基于分支和有界优化迁移学习的无标记社交网络符号预测

抽象的

标志预测问题旨在预测签名网络的链接迹象。目前它已广泛用于各种应用。由于标记数据的不足，已采用转移学习来利用辅助数据来改善目标域中迹象的预测。现有作品遭受了两个限制。首先，如果没有可用的目标标签，他们无法工作。其次，由于其客观函数的解决方案不是全球最佳解决方案，因此无法保证其泛化性能。为了解决这些问题，我们向使用分支和绑定优化传输学习（SP_BBTL）标志预测模型提出了对未标记的社交网络的新标志预测。SP_BBTL的主要思想是使用目标特征向量基于关系投影来重建源域特征向量，这是一个复杂的最佳问题，并且通过基于分支的建议优化来解决，可以获得全局最佳解决方案。使用此设计，分类器不需要目标域标签信息。最后，对大规模社交签名网络的实验结果验证了所提出的模型的优越性。

1.介绍

标志预测预测签名网络链接的符号，其中签名网络是其边缘具有表示节点之间关系的符号的网络。链接的符号是正面还是消极的。具有正标志的链接也称为正极链路，这意味着该链接信任的两个端节点或相互相同。具有负符号的链接也称为负链路，这意味着该链接的两个端节点不信任或彼此不喜欢。与仅包含表示存在链接的值的无符号网络相比，签名网络包含更多有价值的节点关系信息。由于这种丰富的保留信息，签名网络已广泛用于许多应用程序，例如推荐系统[1那2]和社区检测[3.那4.]．

大多数有符号网络的链路预测方法是有监督的或半监督的。在没有任何预先目标标签信息的情况下，他们很难预测未标记的目标网络。对于使用迁移学习或集成学习技术的链接预测方法，在知识迁移或领域映射过程中存在不可忽视的知识损失。有符号网络中链路预测的主要挑战是数据不足问题。这就是使用辅助标记网络来预测未标记目标网络符号的动机。标识由专家手工标注，既费时又昂贵。这就导致了实际应用中标识的数量不足。迁移学习可以从其他领域迁移知识来辅助符号预测，因此被用来解决这个问题[5.那6.]．包含预测符号的域名称为目标域，并且其知识传输到目标域的域名称为源域。

虽然转移基于学习的标志预测方法对标记的签名网络具有良好的性能，但它们无法预测未标记签名网络的迹象。在 [7.-9.，将源域和目标域的特征向量映射到高维空间，得到公共知识作为可转移知识。这些映射方法在高维空间的计算过程中丢失了知识，如重新生成核希尔伯特空间。这些方法在计算重构误差时，在逆变换过程中也丢失了知识。现有的方法需要大量的目标域标记符号来训练符号分类器。将目标域的标记符号与源域的标记符号结合起来映射两个域的特征向量。将这些特征向量映射到一个公共的特征向量空间，将映射的特征向量称为传递的公共知识。然后使用这两个领域的公共知识和标记符号来训练符号分类器。然而，在实际应用中，有时无法获得目标域的任何标记符号，这使得现有方法无法使用[10.]映射两个域名的共同知识。

此外，由于现有目标函数的优化始终导致局部最佳解决方案或不良状态，因此现有工程的标志预测性能需要进一步改进。转移不同域之间的知识是一个复杂的过程，因此标志预测的客观函数通常是不渗透的。大多数现有的作品如[11.]使用梯度下降算法来优化其非核心目标函数来预测标志。然而，由于现有工作的集成长度被固定用于梯度下降算法，因此不始终可以选择最佳解决方案作为目标函数的最终解决方案。这导致了这些作品的本地最佳解决方案。因此，这些作品的标志预测性能不稳定使用。其他一些现有的作品[12.-14.最小角度回归方法或迭代优化其目标函数。但是，当获取目标函数的分析解决方案时，映射变换的误差通常很大，这些最优方法[15.-17.]．这导致了知识转移的常识损失。

