复杂性gydF4y2Ba 复杂性gydF4y2Ba 1099 - 0526gydF4y2Ba 1076 - 2787gydF4y2Ba HindawigydF4y2Ba 10.1155 / 2019/4906903gydF4y2Ba 4906903gydF4y2Ba 研究文章gydF4y2Ba 信号预测标记学习社交网络使用分支界限法优化传输gydF4y2Ba 元gydF4y2Ba 胖子gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba 庞gydF4y2Ba 秦文君gydF4y2Ba 1gydF4y2Ba http://orcid.org/0000 - 0002 - 7879 - 7625gydF4y2Ba 关gydF4y2Ba 东海gydF4y2Ba 1gydF4y2Ba http://orcid.org/0000 - 0002 - 2307 - 8201gydF4y2Ba 田gydF4y2Ba 元gydF4y2Ba 3gydF4y2Ba http://orcid.org/0000 - 0003 - 0318 - 7627gydF4y2Ba Al-DhelaangydF4y2Ba 阿卜杜拉gydF4y2Ba 4gydF4y2Ba Al-DhelaangydF4y2Ba 默罕默德gydF4y2Ba 4gydF4y2Ba 李gydF4y2Ba 荐新gydF4y2Ba 1gydF4y2Ba 学院计算机科学与技术gydF4y2Ba 南京航空航天大学gydF4y2Ba 南京210016gydF4y2Ba 中国gydF4y2Ba nuaa.edu.cngydF4y2Ba 2gydF4y2Ba 协同创新中心的新软件技术和产业化gydF4y2Ba 南京210093gydF4y2Ba 中国gydF4y2Ba nju.edu.cngydF4y2Ba 3gydF4y2Ba 计算机工程学院gydF4y2Ba 南京理工学院gydF4y2Ba 南京211816gydF4y2Ba 中国gydF4y2Ba njit.edu.cngydF4y2Ba 4gydF4y2Ba 计算机科学部门gydF4y2Ba 沙特国王大学gydF4y2Ba 利雅得gydF4y2Ba 沙特阿拉伯gydF4y2Ba ksu.edu.sagydF4y2Ba 2019年gydF4y2Ba 14gydF4y2Ba 2gydF4y2Ba 2019年gydF4y2Ba 2019年gydF4y2Ba 30.gydF4y2Ba 11gydF4y2Ba 2018年gydF4y2Ba 19gydF4y2Ba 01gydF4y2Ba 2019年gydF4y2Ba 14gydF4y2Ba 2gydF4y2Ba 2019年gydF4y2Ba 2019年gydF4y2Ba 版权©2019胖子元等。gydF4y2Ba 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba

信号预测问题旨在预测签署网络链接的迹象。目前已广泛应用于各种各样的应用程序。由于标签数据的不足,学习采用转移到利用辅助数据在目标领域改善迹象的预测。现有的作品受到两个限制。首先,他们不能工作,如果没有目标标签。第二,其泛化性能不能保证是由于这一事实,他们的目标函数的解决方案不是全局最优解。要解决这些问题,我们提出一个新的信号预测无标号的社交网络使用分支界限法优化传输学习(SP_BBTL)预测模型。SP_BBTL的主要思想是利用目标特征向量重建源域特征向量投影的关系的基础上,这是一个复杂的优化问题,解决了基于分支界限法,提出优化可以获得全局最优的解决方案。有了这个设计,目标域标签信息不需要分类器。最后,签署的大规模社会网络上的实验结果验证了模型的优越性。gydF4y2Ba

 中国国家自然科学基金gydF4y2Ba 61672284gydF4y2Ba 江苏省自然科学基金gydF4y2Ba BK20171418gydF4y2Ba 中国博士后科学基金会gydF4y2Ba 2016年m591841gydF4y2Ba 江苏省博士后研究基金计划项目gydF4y2Ba 1601225 cgydF4y2Ba 院长职科研,沙特国王大学gydF4y2Ba 以序列- vpp - 264gydF4y2Ba 1。介绍gydF4y2Ba

信号预测预测签署网络的符号链接,在签署网络网络的边缘有迹象表示节点之间的关系。的符号链接是积极的还是消极的。与一个积极的迹象也被称为积极的联系,这意味着这个链接的两个终端节点信任或者喜欢对方。一个链接和一个负号也被称为消极的链接,这意味着这个链接的两个终端节点相互不信任或不喜欢。与无符号网络只包含值代表的存在链接,签署网络包含节点的关系更有价值的信息。由于这种丰富的保存信息,签署网络已经广泛应用于许多应用程序,比如推荐系统(gydF4y2Ba 1gydF4y2Ba,gydF4y2Ba 2gydF4y2Ba)和社区检测(gydF4y2Ba 3gydF4y2Ba,gydF4y2Ba 4gydF4y2Ba]。gydF4y2Ba

大多数链接预测方法或semisupervised签署网络监督。他们很难预测标记目标网络之前没有任何目标的标签信息。至于那些链接预测方法使用转移学习或集成学习技术,有nonneglectable知识在知识转移或域映射。在签署网络链路预测的主要挑战是数据不足的问题。这是使用一个辅助动力网络预测标志标记目标网络的标签。标志由专家手动标记,这是费时和昂贵的。这导致不足数量的标记符号在现实的应用程序。转移学习,能够把知识从其他领域来帮助预测迹象,因此被用来解决这个问题(gydF4y2Ba 5gydF4y2Ba,gydF4y2Ba 6gydF4y2Ba]。域包含预测称为目标域的迹象,和域的知识转移到目标域称为源域。gydF4y2Ba

虽然传输信号预测方法有很好的表演学习基于标签签署网络,他们无法预测无标号签署网络上的迹象。在[gydF4y2Ba 7gydF4y2Ba- - - - - -gydF4y2Ba 9gydF4y2Ba),他们地图特征向量在源域和目标域到一个高维空间的共同知识转移知识。这些映射的方法在高维空间的计算过程中失去知识像再生核希尔伯特空间。这些方法也失去了知识在逆变换计算重建错误。现有的方法需要大量的标记目标域的迹象训练分类器。标记目标域的迹象与标签一起使用的迹象源域映射域的特征向量。这些特征向量映射到一个共同特征向量空间,和映射的特征向量称为转移的常识。常识以及两域的标记符号用于训练分类器。然而,在真正的应用程序中,有时无法获得任何标记目标域的迹象,这使得它不可能退出方法(gydF4y2Ba 10gydF4y2Ba]映射两个领域的常识。gydF4y2Ba

此外,信号预测性能的现有工作需要进一步改进现有目标函数的优化一直以来导致局部最优解或病态的解决方案。不同域之间的知识转移是一个复杂的过程,因此,预测通常非凸目标函数的标志。大多数现有的工作原理就像(gydF4y2Ba 11gydF4y2Ba)使用梯度下降算法来优化他们的非凸目标函数来预测标志。然而,由于集成现有的长度是固定的适合梯度下降算法,最优解并不总是可能被选为目标函数的最终解决方案。这导致这些作品的局部最优解的目标函数。所以,预测标志使用这些作品的表现并不稳定。一些现有的其他作品(gydF4y2Ba 12gydF4y2Ba- - - - - -gydF4y2Ba 14gydF4y2Ba)优化目标函数与最小角回归方法或迭代。然而,当目标函数的解析解,映射转换的误差通常与这些优化方法(大gydF4y2Ba 15gydF4y2Ba- - - - - -gydF4y2Ba 17gydF4y2Ba]。这导致了巨大损失的常识知识转移。gydF4y2Ba

为了解决现有工作的问题,我们提出了一个新颖的信号预测模型使用分支界限法优化传输学习(SP_BBTL)。SP_BBTL不同于现有的工作(gydF4y2Ba 18gydF4y2Ba- - - - - -gydF4y2Ba 20.gydF4y2Ba),依赖于目标标签建立源域和目标域之间的关系;SP_BBTL建立直接从源特征向量目标特征向量投影获得重建错误源域和目标域之间的关系。直接映射可以保存更多的原始和特定的信息和知识在源域和足够的训练分类器和预测目标标签没有任何先验信息的目标标签。此外,SP_BBTL适应分支界限法优化计算全局最优的解决方案。具体地说,该模型优化目标函数通过分支界限法(BB),可以得到全局最优解的范围,确保解决方案和BB可以应用于许多组合优化问题。gydF4y2Ba

在SP_BBTL有三个主要优势。首先,它不需要任何标签标志在目标域因为特征向量的映射。其次,基于BB模型可以用来计算混合非凸优化问题的全局最优解与特征向量在社交网络。第三,该方法执行的不平衡网络与现有工作因为SP_BBTL得到全局最优解的过程中源特征向量重建保留更完整和原始转移知识的源域。gydF4y2Ba

