基于改进蚁群优化算法与子图演化，提出了一种新型非监督社交网络链路预测（SE-ACO）方法。该方法首先在社交网络图中确定特殊子图；然后研究子图演化以预测图中的新链接，并用蚁群优化算法定位特殊子图；最后针对所提方法使用不同网络拓扑环境与数据集进行检验。结果表明，与其他无监督社交网络预测算法相比，所提SE-ACO方法在多数数据集上的评估结果较好，且运行时间较短，这表明图形结构在链路预测算法中起重要作用。
2023-03-20 17:23:48
194KB
1
针对当前基于网络拓扑结构相似性的链路预测算法普遍存在精确度较低且适应性不强的问题，研究发现融合算法能够有效改善这些问题。提出了一种基于神经网络的融合链路预测算法，主要通过神经网络对不同链路预测相似性指标进行融合。该算法使用神经网络对不同相似性指标的数值特征进行学习，同时采用标准粒子群算法对神经网络进行了优化，并通过优化学习后的神经网络模型计算出融合指标。多个真实网络数据集上实验表明，该算法的预测精度明显高于融合之前的各项指标，并且优于现有融合方法的精度。
2021-11-18 16:23:42
543KB
1