针对现有工作中存在的问题，提出了一种基于分支定界优化迁移学习(SP_BBTL)的符号预测模型。SP_BBTL与现有作品不同[18.-20.]依靠目标标签在源域和目标域之间建立关系;SP_BBTL从源特征向量建立直接投影到目标特征向量，以获取重建错误作为源域和目标域之间的关系。直接映射可以保留更多原始和特定的信息和源域的知识，并且足以训练分类器，并且在没有目标标签的任何先前信息的情况下预测目标标签。此外，SP_BBTL适应分支和绑定优化以计算全局最优解决方案。具体地，所提出的模型通过分支和绑定（BB）优化目标函数，其可以通过确保解决方案的界限和BB可以应用于许多组合优化问题来实现全局最佳解决方案。

SP_BBTL中有三个主要优点。首先，由于特征向量映射，它不需要目标域中的任何符号标签。其次，基于BB的模型可用于计算与社交网络中的特征向量的非透露混合优化问题的全局最佳解决方案。第三，该方法与现有工作相比，在不平衡网络中执行良好，因为SP_BBTL在源特征向量中获得全局最优解决方案，该重建在源域中的更完整和原始可转移知识。

本文的其余部分组织如下。部分2简要介绍对相关工程;部分3.提出了所提出的方法的细节;部分4.证明实验结果;部分5.结束了本文，指出了未来的作品。

2.相关工程

本文提出了一种新的基于迁移学习技术的符号预测方法。因此，相关工作主要分为两个部分:符号预测和迁移学习。

2.1。标志预测

主要有三类用于标志预测方法。基于一组顶点属性构建第一类构造非多种体模型。第二种类型基于概率的知识来导出每个样本的联合概率。第三种类型利用线性代数方法来计算基于秩的相似性矩阵的网络节点之间的相似性。参考 [7.-9.那21.那22.[是否需要足够数量的训练样本来构建标志预测模型。所有现有方法都需要一些先验的知识来培训分类器，但在真实应用中获得先前知识的成本在很昂贵。此外，在现实中，许多标志预测问题面临着类的不平衡问题。参考 [23.]不适合课程不平衡问题，但[24.]利用邻接矩阵和拉普拉斯矩阵来训练和测试分类器。但这种方法中的客观函数通过迭代计算进行了优化，在计算过程中产生相当大的错误。

除了模型设计之外，符号预测的另一个焦点是提取有用的特征向量，以构建标志预测模型。主要有两种类型的功能：顶点特征和边缘功能。顶点特征由基于邻域节点的功能，基于路径的特征，katz值[25.那26.群集系数分数等。边缘特征实际上是一对节点的特征，主要包括内核特征结合，扩展图形形成和通用Simrank。

2.2。转移学习

在真实的社交网络中，获得我们的目标问题的标签非常努力或昂贵，这导致可用数据的不足。为了解决这个问题，在标志预测问题中采用了传输学习，这试图利用来自源域的知识来预测目标域中的符号。目前转移基于学习的标志预测方法可以分为三种类型：转移实例的知识，转移参数知识，以及传输特征表示的知识[27.]．参考[28.]属于基于实例的方法，但他们无法在没有目标标签的情况下工作。转移参数知识的方法[29.假设可以始终共享相关学习任务的模型参数，这实际上是真实网络的困难。

要处理数据不足问题，还有一些无人监督的转移学习方法[12.那30.那31.]，它不需要目标域中的任何符号标签。但他们需要设计枢轴功能以实现模型的良好性能。不幸的是，枢轴特征的设计通常是非常挑战的。另一种相关方法如此[32.]在常规数据集上表现出良好的性能，但在类不平衡数据集上却有显著的性能下降。