本文的其余部分组织如下。部分gydF4y2Ba 2gydF4y2Ba简要回顾相关工作;部分gydF4y2Ba 3gydF4y2Ba介绍了该方法的细节;部分gydF4y2Ba 4gydF4y2Ba展示了实验结果;部分gydF4y2Ba 5gydF4y2Ba本文总结并指出了未来的工作。gydF4y2Ba

 2。相关的工作gydF4y2Ba

在本文中,我们提出一个新颖的信号通过学习技术转移预测方法。因此,相对的工作主要分为两部分:信号预测和转移学习。gydF4y2Ba

2.1。信号预测gydF4y2Ba

主要有三类信号预测方法。第一类构造nonbayesian模型基于一组顶点属性。第二种类型获取每个样本的联合概率基于概率的知识。第三类利用线性代数方法基于rank-reduced相似性计算网络节点之间的相似性矩阵。参考文献(gydF4y2Ba 7gydF4y2Ba- - - - - -gydF4y2Ba 9gydF4y2Ba,gydF4y2Ba 21gydF4y2Ba,gydF4y2Ba 22gydF4y2Ba)监督需要足够多的训练样本构建预测模型。所有的现有方法需要一些先验知识来训练分类器,然而获取先验知识的成本是昂贵的在真实的应用程序中。除此之外,许多信号预测问题面对类不平衡问题在现实中。文献[gydF4y2Ba 23gydF4y2Ba)不适合类不平衡问题,然而[gydF4y2Ba 24gydF4y2Ba利用邻接矩阵和拉普拉斯矩阵训练和测试分类器。但是这种方法的目标函数优化的迭代计算,在计算过程中产生相当大的误差。gydF4y2Ba

除了模型设计,预测信号的另一个焦点是有用的特征向量的提取构建预测模型。主要有两种类型的特点:顶点特征和边缘特征。顶点特征包括基于邻居节点的特性,基于路径的特性,Katz价值(gydF4y2Ba 25gydF4y2Ba,gydF4y2Ba 26gydF4y2Ba)、集群系数分数等。边缘特征实际上是一对节点的特点,其中主要包括内核功能结合,扩展图的形成和通用SimRank。gydF4y2Ba

 2.2。转移学习gydF4y2Ba

在真实的社交网络,它是很难获得的或昂贵的标签我们的目标问题,导致可用数据的不足。为了解决这个问题,转移学习采用信号预测问题,试图利用源领域的知识来预测目标域的迹象。基于目前转移学习预测方法可分为三种类型:知识转移的情况下,转移知识的参数和转移的知识特征表征(gydF4y2Ba 27gydF4y2Ba]。文献[gydF4y2Ba 28gydF4y2Ba)属于基于实例的方法,但他们不能工作没有目标标签。转移知识的方法的参数(gydF4y2Ba 29日gydF4y2Ba)假设模型参数相关的学习任务可以共享,这实际上是很难真正的网络。gydF4y2Ba

处理数据不足的问题,有一些非监督学习方法转移(gydF4y2Ba 12gydF4y2Ba,gydF4y2Ba 30.gydF4y2Ba,gydF4y2Ba 31日gydF4y2Ba],它不需要任何标签标志在目标域。但是他们需要设计的主功能来实现良好的性能模型。不幸的是,主功能的设计通常是非常挑战性的。另一个相关的方法所以gydF4y2Ba 32gydF4y2Ba表现出良好的性能在常规的数据集,但它有一个巨大的性能退化的类不平衡数据集。gydF4y2Ba

一般而言,相关工作的分析表明,传统的标志需要足够数量的预测标志标签进行训练。缓解这个问题,转移提出了基于学习的方法,但这些方法仍然需要一些数量的标签标志在目标域。现有的无监督学习预测方法基于信号转移不需要任何标签标志在目标域,但他们通常是为了解决某一信号预测问题,很难作为一个通用的解决方案。因此,一种新的传输信号预测基于学习的方法是必需的。在本文中,我们提出一个新颖的符号预测模型命名符号预测无标号的社交网络使用分支界限法优化传输学习(SP_BBTL)。SP_BBTL的详细介绍,在下一节中介绍。gydF4y2Ba

 3所示。该方法gydF4y2Ba 3.1。问题定义gydF4y2Ba

一个gydF4y2Ba 签署网络gydF4y2Ba可以表示成一个有向图吗gydF4y2Ba GgydF4y2Ba= (gydF4y2Ba VgydF4y2Ba,gydF4y2Ba EgydF4y2Ba,gydF4y2Ba YgydF4y2Ba),gydF4y2Ba VgydF4y2Ba 代表节点,gydF4y2Ba EgydF4y2Ba 代表的边缘,gydF4y2Ba YgydF4y2Ba 的标志是gydF4y2Ba EgydF4y2Ba 。gydF4y2Ba ∃gydF4y2Ba vgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba vgydF4y2Ba jgydF4y2Ba ϵgydF4y2Ba VgydF4y2Ba ,如果有优势gydF4y2Ba vgydF4y2Ba 我gydF4y2Ba 来gydF4y2Ba vgydF4y2Ba jgydF4y2Ba ,gydF4y2Ba egydF4y2Ba 我gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba egydF4y2Ba 我gydF4y2Ba jgydF4y2Ba ϵgydF4y2Ba EgydF4y2Ba ;如果没有联系gydF4y2Ba vgydF4y2Ba 我gydF4y2Ba 和gydF4y2Ba vgydF4y2Ba jgydF4y2Ba ,gydF4y2Ba egydF4y2Ba 我gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 0gydF4y2Ba 。如果gydF4y2Ba egydF4y2Ba 我gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba vgydF4y2Ba 我gydF4y2Ba 不信任,或者喜欢gydF4y2Ba vgydF4y2Ba jgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba jgydF4y2Ba ϵgydF4y2Ba YgydF4y2Ba ;如果gydF4y2Ba egydF4y2Ba 我gydF4y2Ba jgydF4y2Ba =gydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba vgydF4y2Ba 我gydF4y2Ba 不信任或不喜欢gydF4y2Ba vgydF4y2Ba jgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba jgydF4y2Ba =gydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba jgydF4y2Ba ϵgydF4y2Ba YgydF4y2Ba 。一个gydF4y2Ba 邻接矩阵gydF4y2Ba 一个gydF4y2Ba用于描述连接的gydF4y2Ba GgydF4y2Ba,在这gydF4y2Ba 一个gydF4y2Ba 我gydF4y2Ba jgydF4y2Ba ϵgydF4y2Ba 一个gydF4y2Ba 之间的连接gydF4y2Ba vgydF4y2Ba 我gydF4y2Ba 和gydF4y2Ba vgydF4y2Ba jgydF4y2Ba ,在这里gydF4y2Ba 一个gydF4y2Ba 我gydF4y2Ba jgydF4y2Ba =gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba jgydF4y2Ba 。gydF4y2Ba

信号预测gydF4y2Ba预测gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba jgydF4y2Ba 为gydF4y2Ba egydF4y2Ba 我gydF4y2Ba jgydF4y2Ba (gydF4y2Ba egydF4y2Ba 我gydF4y2Ba jgydF4y2Ba ϵgydF4y2Ba EgydF4y2Ba )gydF4y2Ba 的gydF4y2Ba GgydF4y2Ba 。预测链接的迹象,一个特征向量gydF4y2Ba FgydF4y2Ba是提取gydF4y2Ba 一个gydF4y2Ba来描述gydF4y2Ba EgydF4y2Ba。gydF4y2Ba FgydF4y2Ba用于列车信号分类器,然后预测目标链接的迹象。gydF4y2Ba 链接预测gydF4y2Ba是一个学习任务,预测是否存在一个链接标记或标记的网络。信号预测是一个学习任务,预测链接的迹象,这也被称为标签或链接的权重。标签用于这项工作由积极的标签和消极的标签。预测网络链接预测链接的标签是一样的。gydF4y2Ba

