热点。经典方法都是将社会网络看作是一个节点和关系的集合，网络中的每个节点对应一个实体，每条边对应着用户之间的一种关系，链接预测就是基于这些实体和关系的特征进行。为了实现快速的关系预测，如何综合社会网络中的多维特征是研究者们一直在探索的问题。本文提出的基于多维相似度属性的社会网络链接预测算法，就是要分析社会网络中节点和边的多维相似度属性，通过机器学习的方法，实现对社会网络有效的链接预测。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
- 相关下载
- 相关文章
