基于矩阵分解的DeepWalk链路预测算法

摘要: 现有的链路预测方法的数据来源主要是基于邻居、路径、和随机游走的方法，使用的是节点相似性假设或者最大似然估计，尚缺少基于神经网络的链路预测研究。基于神经网络的一些研究表明，基于神经网络的DeepWalk网络表示学习算法可以更加有效地挖掘到网络中的结构特征，已有研究证明DeepWalk等同于分解目标矩阵。因此，提出了一种基于矩阵分解的DeepWalk链路预测算法（LPMF）。该算法首先基于矩阵分解的DeepWalk算法分解得到网络的表示向量；然后通过余弦相似度计算每对节点之间的相似度，构建目标网络的相似度矩阵；最后利用相似度矩阵，在三个真实的引文网络中进行链路预测实验。实验结果表明，提出的链路预测算法性能优于现存的20余种链路预测算法，这充分表明了LPMF能够有效地挖掘网络中节点之间的结构关联性，而且在实际网络的链路预测中能够发挥出较为优异的性能。