通常，相关工作的分析表明，传统的标志预测需要足够数量的签署标签进行培训。为了缓解这一点，已经提出了基于转移学习的方法，但这些方法中的大部分仍然需要目标域中的一些符号标签。基于转移学习的现有无监督标志预测方法不需要目标域中的任何符号标签，但通常旨在解决某个标志预测问题，难以作为通用解决方案。因此，需要一种用于符号预测的基于新的转移学习方法。在本文中，我们提出了一种新的符号预测模型，使用分支和绑定优化传输学习（SP_BBTL）对未标记的社交网络命名的标志预测。Next部分中介绍了SP_BBTL的详细介绍。

3.提出的方法

３．１．问题定义

一种签名网络可以表示为定向图形G=（V.那E.那y）， 在哪里代表节点，表示边，和是标志 。 那如果有一个边缘指向到 那 那 ;如果之间没有连接和 那 。如果 那和不信任,或者喜欢 那 那 ;如果 那和不信任或不喜欢 那 那 。一个邻接矩阵一种用于描述连接G，其中是之间的联系和 那这里 。

标志预测预测为了的 。预测链接迹象，一个特征向量F从中提取一种描述E.。F用于训练标志分类器，然后预测目标链路的迹象。链接预测是一项学习任务，用来预测在已标记网络或未标记网络中是否存在链路。符号预测是预测链接符号的一项学习任务，也称为链接的标签或权重。本工作中使用的标签分为正标签和负标签。预测网络中的链路与预测链路的标签是一样的。

转移基于学习的标志预测将源域的知识传输到目标域以预测目标域的链接迹象。让两个签名网络 和 表示源域和目标领域基于学习的标志预测的转移 那 那 那 那和 。为了 那SP_BBTL预测（ ）为了通过协作表示 那 那和 。

3.2。提议的sp_bbtl模型

所提出的SP_BBTL模型的主要思想是在图中呈现的1。SP_BBTL首先根据知识构建标志分类器S.， IE。，和 。sp_bbtl发现之间的关系和 。这种关系项目到并产生新的代表 那用于建立与之间的关系和 。 然后用作训练的标志分类器的输入以获取输出：预测标志 。

sp_bbtl的关键步骤是实现域名到并建立一个映射到 ： 在哪里是投影进入 那和H是映射函数。(1)应该最大限度地提高相似性，同时尽量减少差异和 。

所提出的SP_BBTL模型的详细架构如图所示2，其中灰色矩形表示功能模块，白色矩形表示数据。SP_BBTL的输入是的邻接矩阵T.和S.。输出是预测的标志y的T.。特征向量提取模块提取物和来自输入矩阵。建议建立基于分支的基于域重建模块来建立映射到 。重构的特征向量将与预测通过标志分类模块。SP_BBTL的技术细节在图中给出2。

3.2.1之上。特征向量提取

如图所示2，给定源域和目标域的邻接矩阵，特征向量和首先被提取来描述S.和T.链接预测。在本工作中，对每个特征向量提取五个特征。这些特征包括链接的正出度、链接的负出度、链接的正入度、链接的负入度和链接的嵌入性[33.]．

链接正仓库表示指向的正边的数目其他节点。反映了这种可能性为连接的链接提供正符号。较高的价值有，越有可能 。链接负仓库是负边指向的数目吗其他节点。反映了这种可能性给连接链接给出否定标志。较高的价值有，越有可能 。

链接正面印度是指向的正边的数量 。 反映了这种可能性从连接的链接获取正面标志。较高的价值有，越有可能 。链接负面印影是指向的负面边缘的数量 。 反映了这种可能性从连接的链接获取负符号。较高的价值有，越有可能 。

关系嵌入性是普通邻居的数量和 。每个边缘（或链路）的链路嵌入性包含其邻居节点之间的基本特征关系，其反映了整个网络中的子结构网络的全局结构特征。也代表了结构的平衡 ：根据结构平衡理论，价值越高有，越大的关系越多和存在的可能性越大 。