转移预测基于学习的标志gydF4y2Ba传输源域到目标域的知识来预测目标域的链接的迹象。让两个签署网络gydF4y2Ba 年代gydF4y2Ba =gydF4y2Ba (gydF4y2Ba VgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba EgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba YgydF4y2Ba 年代gydF4y2Ba )gydF4y2Ba 和gydF4y2Ba TgydF4y2Ba =gydF4y2Ba (gydF4y2Ba VgydF4y2Ba TgydF4y2Ba ,gydF4y2Ba EgydF4y2Ba TgydF4y2Ba ,gydF4y2Ba YgydF4y2Ba TgydF4y2Ba )gydF4y2Ba 表示gydF4y2Ba 源领域gydF4y2Ba和gydF4y2Ba 目标领域gydF4y2Ba转移学习基础信号预测,gydF4y2Ba VgydF4y2Ba 年代gydF4y2Ba =gydF4y2Ba ngydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba VgydF4y2Ba TgydF4y2Ba =gydF4y2Ba ngydF4y2Ba TgydF4y2Ba ,gydF4y2Ba EgydF4y2Ba 年代gydF4y2Ba =gydF4y2Ba 米gydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba EgydF4y2Ba TgydF4y2Ba =gydF4y2Ba 米gydF4y2Ba TgydF4y2Ba ,gydF4y2Ba ngydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba TgydF4y2Ba ,gydF4y2Ba 米gydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba 米gydF4y2Ba TgydF4y2Ba ϵgydF4y2Ba NgydF4y2Ba +gydF4y2Ba 。为gydF4y2Ba egydF4y2Ba 我gydF4y2Ba jgydF4y2Ba ϵgydF4y2Ba EgydF4y2Ba TgydF4y2Ba SP_BBTL预测,gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba jgydF4y2Ba (gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba jgydF4y2Ba ϵgydF4y2Ba YgydF4y2Ba TgydF4y2Ba )gydF4y2Ba TgydF4y2Ba 的协作表示gydF4y2Ba FgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba FgydF4y2Ba TgydF4y2Ba ,gydF4y2Ba YgydF4y2Ba 年代gydF4y2Ba 。gydF4y2Ba

 3.2。提出SP_BBTL模型gydF4y2Ba

提出的主要观点SP_BBTL模型图gydF4y2Ba 1gydF4y2Ba。SP_BBTL首先构造一个分类器基于知识的迹象gydF4y2Ba 年代gydF4y2Ba,也就是说,gydF4y2Ba FgydF4y2Ba 年代gydF4y2Ba 和gydF4y2Ba YgydF4y2Ba 年代gydF4y2Ba 。SP_BBTL发现之间的关系gydF4y2Ba FgydF4y2Ba TgydF4y2Ba 和gydF4y2Ba FgydF4y2Ba 年代gydF4y2Ba 。这种关系项目gydF4y2Ba FgydF4y2Ba TgydF4y2Ba 来gydF4y2Ba FgydF4y2Ba 年代gydF4y2Ba 并生成一个新的表示gydF4y2Ba FgydF4y2Ba TgydF4y2Ba 2gydF4y2Ba 年代gydF4y2Ba ,这是用于建立之间的关系gydF4y2Ba GgydF4y2Ba 年代gydF4y2Ba 和gydF4y2Ba GgydF4y2Ba TgydF4y2Ba 。gydF4y2Ba FgydF4y2Ba TgydF4y2Ba 2gydF4y2Ba 年代gydF4y2Ba 然后使用的输入训练分类器输出的信号:预测迹象吗gydF4y2Ba YgydF4y2Ba TgydF4y2Ba 2gydF4y2Ba 年代gydF4y2Ba 。gydF4y2Ba

源领域知识和目标的协作表示领域知识的预测标志。gydF4y2Ba

SP_BBTL的关键步骤是实现领域适应gydF4y2Ba GgydF4y2Ba TgydF4y2Ba 来gydF4y2Ba GgydF4y2Ba 年代gydF4y2Ba 和建立一个映射gydF4y2Ba FgydF4y2Ba TgydF4y2Ba 来gydF4y2Ba FgydF4y2Ba 年代gydF4y2Ba :gydF4y2Ba (1)gydF4y2Ba FgydF4y2Ba TgydF4y2Ba 2gydF4y2Ba 年代gydF4y2Ba =gydF4y2Ba HgydF4y2Ba FgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba FgydF4y2Ba TgydF4y2Ba 在哪里gydF4y2Ba FgydF4y2Ba TgydF4y2Ba 2gydF4y2Ba 年代gydF4y2Ba 的投影gydF4y2Ba FgydF4y2Ba TgydF4y2Ba 成gydF4y2Ba FgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba HgydF4y2Ba是映射函数。映射(gydF4y2Ba 1gydF4y2Ba)应该最大化相似,同时最小化之间的区别gydF4y2Ba GgydF4y2Ba 年代gydF4y2Ba 和gydF4y2Ba GgydF4y2Ba TgydF4y2Ba 。gydF4y2Ba

的详细架构提出SP_BBTL模型如图gydF4y2Ba 2gydF4y2Ba,灰色矩形代表功能模块和白色矩形表示数据。SP_BBTL是邻接矩阵的输入gydF4y2Ba TgydF4y2Ba和gydF4y2Ba 年代gydF4y2Ba。输出预测的迹象gydF4y2Ba YgydF4y2Ba的gydF4y2Ba TgydF4y2Ba。特征向量提取模块提取gydF4y2Ba FgydF4y2Ba TgydF4y2Ba 和gydF4y2Ba FgydF4y2Ba 年代gydF4y2Ba 从输入矩阵。提出了基于绑定选项的一个分支领域重建模块建立的映射gydF4y2Ba FgydF4y2Ba TgydF4y2Ba 来gydF4y2Ba FgydF4y2Ba 年代gydF4y2Ba 。重建的特征向量gydF4y2Ba FgydF4y2Ba TgydF4y2Ba 2gydF4y2Ba 年代gydF4y2Ba 将使用协作gydF4y2Ba 年代gydF4y2Ba 预测gydF4y2Ba YgydF4y2Ba TgydF4y2Ba 的信号分类模块。的技术细节SP_BBTL图gydF4y2Ba 2gydF4y2Ba。gydF4y2Ba

SP_BBTL提出的体系结构模型。gydF4y2Ba

 3.2.1之上。特征向量提取gydF4y2Ba

如图gydF4y2Ba 2gydF4y2Ba,因为源域和目标域的邻接矩阵,特征向量gydF4y2Ba FgydF4y2Ba 年代gydF4y2Ba 和gydF4y2Ba FgydF4y2Ba TgydF4y2Ba 首先提取描述链接吗gydF4y2Ba 年代gydF4y2Ba和gydF4y2Ba TgydF4y2Ba链接预测。在这个工作中,五个特性为每个特征向量提取。这些特性包括链接积极的出度,链接-出度,积极联系入度,链接-入度,和链接嵌入性(gydF4y2Ba 33gydF4y2Ba]。gydF4y2Ba

积极联系出度gydF4y2Ba dgydF4y2Ba ogydF4y2Ba ugydF4y2Ba tgydF4y2Ba +gydF4y2Ba (gydF4y2Ba vgydF4y2Ba 我gydF4y2Ba )gydF4y2Ba 表示积极边缘指向的数量gydF4y2Ba vgydF4y2Ba 我gydF4y2Ba 其他节点。gydF4y2Ba dgydF4y2Ba ogydF4y2Ba ugydF4y2Ba tgydF4y2Ba +gydF4y2Ba (gydF4y2Ba vgydF4y2Ba 我gydF4y2Ba )gydF4y2Ba 反映出的可能性gydF4y2Ba vgydF4y2Ba 我gydF4y2Ba 给连接链接积极的迹象。更高的价值gydF4y2Ba dgydF4y2Ba ogydF4y2Ba ugydF4y2Ba tgydF4y2Ba +gydF4y2Ba (gydF4y2Ba vgydF4y2Ba 我gydF4y2Ba )gydF4y2Ba ,更有可能吗gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 。链接负出度gydF4y2Ba dgydF4y2Ba ogydF4y2Ba ugydF4y2Ba tgydF4y2Ba - - - - - -gydF4y2Ba (gydF4y2Ba vgydF4y2Ba 我gydF4y2Ba )gydF4y2Ba 是负边指向的数量gydF4y2Ba vgydF4y2Ba 我gydF4y2Ba 其他节点。gydF4y2Ba dgydF4y2Ba ogydF4y2Ba ugydF4y2Ba tgydF4y2Ba - - - - - -gydF4y2Ba (gydF4y2Ba vgydF4y2Ba 我gydF4y2Ba )gydF4y2Ba 反映出的可能性gydF4y2Ba vgydF4y2Ba 我gydF4y2Ba 给连接链接负号。更高的价值gydF4y2Ba dgydF4y2Ba ogydF4y2Ba ugydF4y2Ba tgydF4y2Ba - - - - - -gydF4y2Ba (gydF4y2Ba vgydF4y2Ba 我gydF4y2Ba )gydF4y2Ba ,更有可能吗gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba jgydF4y2Ba =gydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba 。gydF4y2Ba

