导读:本文包含了链路预测论文开题报告文献综述及选题提纲参考文献，主要关键词:复杂网络,链路预测,网络动力学
链路预测论文文献综述
潘永昊,于洪涛,吴翼腾[1]（2019）在《基于复杂网络动力学模型的链路预测方法》一文中研究指出链路预测是复杂网络中研究缺失连边和未来形成连边的重要组成部分,当前基于网络结构的链路预测方法成果丰富,而基于复杂网络动力学模型的链路预测研究较少。针对无权无向网络,首先构建了复杂网络动力学模型,然后给出了基于复杂网络动力学模型的链路预测节点中心性的量化评价指标,最后通过给出的节点中心性量化指标,提出了由复杂网络动力学模型定义的链路预测方法。通过在真实网络数据集上进行的实验表明,提出的链路预测方法较基准方法有明显的预测精度的提升。(本文来源于《网络与信息安全学报》期刊2019年06期）
陈晋音,徐轩桁,吴洋洋,陈一贤,郑海斌[2]（2019）在《基于时空注意力深度模型的动态链路预测》一文中研究指出动态网络的链路预测在复杂网络的各个领域均有应用.动态网络的节点和链路随时间动态变化(出现或者消失),因此其链路预测比静态链路预测更具有挑战.本文提出一种时空注意力的深度模型(GLAT),通过提取动态网络的时空特征,实现端到端(end-to-end)的动态网络的链路预测.GLAT通过注意力长短时记忆网络(LSTM-attention)和注意力图卷积网络(GCN-attention)相结合,利用LSTM-attention学习网络节点连边状态的时序信息,利用GCN-attention学习每个时刻网络的结构特征,通过提出的两种时空注意力机制可有效关注与动态链路预测任务相关的时空特征.本文对四个真实世界的数据集展开实验验证,GLAT模型在AUC、GMAUC、误差率这几个指标上分别比对比算法提高了9. 41%、13. 76%、82. 41%.本文使用度中心性(DC)和链路介数中心性(EBC)来衡量每条链路的重要性,实验证明,GLAT模型在这两个重要性链路上的预测误差率上比对比算法分别提高了32. 2%、17. 77%.因此GLAT模型在预测准确性,错误率和动态跟踪方面优于现有方法.(本文来源于《小型微型计算机系统》期刊2019年11期）
王斌,李毅磊,盛津芳,孙泽军,卢奔[3]（2019）在《联合子图模式和网络表征的路网链路预测模型》一文中研究指出城市道路网络(简称路网)是一种结构复杂且高度稀疏的网络,对城市道路网络进行链路预测能够对城市结构变化进行合理预演,辅助城市设计者决策.本文针对路网特性提出了一种新的链路预测模型GRSC,该模型首先通过road2vec对路网进行网络表征,然后将子图模式和网络表征结果有机地结合起来,共同构建包含子图结构特征、游走距离特征的广义路网子图特征,最后训练logistic回归分类模型,用于路网链路预测.实验对比了GRSC模型和其它链路预测模型在不同国家、不同类型城市路网上的表现以及模型参数的变化对预测精度的影响,结果表明,GRSC在预测精度和稳定性方面都表现良好.(本文来源于《小型微型计算机系统》期刊2019年11期）
常圣,马宏,刘树新[4]（2019）在《基于叁元组结构的有向网链路预测方法》一文中研究指出当前链路预测的研究主要集中在无向网络,然而现实世界中存在大量的有向网络,忽略链路的方向会缺失一些重要信息甚至使预测失去意义,而直接将无向网络的预测方法应用于有向网络又存在预测精度降低的问题。为此,提出了一个基于叁元组的有向网络链路预测算法,该算法针对有向网络和无向网络叁元组结构的不同,应用势理论对叁元组进行筛选,通过统计分析不同叁元组闭合的可能性,以网络整体叁元组闭合指数作为权重计算节点间的相似性。在9个真实数据集上的实验表明,所提方法比基准方法的预测精度提高了4.3%。(本文来源于《网络与信息安全学报》期刊2019年05期）
熊涛[5]（2019）在《基于相似性指标的链路预测方法》一文中研究指出预测网络缺失的链接或者未来可能出现的链接对于挖掘网络中重要信息及分析网络演化机制有着重要的意义。过去的几十年,许多来自不同领域的学者提出了许多方法解决链路预测问题。文章总结了近年来基于相似性指标的链路预测方法及链路预测方法在现实网络中的典型应用。文章根据相似性指标所考虑的信息的不同,分析了四类基于相似性指标的链路预测方法。(本文来源于《信息通信》期刊2019年10期）
胡旭飞,许云峰[6]（2019）在《基于骨干度与网络编码的链路预测模型研究》一文中研究指出为了研究网络表示学习在社交网络中链路预测方面的应用,提出了一种基于骨干度与网络编码的链路预测模型(BDLINE)。在网络表示学习算法LINE的基础上融入骨干度算法,通过给一阶相似度和二阶相似度中增添骨干权重,将网络编码到多维向量空间中,调试到最优参数。实验采用2个真实数据的数据集,分别在不同的算法模型上进行多次实验。实验结果表明:在链路预测方面,BDLINE均比其他网络表示学习算法的性能有所提升,AUC评测值更高,预测效果表现得更好。因此,所提出的方法可以方便地提取网络特征信息,更好地处理社交网络在链路预测中的随机性,对社交网络中预测网络节点的关联性和有效性具有一定的参考。(本文来源于《河北工业科技》期刊2019年05期）