3.2.2。分支机构和绑定优化域重建

域重建是SP_BBTL模型的关键部分。它将建立源特征向量与目标特征向量之间的潜在关系协作。重建域名到可以代表 在哪里是（2）。在本质上，桥梁是否能使知识的合作使用成为可能S.和T.。用来表示在图中1， 和 （2)也可以写成 提出了一种用于求解的分支和基于绑定的方法（3.）通过最低全球化错误来获得全局最佳解决方案。最小错误，（3.）可以重写为 在哪里是（3.）。1-norm沿列矩阵汇总以选择最大数值。如果每列的总和最小化，重建误差最小化。这确保了传输学习任务的分歧最小化。

最小化（4.)，其动机是稀疏编码的思想，约束条件被设置为 在哪里是每列中的非零元素的数量 。 可以控制稀疏性重建。确保与所选样本对应的非零元素是邻居 。

计算(2）正在解决混合优化的问题。但是，现有方法只能计算本地最佳解决方案，无法获得全局最佳解决方案（2）。因此，提出了分支和拟合方法来实现最佳解决方案计算。分支和绑定是一种广义搜索算法，包括搜索和迭代。具体说话，它比较了给定错误之间的大小关系并且对特征向量的上限和下限的差异，然后根据尺寸关系调整上限和下限。该方法通过参数控制不同网络尺度中的解决方案矢量的复杂性α.。它可以计算出混合优化问题的全局最优解。[34.细节以算法显示1。

3.2.3。标志分类

随着提取的全局最优解 那这是在 （3.)，预测为本 在哪里C是一个训练的标志分类器和和 。 的输出C获得预测的标志 。

4.实验结果

实验中提取的四个数据集验证了该方法的有效性。这些数据集(http://snap.stanford.edu/data/index.html.）是比特索诺特[35.]（表示为OTC），比特螺母pHA（表示为ALP）[35.]，渗透（表示为EPI）[36.]和诽谤（表示为SLA）[37.]．EPI和SLA的数据标签为 。OTC和ALP的数据标签的值被映射到如果原始标签小于0并将标签设置为1，则通过将标签设置为-1，如果原始标签大于0，则将标签设置为1。实验数据集的细节在表中给出1。准确性和F1分数[38.[用于测量所提出的方法的标志预测性能。

本文中使用了两种基线方法以与SP_BBTL进行比较。第一种方法是仅源（SO）模型。它仅从源域中预测与数据的链接迹象[32.]．第二种方法是非负矩阵三术（NMTF）[14.]．NMTF利用源域标签和目标域特征向量进行矩阵三分解，预测链接符号。NMTF通过对源域和目标域的邻接矩阵进行分解，得到每个域的潜在特征向量，并与每个域的显式特征向量一起使用，将知识从源域转移到目标域。

首先以各种网络尺寸测量SP_BBTL的标志预测性能。在实验中，目标域中的样品数量固定为3000，而源域样本的数量从3500变化到9500。正极链路的比例设置为7：3（5％）。实验结果在图中给出3.，其中AAA-BBB表示AAA是标志预测的源域，BBB是标志预测的目标域。例如，OTC-ALP意味着通过使用OTC作为源域来预测ALP的迹象。

如图所示3.，当从每个源域-目标域组转移知识时，由于准确率与网络规模呈负相关，网络规模的性能有略微下降的趋势。提出的SP_BBTL比基线性能更好，因为SP_BBTL确实可以将更有用的知识从源域转移到目标域。此外，更高效的优化也有助于SP_BBTL更好的符号预测性能。与我们提出的模型相比，这两种基线方法都没有降低传输损耗。这意味着它们的目标函数的解不是全局最优的，这导致它们的链路预测性能有限。

然后用不同的负链接率测量SP_BBTL的符号预测性能。在实验中，目标域的样本数设置为3000，源域的样本数设置为4500 (OTC-ALP和ALP-OTC)和6500 (EPI-SLA和SLA-EPI)。负面链接的比例从10%到90%不等。实验结果在图中给出4.。结果表明，SP_BBTL的精度和F1分数优于具有不同负连杆比的基线。SP_BBTL的精度和基线方法倾向于在OTC-ALP和ALP-OTC数据集上是微w样式的分布，而SP_BBTL的精度和基线方法的精度趋于在EPI-SLA上进行微型类似的分布SLA-EPI数据集。SP_BBTL的F1分数和基线方法随着负极连杆比率的增加而降低。此外，SP_BBTL对阴性连杆比的降低不敏感，而基线方法随着负链路比的增加而显着降低，特别是在OTC-ALP和ALP-OTC数据集上。