积极联系入度gydF4y2Ba dgydF4y2Ba 我gydF4y2Ba ngydF4y2Ba +gydF4y2Ba (gydF4y2Ba vgydF4y2Ba jgydF4y2Ba )gydF4y2Ba 是积极的边缘指向的数量吗gydF4y2Ba vgydF4y2Ba jgydF4y2Ba 。gydF4y2Ba dgydF4y2Ba 我gydF4y2Ba ngydF4y2Ba +gydF4y2Ba (gydF4y2Ba vgydF4y2Ba jgydF4y2Ba )gydF4y2Ba 反映出的可能性gydF4y2Ba vgydF4y2Ba jgydF4y2Ba 从连接链接得到积极的迹象。更高的价值gydF4y2Ba dgydF4y2Ba 我gydF4y2Ba ngydF4y2Ba +gydF4y2Ba (gydF4y2Ba vgydF4y2Ba jgydF4y2Ba )gydF4y2Ba ,更有可能吗gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 。链接-入度gydF4y2Ba dgydF4y2Ba 我gydF4y2Ba ngydF4y2Ba - - - - - -gydF4y2Ba (gydF4y2Ba vgydF4y2Ba jgydF4y2Ba )gydF4y2Ba 是负边指向的数量吗gydF4y2Ba vgydF4y2Ba jgydF4y2Ba 。gydF4y2Ba dgydF4y2Ba 我gydF4y2Ba ngydF4y2Ba - - - - - -gydF4y2Ba (gydF4y2Ba vgydF4y2Ba jgydF4y2Ba )gydF4y2Ba 反映出的可能性gydF4y2Ba vgydF4y2Ba jgydF4y2Ba 负号来自一个相关链接。更高的价值gydF4y2Ba dgydF4y2Ba 我gydF4y2Ba ngydF4y2Ba - - - - - -gydF4y2Ba (gydF4y2Ba vgydF4y2Ba jgydF4y2Ba )gydF4y2Ba ,更有可能吗gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba jgydF4y2Ba =gydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba 。gydF4y2Ba

关系嵌入性gydF4y2Ba egydF4y2Ba 米gydF4y2Ba (gydF4y2Ba egydF4y2Ba 我gydF4y2Ba jgydF4y2Ba )gydF4y2Ba 是常见的邻居的数量吗gydF4y2Ba vgydF4y2Ba 我gydF4y2Ba 和gydF4y2Ba vgydF4y2Ba jgydF4y2Ba 。每条边的链接嵌入性(或链接)包含的基本特点它的邻居节点之间的关系,它反映了全球工程网络的结构特征在整个网络。gydF4y2Ba egydF4y2Ba 米gydF4y2Ba (gydF4y2Ba egydF4y2Ba 我gydF4y2Ba jgydF4y2Ba )gydF4y2Ba 也代表的结构平衡gydF4y2Ba egydF4y2Ba 我gydF4y2Ba jgydF4y2Ba :根据结构平衡理论,价值就越高gydF4y2Ba egydF4y2Ba 米gydF4y2Ba (gydF4y2Ba egydF4y2Ba 我gydF4y2Ba jgydF4y2Ba )gydF4y2Ba ,更有可能的一个积极的关系gydF4y2Ba vgydF4y2Ba 我gydF4y2Ba 和gydF4y2Ba vgydF4y2Ba jgydF4y2Ba 和更有可能存在gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 。gydF4y2Ba

 3.2.2。分支界限法优化域重建gydF4y2Ba

域重建SP_BBTL模型的关键部分。它将建立潜在源特征向量和目标特征向量之间的关系合作。重建域gydF4y2Ba FgydF4y2Ba TgydF4y2Ba 来gydF4y2Ba FgydF4y2Ba 年代gydF4y2Ba 可以表示成gydF4y2Ba (2)gydF4y2Ba FgydF4y2Ba TgydF4y2Ba XgydF4y2Ba =gydF4y2Ba FgydF4y2Ba 年代gydF4y2Ba 在哪里gydF4y2Ba XgydF4y2Ba 的解决方案(gydF4y2Ba 2gydF4y2Ba)。从本质上讲,gydF4y2Ba XgydF4y2Ba 是使协作的桥梁使用的知识吗gydF4y2Ba 年代gydF4y2Ba和gydF4y2Ba TgydF4y2Ba。gydF4y2Ba XgydF4y2Ba 用gydF4y2Ba FgydF4y2Ba TgydF4y2Ba 2gydF4y2Ba 年代gydF4y2Ba 在图gydF4y2Ba 1gydF4y2Ba,(gydF4y2Ba 2gydF4y2Ba)也可以写成gydF4y2Ba (3)gydF4y2Ba FgydF4y2Ba TgydF4y2Ba FgydF4y2Ba TgydF4y2Ba 2gydF4y2Ba 年代gydF4y2Ba =gydF4y2Ba FgydF4y2Ba 年代gydF4y2Ba 提出了基于分枝定界方法求解(gydF4y2Ba 3gydF4y2Ba)与最低全球化错误获得全局最优解。用最小的错误,(gydF4y2Ba 3gydF4y2Ba)可以写成gydF4y2Ba (4)gydF4y2Ba XgydF4y2Ba ∗gydF4y2Ba =gydF4y2Ba argmingydF4y2Ba ⁡gydF4y2Ba FgydF4y2Ba 年代gydF4y2Ba - - - - - -gydF4y2Ba FgydF4y2Ba TgydF4y2Ba XgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba XgydF4y2Ba ∗gydF4y2Ba 是最优的解决方案(gydF4y2Ba 3gydF4y2Ba)。1-norm总结矩阵的列选择的最大数值。如果每一列的总和gydF4y2Ba XgydF4y2Ba 最小化,重建误差最小化。这确保转移学习任务的差异最小化。gydF4y2Ba

最小化误差(gydF4y2Ba 4gydF4y2Ba),出于稀疏编码的思想,限制条件gydF4y2Ba ggydF4y2Ba 将gydF4y2Ba (5)gydF4y2Ba ggydF4y2Ba :gydF4y2Ba XgydF4y2Ba 我gydF4y2Ba 0gydF4y2Ba ≤gydF4y2Ba αgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1、2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba TgydF4y2Ba 在哪里gydF4y2Ba αgydF4y2Ba 非零元素的数量在每一列的gydF4y2Ba XgydF4y2Ba 。gydF4y2Ba ggydF4y2Ba 可以控制稀疏的gydF4y2Ba FgydF4y2Ba 年代gydF4y2Ba 重建。gydF4y2Ba αgydF4y2Ba 保证了非零元素对应于选中的样品是邻居gydF4y2Ba XgydF4y2Ba 。gydF4y2Ba

计算(gydF4y2Ba 2gydF4y2Ba)是解决问题的混合优化。然而,现有的方法只能计算出局部最优解,不能得到全局最优解(gydF4y2Ba 2gydF4y2Ba)。因此,分支界限法提出了实现最优解的计算方法。分支界限法是一种广义的搜索算法,包括搜索和迭代。具体来说,它比较了大小给定误差之间的关系gydF4y2Ba εgydF4y2Ba 和上界和下界的区别的特征向量,然后调整了上界和下界根据大小的关系。该方法控制解决方案的复杂性通过参数向量在不同网络规模gydF4y2Ba αgydF4y2Ba。它可以计算出混合优化问题的全局最优解。(gydF4y2Ba 34gydF4y2Ba算法中所示的细节gydF4y2Ba 1gydF4y2Ba。gydF4y2Ba

<大胆>算法1:< /大胆>分支界限法优化域重建。gydF4y2Ba

输入:gydF4y2Ba FgydF4y2Ba TgydF4y2Ba 和gydF4y2Ba FgydF4y2Ba 年代gydF4y2Ba

输出:全局最优值gydF4y2Ba XgydF4y2Ba ,重建误差egydF4y2Ba

参数:约束参数gydF4y2Ba αgydF4y2Ba,gydF4y2Ba

截止错误gydF4y2Ba εgydF4y2Ba ,gydF4y2Ba

ϕgydF4y2Ba lgydF4y2Ba bgydF4y2Ba :下界函数;gydF4y2Ba

ϕgydF4y2Ba ugydF4y2Ba bgydF4y2Ba :上界函数;gydF4y2Ba

问gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba 我gydF4y2Ba tgydF4y2Ba :一组n维向量。gydF4y2Ba

