基于矩阵分解的DeepWalk链接预测算法

简介：
本研究提出了一种结合矩阵分解与DeepWalk技术的新型深度学习框架，用于提升社交网络中的链接预测准确性。通过分析用户行为模式和网络结构特征，该方法在多个数据集上展现出卓越性能。 现有的链路预测方法主要依赖于基于邻居、路径以及随机游走的数据来源，并且这些方法通常使用节点相似性假设或最大似然估计作为理论基础，而缺乏对神经网络的应用研究。然而，一些研究表明，利用神经网络的DeepWalk算法可以更有效地提取出复杂网络中的结构特征，已有证据表明DeepWalk等同于目标矩阵分解技术。基于这一发现，我们提出了一种新的链路预测方法——LPMF（即基于矩阵分解的DeepWalk链路预测算法）。此算法首先通过使用矩阵分解形式的DeepWalk来获取网络节点表示向量；其次计算每对节点之间的余弦相似度，并构建出目标网络中的相似度矩阵。最后，利用该相似度矩阵在三个实际引文数据集中进行实验验证。 实验结果显示，所提出的LPMF链路预测算法优于现有的20多种其他方法，在挖掘复杂网络中隐藏的结构关联性方面表现出色，并且在真实世界的链接预测任务上也展示了卓越的表现能力。