约束参数的影响关于SP_BBTL的标志预测性能被进一步分析。在为OTC-ALP和ALP-OTC的实验中，源域的比例和目标域的比例分别为4500和3000。在为EPI-SLA和SLA-EPI保持的实验中，源域的尺度和目标结构域的比例分别为6500和3000。约束参数的值从0.1到2.5变化，负极连杆比在源域和目标域中设置为0.7。实验结果在图中给出5.。基于实验结果，SP_BBTL的性能相对稳定α.大于0.5。什么时候接近0，这意味着（3.）在标志预测中毫无意义。所以，建议为0.5左右，这有助于SP_BBTL的最佳预测性能。

5.结论与未来工作

在本文中，提出了一种新的方法，使用分支和束缚优化传输学习（SP_BBTL）对未标记的社交网络进行标志预测（SP_BBTL）来解决通过特征向量投影来解决标志预测问题。在SP_BBTL中，标记的源特征向量被映射到未标记的目标特征向量，然后可以建立两个域之间的关系，以便可以在没有任何目标标签的情况下培训分类器。此外，基于分支和绑定（BB）的建议优化在社交网络上执行有效，因为在所提出的模型中适用的分支和绑定优化方法可以确保目标函数的全局最佳解决方案。分支机构和绑定可以通过高效的搜索和迭代来获得全局最佳解决方案。它可以最大限度地提高源域的可转移知识，同时最大限度地减少传输损耗。实验评估验证了真实社交网络中SP_BBTL的卓越效率和稳定性。最后，我们给出了参数的建议值在拟议模型中。

在未来，我们将尝试从几个方面提高所提出的方法。首先，我们将尝试开发一个广义算法，这不仅可以最大限度地减少负转移的影响，而且还可以使用不同类别的源域（例如文本数据和图像数据）发现可转移知识。其次，我们将改进模型，以最小化用于知识转移的源域实例的数量，只有链路预测性能的成本很少。最后，我们将扩展我们的模型来解决二进制标志预测问题到多标签标志预测问题。

数据可用性

用于支持本研究结果的数据可根据要求可从相应的作者获得。

利益冲突

作者宣布没有关于本文的出版物的利益冲突。

致谢

本研究由国家自然科学基金资助项目(No. 61672284);江苏省自然科学基金资助项目(No. 61672284);中国博士后科学基金资助项目(No. 2016M591841)，江苏省计划博士后科研基金资助项目(No. 1601225C)。作者感谢沙特国王大学科学研究系主任通过研究小组no。以序列- vpp - 264。