1。gydF4y2Ba初始化gydF4y2Ba XgydF4y2Ba 在(gydF4y2Ba 4gydF4y2Ba)gydF4y2Ba

2。gydF4y2Ba计算下界和上界UgydF4y2Ba XgydF4y2Ba :gydF4y2Ba

3所示。gydF4y2Ba而gydF4y2Ba UgydF4y2Ba - - - - - -gydF4y2Ba lgydF4y2Ba ≥gydF4y2Ba εgydF4y2Ba 做gydF4y2Ba

4所示。gydF4y2Ba lgydF4y2Ba =gydF4y2Ba ϕgydF4y2Ba lgydF4y2Ba bgydF4y2Ba 问gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba 我gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba UgydF4y2Ba =gydF4y2Ba ϕgydF4y2Ba ugydF4y2Ba bgydF4y2Ba 问gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba 我gydF4y2Ba tgydF4y2Ba

5。gydF4y2Ba结束时gydF4y2Ba

6。gydF4y2Ba分裂gydF4y2Ba 问gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba 我gydF4y2Ba tgydF4y2Ba 到2号集gydF4y2Ba 问gydF4y2Ba 1gydF4y2Ba 和gydF4y2Ba 问gydF4y2Ba 2gydF4y2Ba ,在那里gydF4y2Ba 问gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba 我gydF4y2Ba tgydF4y2Ba =gydF4y2Ba 问gydF4y2Ba 1gydF4y2Ba ∪gydF4y2Ba 问gydF4y2Ba 2gydF4y2Ba

7所示。gydF4y2Ba计算gydF4y2Ba ϕgydF4y2Ba lgydF4y2Ba bgydF4y2Ba 问gydF4y2Ba 我gydF4y2Ba 和gydF4y2Ba ϕgydF4y2Ba ugydF4y2Ba bgydF4y2Ba 问gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1、2gydF4y2Ba ,gydF4y2Ba

8。gydF4y2Ba更新的上下界限gydF4y2Ba XgydF4y2Ba 。gydF4y2Ba

9。gydF4y2Ba而gydF4y2Ba UgydF4y2Ba - - - - - -gydF4y2Ba lgydF4y2Ba ≥gydF4y2Ba εgydF4y2Ba 做gydF4y2Ba

10。gydF4y2Ba lgydF4y2Ba =gydF4y2Ba 米gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba ⁡gydF4y2Ba {gydF4y2Ba ϕgydF4y2Ba lgydF4y2Ba bgydF4y2Ba 问gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ϕgydF4y2Ba lgydF4y2Ba bgydF4y2Ba 问gydF4y2Ba 2gydF4y2Ba }gydF4y2Ba

11。gydF4y2Ba UgydF4y2Ba =gydF4y2Ba 米gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba ⁡gydF4y2Ba {gydF4y2Ba ϕgydF4y2Ba ugydF4y2Ba bgydF4y2Ba 问gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ϕgydF4y2Ba ugydF4y2Ba bgydF4y2Ba 问gydF4y2Ba 2gydF4y2Ba }gydF4y2Ba

12。gydF4y2Ba结束时gydF4y2Ba

13。gydF4y2Ba通过分解细化分区gydF4y2Ba 问gydF4y2Ba 1gydF4y2Ba 或gydF4y2Ba 问gydF4y2Ba 2gydF4y2Ba 。gydF4y2Ba

14。gydF4y2Ba如果gydF4y2Ba UgydF4y2Ba - - - - - -gydF4y2Ba lgydF4y2Ba ≥gydF4y2Ba εgydF4y2Ba 或gydF4y2Ba XgydF4y2Ba (gydF4y2Ba 我gydF4y2Ba )gydF4y2Ba 0gydF4y2Ba ≤gydF4y2Ba αgydF4y2Ba 然后gydF4y2Ba

15。gydF4y2Ba重复步骤gydF4y2Ba6和gydF4y2Ba7gydF4y2Ba

16。gydF4y2Ba其他的gydF4y2Ba

17所示。gydF4y2Ba返回gydF4y2Ba XgydF4y2Ba egydF4y2Ba

18岁。gydF4y2Ba如果gydF4y2Ba

19所示。gydF4y2Ba更新的值gydF4y2Ba egydF4y2Ba =gydF4y2Ba FgydF4y2Ba 年代gydF4y2Ba - - - - - -gydF4y2Ba FgydF4y2Ba TgydF4y2Ba XgydF4y2Ba

3.2.3。信号分类gydF4y2Ba

提取的全局最优解gydF4y2Ba XgydF4y2Ba ,这是gydF4y2Ba FgydF4y2Ba TgydF4y2Ba 2gydF4y2Ba 年代gydF4y2Ba 在(gydF4y2Ba 3gydF4y2Ba),gydF4y2Ba YgydF4y2Ba TgydF4y2Ba 预计为gydF4y2Ba (6)gydF4y2Ba YgydF4y2Ba TgydF4y2Ba ≈gydF4y2Ba YgydF4y2Ba TgydF4y2Ba 2gydF4y2Ba 年代gydF4y2Ba =gydF4y2Ba CgydF4y2Ba FgydF4y2Ba TgydF4y2Ba 2gydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba FgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba YgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba CgydF4y2Ba分类器训练的一个标志吗gydF4y2Ba FgydF4y2Ba 年代gydF4y2Ba 和gydF4y2Ba YgydF4y2Ba 年代gydF4y2Ba 和gydF4y2Ba FgydF4y2Ba TgydF4y2Ba 2gydF4y2Ba 年代gydF4y2Ba 。gydF4y2Ba YgydF4y2Ba TgydF4y2Ba 2gydF4y2Ba 年代gydF4y2Ba 的输出是gydF4y2Ba CgydF4y2Ba预测标志gydF4y2Ba YgydF4y2Ba TgydF4y2Ba 2gydF4y2Ba 年代gydF4y2Ba 。gydF4y2Ba

 4所示。实验结果gydF4y2Ba

四个数据集提取真实的应用程序中使用的实验来验证该方法的性能。这些数据集(gydF4y2Ba http://snap.stanford.edu/data/index.htmlgydF4y2Ba)Bitcoinotc [gydF4y2Ba 35gydF4y2Ba](OTC)表示,Bitcoinalpha(高山)表示为(gydF4y2Ba 35gydF4y2Ba),Epinions这样(EPI)表示为gydF4y2Ba 36gydF4y2Ba],Slashdot (SLA)表示为gydF4y2Ba 37gydF4y2Ba]。EPI的数据标签的值和SLAgydF4y2Ba {1}gydF4y2Ba 。数据标签的值映射到场外和高山gydF4y2Ba {1}gydF4y2Ba 通过设置标签1如果原始标签小于0,设置标签1如果原始标签大于0。实验数据集的详细信息表gydF4y2Ba 1gydF4y2Ba。准确性和F1-score [gydF4y2Ba 38gydF4y2Ba)用于该方法的预测性能测量标志。gydF4y2Ba

实验数据集的详细信息。gydF4y2Ba

场外gydF4y2Ba 高山gydF4y2Ba EPIgydF4y2Ba SLAgydF4y2Ba
的节点数量gydF4y2Ba 5881年gydF4y2Ba 3783年gydF4y2Ba 131828年gydF4y2Ba 82140年gydF4y2Ba
的链接数gydF4y2Ba 35592年gydF4y2Ba 24186年gydF4y2Ba 841372年gydF4y2Ba 549202年gydF4y2Ba
平均度gydF4y2Ba 12.1041gydF4y2Ba 12.7867gydF4y2Ba 13.3723gydF4y2Ba 12.7647gydF4y2Ba
许多负面的链接gydF4y2Ba 11981年gydF4y2Ba 8890年gydF4y2Ba 123705年gydF4y2Ba 124130年gydF4y2Ba
消极的联系比gydF4y2Ba 33.66%gydF4y2Ba 36.76%gydF4y2Ba 14.7%gydF4y2Ba 22.6%gydF4y2Ba

两个基线方法用于本文与SP_BBTL比较。第一个方法是单一(所以)模型。它预测的信号与数据仅仅从源域(gydF4y2Ba 32gydF4y2Ba]。第二种方法是非负矩阵Trifactorization (NMTF) [gydF4y2Ba 14gydF4y2Ba]。NMTF预测的迹象链接到矩阵trifactorization使用源域标签和目标域特征向量。邻接矩阵的分解源域和目标域,NMTF每个域的潜在特征向量,应用与显式特征向量的每个域转移知识从源域到目标域。gydF4y2Ba