王秋杰,尹心明[7]（2019）在《链路预测算法在药物推荐中的应用研究》一文中研究指出由于组织与组织之间,个人与个人之间的社会关系在社会生活中不断变化,因此在不同领域之间形成了动态的社会网络结构。在理解网络这种动态的性质以及确定未来的关系方面,链路预测是一个重要且有效的解决方法。它运用网络当前状态的结构特征去预测将来网络节点之间可能存在的关联。论文基于药物推荐的应用特征,提出一种面向疾病-药物网络的链路预测方法。当前大多数链路预测的研究都是基于单一模式的网络结构。区别与单一模式网络,论文提出基于二分网络(如疾病-药物网络)的链路预测算法。同时为了验证提出算法的预测效果,论文选择四个经典的链路预测算法进行对比。实验结果显示,论文提出的方法比其他的基于链路预测的类似方法成功率更高。(本文来源于《计算机与数字工程》期刊2019年09期）
陆圣宇,欧锋,黄清元,刘宝,路振民[8]（2019）在《基于资源分配与偏好连接的局部路径链路预测算法》一文中研究指出针对复杂网络中基于结构相似性的链路预测问题,在对比现有链路预测算法相似性指标的基础上,结合资源分配算法中节点资源共享概念和偏好连接算法中节点度与连边概率关系,同时综合局部路径,定义一个相似性指标LRPA,并据此提出一种新的链路预测算法。在经典复杂网络数据集和真实比特币OCT交易网络中进行预测,实验结果表明,该算法能准确预测连边结构以及比特币用户的交易模式。(本文来源于《计算机工程》期刊2019年09期）
刘留,王煜尧,倪琦瑄,曹杰,卜湛[9]（2019）在《一种基于博弈论的时序网络链路预测方法》一文中研究指出链路预测是复杂网络分析领域的一项重要研究课题,可被应用于许多实际应用场景,如推荐系统、信息检索和市场分析等.不同于传统的链路预测问题,针对有时间窗口的时序链路集合,需预测未来任意时刻链路的存在情况,即探究时序网络的演化机制.为解决这一问题,结合生存分析和博弈论,提出一种有效的半监督学习框架.首先,定义一个ε-邻接网络序列模型,并利用每条链路的时间戳信息生成真实的网络演化序列.为捕捉网络演化规律,为每条链路定义一组基于邻居相似性的特征向量,并采用Cox比例风险模型来估计该特征向量的协变量系数.为缩小搜索空间,提出一种基于博弈的双向选择机制来预测未来的网络拓扑结构.最后,提出一种基于多智能体自治计算的网络演化预测算法,并在多个真实时序网络数据集上验证了算法的有效性和高效性.(本文来源于《计算机研究与发展》期刊2019年09期）
赵宇红,李可新[10]（2019）在《基于时序深度学习的机会网络链路预测方法》一文中研究指出提出了一种基于长短记忆网络(LSTM)的链路预测方案,该方案利用网络历史拓扑及链路相关属性作为时序输入,使用LSTM模型提取链路时间序列的时空特征,挖掘链路时间序列前后关联信息,对链路形成的趋势进行预测.实验结果证明:提出方案的准确性和稳定性.(本文来源于《内蒙古科技大学学报》期刊2019年03期）
链路预测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
动态网络的链路预测在复杂网络的各个领域均有应用.动态网络的节点和链路随时间动态变化(出现或者消失),因此其链路预测比静态链路预测更具有挑战.本文提出一种时空注意力的深度模型(GLAT),通过提取动态网络的时空特征,实现端到端(end-to-end)的动态网络的链路预测.GLAT通过注意力长短时记忆网络(LSTM-attention)和注意力图卷积网络(GCN-attention)相结合,利用LSTM-attention学习网络节点连边状态的时序信息,利用GCN-attention学习每个时刻网络的结构特征,通过提出的两种时空注意力机制可有效关注与动态链路预测任务相关的时空特征.本文对四个真实世界的数据集展开实验验证,GLAT模型在AUC、GMAUC、误差率这几个指标上分别比对比算法提高了9. 41%、13. 76%、82. 41%.本文使用度中心性(DC)和链路介数中心性(EBC)来衡量每条链路的重要性,实验证明,GLAT模型在这两个重要性链路上的预测误差率上比对比算法分别提高了32. 2%、17. 77%.因此GLAT模型在预测准确性,错误率和动态跟踪方面优于现有方法.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
链路预测论文参考文献
[1].潘永昊,于洪涛,吴翼腾.基于复杂网络动力学模型的链路预测方法[J].网络与信息安全学报.2019
[2].陈晋音,徐轩桁,吴洋洋,陈一贤,郑海斌.基于时空注意力深度模型的动态链路预测[J].小型微型计算机系统.2019
[3].王斌,李毅磊,盛津芳,孙泽军,卢奔.联合子图模式和网络表征的路网链路预测模型[J].小型微型计算机系统.2019
[4].常圣,马宏,刘树新.基于叁元组结构的有向网链路预测方法[J].网络与信息安全学报.2019
[5].熊涛.基于相似性指标的链路预测方法[J].信息通信.2019
[6].胡旭飞,许云峰.基于骨干度与网络编码的链路预测模型研究[J].河北工业科技.2019
[7].王秋杰,尹心明.链路预测算法在药物推荐中的应用研究[J].计算机与数字工程.2019
[8].陆圣宇,欧锋,黄清元,刘宝,路振民.基于资源分配与偏好连接的局部路径链路预测算法[J].计算机工程.2019
[9].刘留,王煜尧,倪琦瑄,曹杰,卜湛.一种基于博弈论的时序网络链路预测方法[J].计算机研究与发展.2019
[10].赵宇红,李可新.基于时序深度学习的机会网络链路预测方法[J].内蒙古科技大学学报.2019