参考

1. E.Gündoğan和B. Kaya，“基于毒品疾病二分网络链路预测的推荐方法”第2届国际先进资讯和通信技术会议的诉讼程序，AICT 2017，页125-128，乌克兰，2017年7月。查看在：谷歌学者
2. P. Moradi和S. Ahmadian，“基于可靠性的推荐方法，以改善信任感知推荐系统”具有应用的专家系统，卷。42，不。21，pp。7386-7398,2015。查看在：出版商网站|谷歌学者
3. V. Lyzinski, M. Tang, A. athyya, Y. Park，和C. E. Priebe，“分层随机块模型中的社区检测和分类”，网络科学与工程的IEEE交易，第4卷，第4期。1，第13-26页，2017。查看在：出版商网站|谷歌学者|MathSciNet
4. L. Yang，X. Cao，D. Jin，X. Wang和D. Meng，使用潜在空间图正规化的统一半监督社区检测框架，“Cyebericics上的IEEE交易第45卷第5期11, pp. 2585-2598, 2015。查看在：出版商网站|谷歌学者
5. C.云芳，W. Tongli，和Z. Wei，“基于用户信息传递的社交链接预测”，发表于亚太地区大会，pp。64-76,2016。查看在：出版商网站|谷歌学者
6. 王涛，张伟，“基于个体视角的网络舆情转移的链接预测分析”，图书馆信息服务新技术，2016年。查看在：谷歌学者
7. A. Daniely，R. Frostig和Y.歌手“更深入地了解神经网络：初始化的力量和对表达性的双重观点”神经信息处理系统研究进展，pp。2261-2269,2016。查看在：谷歌学者
8. 张勇，王绍华，P. Phillips，杨杰，t.f。袁，“三维特征脑用于检测受试者和与阿尔茨海默病相关的大脑区域”，阿尔茨海默病杂志，卷。50，不。4，pp。1163-1179，2016。查看在：出版商网站|谷歌学者
9. R. Marcotte, A. Sayad, K. R. Brown等人，“人类乳腺癌驱动因素、脆弱性和抗性的功能基因组景观”，细胞，卷。164，不。1-2，pp。293-309,2016。查看在：出版商网站|谷歌学者
10. Z. Shi，P. Siva和T. Xiang，“通过排名为弱监督对象注释进行转移学习，”2017年，https://arxiv.org/abs/1705.00873。查看在：谷歌学者
11. O.参议员和V. koltun，“多任务学习作为多目标优化”，在神经信息处理系统中，pp。524-535,2018。查看在：谷歌学者
12. V. M. Patel，R.Gopalan，R. Li和R.Chellappa，“视域适应：近期进步的调查”IEEE信号处理杂志，卷。32，不。3，pp。53-69,2015。查看在：出版商网站|谷歌学者
13. M. Kan，J.Wu，S. Shan和X. Chen，“面部识别的域适应：统治普通子空间桥接的源域”国际计算机愿景，卷。109，没有。1-2，pp。94-109，2014。查看在：出版商网站|谷歌学者
14. J. YE，H. Cheng，Z. Zhu和M. Chen，通过转移学习预测签署的社交网络中的积极和负键，“第22届世界世界网络会议的诉讼程序，pp.1477-1488，ACM，2013年5月。查看在：谷歌学者
15. D.Wollmann和M.T. A. Steiner，“战略决策为复杂的自适应系统：概念科学模式”复杂文章编号7954289,13页，2017。查看在：出版商网站|谷歌学者|MathSciNet
16. P. Liu和F. Teng，“基于正常间隔直观的模糊广义聚合运算符的多标准决策方法”复杂，卷。21，不。5，pp。277-290,2016。查看在：出版商网站|谷歌学者
17. O. Abedinia，N. Amjady和A.Ghasemi，一种基于Shark Smell优化的新的成交算法，“复杂，卷。21，不。5，pp。97-116,2016。查看在：出版商网站|谷歌学者|MathSciNet
18. F. Zhuang，X. Cheng，P. Luo，S. J. Pan和Q. He，“通过双编码层AutoEncoder进行监督的学习，用于转移学习，”智能系统和技术的ACM交易（TIST），卷。9，没有。2，p。2018年16日。查看在：出版商网站|谷歌学者
19. J. Tang, T. Lou, J. Kleinberg, and S. Wu，“基于迁移学习的异质网络社会关系推断”，美国计算机学会资讯系统汇刊，卷。34，不。2，p。7日，2016年。查看在：谷歌学者
20. M. Long，H.朱，J.Wang和M. I. Jordan，“与联合适应网络的深度转移学习”，2016年，https://arxiv.org/abs/1605.06636。查看在：谷歌学者