信号预测性能SP_BBTL首先测量了各种网络的大小。在实验中,样品的数量在3000年目标域是固定的,而源域样本的数量从3500年到9500年不等。的比例正连接到负链接将是7:3 (gydF4y2Ba ±gydF4y2Ba 5%)。实验结果如图gydF4y2Ba 3gydF4y2Ba,AAA-BBB意味着AAA是预测和BBB的源域信号是目标域的预测标志。例如,OTC-ALP意味着预测高山的迹象,通过场外作为源域。gydF4y2Ba

标志与各种网络预测性能的大小。gydF4y2Ba

如图gydF4y2Ba 3gydF4y2Ba,当从每个源domain-target域转移知识组织,性能对网络大小的趋势略有减少,因为准确性负相关网络的大小。拟议中的SP_BBTL执行比基线因为SP_BBTL真的可以传输更多的有用的知识从源域到目标域。此外,更高效的优化还有助于预测SP_BBTL性能优越的标志。与我们提出的模型相比,两个基线方法未能降低传输损耗。这意味着他们的目标函数不是全局最优的解决方案,从而导致他们有限的链接预测性能。gydF4y2Ba

信号的预测性能SP_BBTL然后比率测量各种负面联系。在实验中,样品的数量在目标域设置为3000,而样本在源域被设置为4500 (OTC-ALP和ALP-OTC)和6500年(EPI-SLA和SLA-EPI)。消极的链接的比例从10%到90%不等。实验结果如图gydF4y2Ba 4gydF4y2Ba。这是显示的准确性和F1-score SP_BBTL比率比基线与不同的负面联系。SP_BBTL和基线方法的准确性往往是micro-W-like分布OTC-ALP ALP-OTC数据集,而SP_BBTL的准确性和基线方法往往是micro-V-like分布EPI-SLA SLA-EPI数据集。F1-score SP_BBTL和基线方法随-链接比率的增加而减小。此外,SP_BBTL -链接比率的下降不敏感,而基线方法减少负面联系比率的增加比较明显,尤其是在OTC-ALP和ALP-OTC数据集。gydF4y2Ba

预测性能与各种消极的联系比迹象。gydF4y2Ba

约束参数的影响gydF4y2Ba αgydF4y2Ba SP_BBTL进一步分析信号预测性能。在实验中OTC-ALP和ALP-OTC举行大规模的源域和目标域的规模是4500和3000,分别。在实验中EPI-SLA和SLA-EPI举行大规模的源域和目标域的规模是6500和3000,分别。约束参数的值gydF4y2Ba αgydF4y2Ba 变化从0.1到2.5,消极的联系比0.7将源域和目标域。实验结果如图gydF4y2Ba 5gydF4y2Ba。基于实验结果,SP_BBTL相对稳定时的性能gydF4y2Ba αgydF4y2Ba大于0.5。当gydF4y2Ba αgydF4y2Ba 接近0,这意味着零解决方案(gydF4y2Ba 3gydF4y2Ba)这是毫无意义的预测标志。所以,gydF4y2Ba αgydF4y2Ba 建议值约为0.5,这有助于SP_BBTL最好的预测性能。gydF4y2Ba

约束的影响参数对信号预测性能。gydF4y2Ba

 5。结论和未来的工作gydF4y2Ba

本文预测新方法命名标志标记社交网络使用分支界限法优化传输学习(SP_BBTL)提出解决预测问题通过特征向量的预测标志。在SP_BBTL标记源特征向量映射到标记目标特征向量,然后可以建立两个域之间的关系,这样可以训练分类器没有任何目标标签。此外,提出优化基于分支界限法(BB)上执行有效的社交网络,因为分支界限法优化方法适应该模型可以确保目标函数的全局最优解。分支界限法可以通过高效的全局最优解搜索和迭代。它可以最大限度地转移知识的源域,而转移损失最小化。实验验证的优越的有效性和稳定性评价SP_BBTL在真实的社会网络。最后我们给参数的建议值gydF4y2Ba αgydF4y2Ba 在提出的模型。gydF4y2Ba

在未来,我们将努力提高该方法从几个方面。首先,我们将努力开发一个通用的算法,不仅可以减少负迁移的影响,但也发现转移知识与不同类别的源域,如文本数据和图像数据。其次,完善模型来减少源域实例的数量用于知识转移,只有小成本链接预测性能。最后,我们将扩展我们的模型从解决二进制信号预测问题multilabel信号预测问题。gydF4y2Ba

 数据可用性gydF4y2Ba

使用的数据来支持本研究的发现可以从相应的作者。gydF4y2Ba

 的利益冲突gydF4y2Ba

作者宣称没有利益冲突有关的出版。gydF4y2Ba

 确认gydF4y2Ba

这项研究受到了自然科学基金(批准号61672284),江苏省自然科学基金(批准号BK20171418)、中国博士后科学基金(批准号2016 m591841),江苏省博士后研究基金计划项目(1601225 c)。作者扩展他们的感谢院长以来在沙特国王大学科研资助这项工作通过研究小组。以序列- vpp - 264。gydF4y2Ba

 GundoǧangydF4y2Ba E。gydF4y2Ba 卡亚gydF4y2Ba B。gydF4y2Ba 基于链接的推荐方法预测药物病由两部分构成的网络gydF4y2Ba 第二届国际会议上先进的信息和通讯技术,AICT 2017gydF4y2Ba 2017年7月gydF4y2Ba 乌克兰gydF4y2Ba 125年gydF4y2Ba 128年gydF4y2Ba 2 - s2.0 - 85030855757gydF4y2Ba MoradigydF4y2Ba P。gydF4y2Ba AhmadiangydF4y2Ba 年代。gydF4y2Ba 一个可靠性改进trust-aware推荐系统推荐方法gydF4y2Ba 专家系统与应用程序gydF4y2Ba 2015年gydF4y2Ba 42gydF4y2Ba 21gydF4y2Ba 7386年gydF4y2Ba 7398年gydF4y2Ba 2 - s2.0 - 84934951208gydF4y2Ba 10.1016 / j.eswa.2015.05.027gydF4y2Ba LyzinskigydF4y2Ba V。gydF4y2Ba 唐gydF4y2Ba M。gydF4y2Ba AthreyagydF4y2Ba 一个。gydF4y2Ba 公园gydF4y2Ba Y。gydF4y2Ba PriebegydF4y2Ba c, E。gydF4y2Ba 在分层随机blockmodels社区检测和分类gydF4y2Ba IEEE网络科学与工程gydF4y2Ba 2017年gydF4y2Ba 4gydF4y2Ba 1gydF4y2Ba 13gydF4y2Ba 26gydF4y2Ba 10.1109 / TNSE.2016.2634322gydF4y2Ba MR3625952gydF4y2Ba 2 - s2.0 - 85018475579gydF4y2Ba 杨gydF4y2Ba lgydF4y2Ba 曹gydF4y2Ba X。gydF4y2Ba 金gydF4y2Ba D。gydF4y2Ba 王gydF4y2Ba X。gydF4y2Ba 孟gydF4y2Ba D。gydF4y2Ba 统一semi-supervised社区检测框架使用潜在空间图正规化gydF4y2Ba IEEE控制论gydF4y2Ba 2015年gydF4y2Ba 45gydF4y2Ba 11gydF4y2Ba 2585年gydF4y2Ba 2598年gydF4y2Ba 10.1109 / TCYB.2014.2377154gydF4y2Ba 2 - s2.0 - 84930962081gydF4y2Ba 云纺gydF4y2Ba C。gydF4y2Ba 同里gydF4y2Ba W。gydF4y2Ba 魏gydF4y2Ba Z。gydF4y2Ba 社会链接预测基于用户的信息传递gydF4y2Ba 亚太Web会议gydF4y2Ba 2016年gydF4y2Ba 64年gydF4y2Ba 76年gydF4y2Ba 10.1007 / 978 - 3 - 319 - 45835 - 9 - _6gydF4y2Ba 程ydF4y2Ba Y。gydF4y2Ba 王gydF4y2Ba T。gydF4y2Ba 张gydF4y2Ba W。gydF4y2Ba 链接预测分析网络民意的转移从个人的角度来看gydF4y2Ba 图书馆信息服务的新技术gydF4y2Ba 2016年gydF4y2Ba 丹尼gydF4y2Ba 一个。gydF4y2Ba 佛罗斯特gydF4y2Ba R。gydF4y2Ba 歌手gydF4y2Ba Y。gydF4y2Ba 对深入了解神经网络:初始化和双重的力量对表现性的看法gydF4y2Ba 先进的神经信息处理系统gydF4y2Ba 2016年gydF4y2Ba 2261年gydF4y2Ba 2269年gydF4y2Ba 2 - s2.0 - 85018890028gydF4y2Ba 张gydF4y2Ba Y。gydF4y2Ba 王gydF4y2Ba 年代。gydF4y2Ba 菲利普斯gydF4y2Ba P。gydF4y2Ba 杨gydF4y2Ba J。gydF4y2Ba 元gydF4y2Ba T.-F。gydF4y2Ba 三维eigenbrain检测的对象,与阿尔茨海默病相关的大脑区域gydF4y2Ba 阿尔茨海默氏症期刊》上gydF4y2Ba 2016年gydF4y2Ba 50gydF4y2Ba 4gydF4y2Ba 1163年gydF4y2Ba 1179年gydF4y2Ba 10.3233 / jad - 150988gydF4y2Ba 2 - s2.0 - 84959366826gydF4y2Ba 马克特gydF4y2Ba R。gydF4y2Ba SayadgydF4y2Ba 一个。gydF4y2Ba 布朗gydF4y2Ba k·R。gydF4y2Ba Sanchez-GarciagydF4y2Ba F。gydF4y2Ba ReimandgydF4y2Ba J。gydF4y2Ba 海德尔gydF4y2Ba M。gydF4y2Ba 维尔塔宁gydF4y2Ba C。gydF4y2Ba 他gydF4y2Ba j·E。gydF4y2Ba 贝德gydF4y2Ba g D。gydF4y2Ba 米尔斯gydF4y2Ba g . B。gydF4y2Ba Pe怎样gydF4y2Ba D。gydF4y2Ba 莫法特gydF4y2Ba J。gydF4y2Ba 奈尔gydF4y2Ba b G。gydF4y2Ba 功能基因组景观人类乳腺癌的司机,漏洞和阻力gydF4y2Ba 细胞gydF4y2Ba 2016年gydF4y2Ba 164年gydF4y2Ba 1 - 2gydF4y2Ba 293年gydF4y2Ba 309年gydF4y2Ba 10.1016 / j.cell.2015.11.062gydF4y2Ba 2 - s2.0 - 84954290430gydF4y2Ba 史gydF4y2Ba Z。gydF4y2Ba 湿婆gydF4y2Ba P。gydF4y2Ba 香gydF4y2Ba T。gydF4y2Ba 弱监督对象转移学习排名注释gydF4y2Ba 2017年,gydF4y2Ba https://arxiv.org/abs/1705.00873gydF4y2Ba 森gydF4y2Ba O。gydF4y2Ba KoltungydF4y2Ba V。gydF4y2Ba 多任务学习多目标优化gydF4y2Ba 在神经信息处理系统gydF4y2Ba 2018年gydF4y2Ba 524年gydF4y2Ba 535年gydF4y2Ba 帕特尔gydF4y2Ba 诉M。gydF4y2Ba 格帕兰gydF4y2Ba R。gydF4y2Ba 李gydF4y2Ba R。gydF4y2Ba ChellappagydF4y2Ba R。gydF4y2Ba 视觉领域适应:一项调查的最新进展gydF4y2Ba IEEE信号处理杂志gydF4y2Ba 2015年gydF4y2Ba 32gydF4y2Ba 3gydF4y2Ba 53gydF4y2Ba 69年gydF4y2Ba 2 - s2.0 - 84927615124gydF4y2Ba 10.1109 / MSP.2014.2347059gydF4y2Ba 菅直人gydF4y2Ba M。gydF4y2Ba 吴gydF4y2Ba J。gydF4y2Ba 山gydF4y2Ba 年代。gydF4y2Ba 程ydF4y2Ba X。gydF4y2Ba 对人脸识别领域适应:Targetize源域弥合由常见的子空间gydF4y2Ba 国际计算机视觉杂志》上gydF4y2Ba 2014年gydF4y2Ba 109年gydF4y2Ba 1 - 2gydF4y2Ba 94年gydF4y2Ba 109年gydF4y2Ba 2 - s2.0 - 84902261135gydF4y2Ba 10.1007 / s11263 - 013 - 0693 - 1gydF4y2Ba Zbl1328.68244gydF4y2Ba 叶gydF4y2Ba J。gydF4y2Ba 程gydF4y2Ba H。gydF4y2Ba 朱gydF4y2Ba Z。gydF4y2Ba 程ydF4y2Ba M。gydF4y2Ba 预测积极和消极学习转移在签署了社交网络的链接gydF4y2Ba 美国22日国际会议在万维网上gydF4y2Ba 2013年5月gydF4y2Ba ACMgydF4y2Ba 1477年gydF4y2Ba 1488年gydF4y2Ba WollmanngydF4y2Ba D。gydF4y2Ba 施泰纳gydF4y2Ba m . t。gydF4y2Ba 战略决策是一个复杂的自适应系统:一个概念的科学模型gydF4y2Ba 复杂性gydF4y2Ba 2017年gydF4y2Ba 2017年gydF4y2Ba 13gydF4y2Ba 7954289gydF4y2Ba 10.1155 / 2017/7954289gydF4y2Ba MR3599829gydF4y2Ba 刘gydF4y2Ba P。gydF4y2Ba 腾gydF4y2Ba F。gydF4y2Ba 基于正常的多准则决策方法区间值直觉模糊广义聚合算子gydF4y2Ba 复杂性gydF4y2Ba 2016年gydF4y2Ba 21gydF4y2Ba 5gydF4y2Ba 277年gydF4y2Ba 290年gydF4y2Ba 10.1002 / cplx.21654gydF4y2Ba 2 - s2.0 - 84921415399gydF4y2Ba AbediniagydF4y2Ba O。gydF4y2Ba AmjadygydF4y2Ba N。gydF4y2Ba GhasemigydF4y2Ba 一个。gydF4y2Ba 一个新的基于鲨鱼闻到metaheuristic算法优化gydF4y2Ba 复杂性gydF4y2Ba 2016年gydF4y2Ba 21gydF4y2Ba 5gydF4y2Ba 97年gydF4y2Ba 116年gydF4y2Ba 10.1002 / cplx.21634gydF4y2Ba MR3508406gydF4y2Ba 2 - s2.0 - 84919681016gydF4y2Ba 壮族gydF4y2Ba F。gydF4y2Ba 程gydF4y2Ba X。gydF4y2Ba 罗gydF4y2Ba P。gydF4y2Ba 庞ydF4y2Ba 美国J。gydF4y2Ba 他gydF4y2Ba Q。gydF4y2Ba 监督代表学习双encoding-layer autoencoder转移学习gydF4y2Ba ACM智能交易系统和技术(TIST)gydF4y2Ba 2018年gydF4y2Ba 9gydF4y2Ba 2gydF4y2Ba 16gydF4y2Ba 10.1145 / 3108257gydF4y2Ba 唐gydF4y2Ba J。