21. D. Pathak，P. Adrawal，A. A. A. eFros和T. Darrell，“自我监督预测的辅助驱动探索”机器学习国际会议（ICML），pp。488-489,2017。查看在：谷歌学者
22. Y.Kuznietsov，J.Stückler和B. leibe，“单眼深度地图预测半监督深度学习”计算机愿景和模式识别的IEEE会议的诉讼程序，pp.6647-6655,2017。查看在：谷歌学者
23. J. Kunegis和A. Lommatzsch，“学习光谱图转换的链接预测”，在第26届机器学习国际会议论文集，ICML 2009，第pp。2009年6月561-568，加拿大561-568。查看在：谷歌学者
24. R. Pech，D. Hao，L. Pan，H. Cheng和T.周，“通过矩阵完成链接预测”EPL (Europhysics字母)，卷。117，没有。3，p。38002,2017。查看在：出版商网站|谷歌学者
25. L. KATZ，“来自社会分析的新地位指数”，心理测量学，卷。18，不。1，pp。39-43,1953。查看在：出版商网站|谷歌学者
26. P. Goyal和E. Ferrara，“图形嵌入技术，应用程序和性能：调查”以知识为基础的系统，卷。151，pp。78-94,2018。查看在：出版商网站|谷歌学者
27. 潘思杰，“迁移学习的调查研究”，IEEE关于知识和数据工程的交易，卷。22，没有。10，pp。1345-1359,2010。查看在：出版商网站|谷歌学者
28. R. Wang，M. Utiyama，L. Liu，K. Chen和E. Sumita，“神经机翻译域适应的实例”，2017年度自然语言处理中的实证方法会议课程，pp.1482-1488，哥本哈根，丹麦，2017年9月。查看在：出版商网站|谷歌学者
29. S. Kumar，X. Gao和I. Welch，“在数据转移下学习”域适应：基于模型的共聚类转移学习解决方案“太平洋轮辋知识收购研讨会，pp.30-54,2016。查看在：谷歌学者
30. P.Peng，T. Xiang，Y. Wang等人，“无监督的交叉数据集转移学习人员重新识别”计算机视觉与模式识别，2016,36 (6):758 - 764，pp.1306-1315，2016年7月。查看在：谷歌学者
31. 谭博，宋颖，钟恩，杨秋秋，“传递性迁移学习”，《外语教学与研究》2015年KDD的21世纪SIGKDD会议的21世纪SIGKDD会议的诉讼程序，pp.1155-1164，澳大利亚，2015年8月。查看在：谷歌学者
32. Y.Ganin和V.Lempitsky，“BackPropagation的无监督域适应”，2014年，https://arxiv.org/abs/1409.7495。查看在：谷歌学者
33. J. Leskovec, D. Huttenlocher和J. Kleinberg，《预测在线社交网络中的积极和消极链接》，刊于第19届国际全球网络会议的诉讼程序（www'10），第71-650页，2010年4月。查看在：出版商网站|谷歌学者
34. D. R. Morrison, S. H. Jacobson, J. Sauppe, E. C. Sewell，《分支定界算法:搜索、分支和修剪的最新进展综述》，离散优化，卷。19，pp。79-102,2016。查看在：出版商网站|谷歌学者|MathSciNet
35. S. Kumar，F. Spezzano，V.S. Subrahmanian和C.Faloutsos，“加权签名网络中的边缘重量预测”第16届IEEE数据矿业国际矿业会议，ICDM 2016年的诉讼程序，pp.221-230，西班牙，2016年12月。查看在：谷歌学者
36. M. Richardson，R. Adrawal和P. Domingos，“语义网络的信任管理”国际语义网络会议，pp。351-368,2003。查看在：谷歌学者
37. J. Leskovec，K.朗，A. Dasgupta和M. W.Mahoney，“大型网络的社区结构：天然集群大小和缺乏大明确的群集”互联网数学，卷。6，不。1，pp。29-123,2009。查看在：出版商网站|谷歌学者|MathSciNet
38. W.元，C.LI，G. Han，D. Guan，L. Zhou和K. He，“签署社交网络的负符号预测”未来一代计算机系统，2017年。查看在：谷歌学者

版权

版权所有©2019 Weiwei Yuan等。这是分布下的开放式访问文章创意公共归因许可证，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。