gydF4y2Ba 卢gydF4y2Ba T。gydF4y2Ba jonkleinberggydF4y2Ba J。gydF4y2Ba 吴gydF4y2Ba 年代。gydF4y2Ba 学习转移到跨异构网络推断出社会关系gydF4y2Ba ACM交易信息系统(钢铁洪流)gydF4y2Ba 2016年gydF4y2Ba 34gydF4y2Ba 2gydF4y2Ba 7gydF4y2Ba 长gydF4y2Ba M。gydF4y2Ba 朱gydF4y2Ba H。gydF4y2Ba 王gydF4y2Ba J。gydF4y2Ba 约旦gydF4y2Ba m . I。gydF4y2Ba 深度学习与共同适应网络传输gydF4y2Ba 2016年,gydF4y2Ba https://arxiv.org/abs/1605.06636gydF4y2Ba 帕沙克gydF4y2Ba D。gydF4y2Ba AgrawalgydF4y2Ba P。gydF4y2Ba 埃弗gydF4y2Ba 答:一个。gydF4y2Ba 达雷尔gydF4y2Ba T。gydF4y2Ba 由self-supervised uriosity-driven勘探预测gydF4y2Ba 机器学习(ICML)国际会议上gydF4y2Ba 2017年gydF4y2Ba 488年gydF4y2Ba 489年gydF4y2Ba KuznietsovgydF4y2Ba Y。gydF4y2Ba StucklergydF4y2Ba J。gydF4y2Ba LeibegydF4y2Ba B。gydF4y2Ba Semi-supervised单眼深度图预测的深度学习gydF4y2Ba 《IEEE计算机视觉与模式识别会议gydF4y2Ba 2017年gydF4y2Ba 6647年gydF4y2Ba 6655年gydF4y2Ba KunegisgydF4y2Ba J。gydF4y2Ba LommatzschgydF4y2Ba 一个。gydF4y2Ba 学习光谱图转换为链接预测gydF4y2Ba 学报》第26届国际会议在机器学习,ICML 2009gydF4y2Ba 2009年6月gydF4y2Ba 加拿大gydF4y2Ba 561年gydF4y2Ba 568年gydF4y2Ba 2 - s2.0 - 71149113555gydF4y2Ba PechgydF4y2Ba R。gydF4y2Ba 郝gydF4y2Ba D。gydF4y2Ba 庞ydF4y2Ba lgydF4y2Ba 程gydF4y2Ba H。gydF4y2Ba 周gydF4y2Ba T。gydF4y2Ba 通过矩阵完成链接预测gydF4y2Ba EPL (Europhysics字母)gydF4y2Ba 2017年gydF4y2Ba 117年gydF4y2Ba 3gydF4y2Ba 38002年gydF4y2Ba 10.1209 / 0295 - 5075/117/38002gydF4y2Ba 卡茨gydF4y2Ba lgydF4y2Ba 新地位指数来源于社会经济的分析gydF4y2Ba 心理测量学gydF4y2Ba 1953年gydF4y2Ba 18gydF4y2Ba 1gydF4y2Ba 39gydF4y2Ba 43gydF4y2Ba 2 - s2.0 - 0002827622gydF4y2Ba 10.1007 / BF02289026gydF4y2Ba Zbl0053.27606gydF4y2Ba GoyalgydF4y2Ba P。gydF4y2Ba 费拉拉gydF4y2Ba E。gydF4y2Ba 图嵌入技术、应用程序和性能:一项调查gydF4y2Ba 以知识为基础的系统gydF4y2Ba 2018年gydF4y2Ba 151年gydF4y2Ba 78年gydF4y2Ba 94年gydF4y2Ba 2 - s2.0 - 85044336501gydF4y2Ba 10.1016 / j.knosys.2018.03.022gydF4y2Ba 庞ydF4y2Ba 美国J。gydF4y2Ba 杨gydF4y2Ba Q。gydF4y2Ba 一项调查显示学习转移gydF4y2Ba IEEE工程知识和数据gydF4y2Ba 2010年gydF4y2Ba 22gydF4y2Ba 10gydF4y2Ba 1345年gydF4y2Ba 1359年gydF4y2Ba 10.1109 / tkde.2009.191gydF4y2Ba 2 - s2.0 - 77956031473gydF4y2Ba 王gydF4y2Ba R。gydF4y2Ba UtiyamagydF4y2Ba M。gydF4y2Ba 刘gydF4y2Ba lgydF4y2Ba 程ydF4y2Ba K。gydF4y2Ba SumitagydF4y2Ba E。gydF4y2Ba 实例加权神经机器翻译领域适应气候变化gydF4y2Ba 学报2017年大会在自然语言处理的经验方法gydF4y2Ba 2017年9月gydF4y2Ba 丹麦哥本哈根gydF4y2Ba 1482年gydF4y2Ba 1488年gydF4y2Ba 10.18653 / v1 / d17 - 1155gydF4y2Ba 库马尔gydF4y2Ba 年代。gydF4y2Ba 高gydF4y2Ba X。gydF4y2Ba 韦尔奇gydF4y2Ba 我。gydF4y2Ba 学习数据转移域下适应:一个基于模型的co-clustering转移学习解决方案gydF4y2Ba 环太平洋地区知识获取车间gydF4y2Ba 2016年gydF4y2Ba 43gydF4y2Ba 54gydF4y2Ba 彭gydF4y2Ba P。gydF4y2Ba 香gydF4y2Ba T。gydF4y2Ba 王gydF4y2Ba Y。gydF4y2Ba 铁棒gydF4y2Ba M。gydF4y2Ba 龚gydF4y2Ba 年代。gydF4y2Ba 黄gydF4y2Ba T。gydF4y2Ba 田gydF4y2Ba Y。gydF4y2Ba 无监督cross-dataset转移学习人再次鉴定gydF4y2Ba 学报2016年IEEE计算机视觉与模式识别会议,CVPR 2016gydF4y2Ba 2016年7月gydF4y2Ba 美国gydF4y2Ba 1306年gydF4y2Ba 1315年gydF4y2Ba 2 - s2.0 - 84986320228gydF4y2Ba 唐ydF4y2Ba B。gydF4y2Ba 首歌gydF4y2Ba Y。gydF4y2Ba 钟gydF4y2Ba E。gydF4y2Ba 杨gydF4y2Ba Q。gydF4y2Ba 传递转移学习gydF4y2Ba 21 ACM SIGKDD会议的程序知识发现和数据挖掘,知识发现(KDD) 2015gydF4y2Ba 2015年8月gydF4y2Ba 澳大利亚gydF4y2Ba 1155年gydF4y2Ba 1164年gydF4y2Ba 2 - s2.0 - 84954109618gydF4y2Ba GaningydF4y2Ba Y。gydF4y2Ba LempitskygydF4y2Ba V。gydF4y2Ba 无人监督的领域适应反向传播gydF4y2Ba 2014年,gydF4y2Ba https://arxiv.org/abs/1409.7495gydF4y2Ba LeskovecgydF4y2Ba J。gydF4y2Ba HuttenlochergydF4y2Ba D。gydF4y2Ba jonkleinberggydF4y2Ba J。gydF4y2Ba 预测积极的和消极的在线社交网络的链接gydF4y2Ba 19学报》国际万维网(WWW会议10)gydF4y2Ba 2010年4月gydF4y2Ba 641年gydF4y2Ba 650年gydF4y2Ba 10.1145/1772690.1772756gydF4y2Ba 2 - s2.0 - 77954580498gydF4y2Ba 莫里森gydF4y2Ba d·R。gydF4y2Ba 雅各布森gydF4y2Ba s . H。gydF4y2Ba SauppegydF4y2Ba J。gydF4y2Ba 西维尔gydF4y2Ba e . C。gydF4y2Ba 和算法:一项调查最新进展的搜索、分支和修剪gydF4y2Ba 离散优化gydF4y2Ba 2016年gydF4y2Ba 19gydF4y2Ba 79年gydF4y2Ba 102年gydF4y2Ba 10.1016 / j.disopt.2016.01.005gydF4y2Ba MR3464141gydF4y2Ba 库马尔gydF4y2Ba 年代。gydF4y2Ba SpezzanogydF4y2Ba F。gydF4y2Ba SubrahmaniangydF4y2Ba 诉。gydF4y2Ba 凯利斯gydF4y2Ba C。gydF4y2Ba 边缘体重预测加权网络签署gydF4y2Ba 学报16 IEEE国际会议上的数据挖掘,ICDM 2016gydF4y2Ba 2016年12月gydF4y2Ba 西班牙gydF4y2Ba 221年gydF4y2Ba 230年gydF4y2Ba 2 - s2.0 - 85014512081gydF4y2Ba 理查森gydF4y2Ba M。gydF4y2Ba AgrawalgydF4y2Ba R。gydF4y2Ba 多明戈gydF4y2Ba P。gydF4y2Ba 语义web的信任管理gydF4y2Ba 国际语义Web会议gydF4y2Ba 2003年gydF4y2Ba 351年gydF4y2Ba 368年gydF4y2Ba LeskovecgydF4y2Ba J。gydF4y2Ba 朗gydF4y2Ba k·J。gydF4y2Ba 达斯古普塔gydF4y2Ba 一个。gydF4y2Ba 马奥尼gydF4y2Ba m·W。gydF4y2Ba 群落结构在大型网络:自然集群大小和没有明确的的大型集群gydF4y2Ba 互联网上数学gydF4y2Ba 2009年gydF4y2Ba 6gydF4y2Ba 1gydF4y2Ba 29日gydF4y2Ba 123年gydF4y2Ba 10.1080 / 15427951.2009.10129177gydF4y2Ba MR2736090gydF4y2Ba Zbl1205.91144gydF4y2Ba 元gydF4y2Ba W。gydF4y2Ba 李gydF4y2Ba C。gydF4y2Ba 汉gydF4y2Ba G。gydF4y2Ba 关gydF4y2Ba D。gydF4y2Ba 周gydF4y2Ba lgydF4y2Ba 他gydF4y2Ba K。gydF4y2Ba 负号预测签署了社交网络gydF4y2Ba 未来一代计算机系统gydF4y2Ba 2017年gydF4y2Ba 2 - s2.0 - 85028642133gydF4y2Ba