• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>International journal of system control and information processing >A new non-parametric feature learning for supervised link prediction
【24h】

A new non-parametric feature learning for supervised link prediction

机译：用于监督链接预测的新非参数特征学习

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Link prediction is an important task for analysing relational data such as the friendship relation on a social networking website that also has applications in other domains like, information retrieval, bioinformatics and e-commerce. The problem of link prediction is to predict the existence or absence of edges between vertices of a network. In this paper, we present a novel nonparametric latent feature relational model based on distance dependent Indian buffet process (DDIBP), by which we can utilise the information of topological structure of the network such as shortest path and connectivity of the nodes and incorporate them into the proposed Bayesian Non-parametric latent feature model which can automatically infer the unknown latent feature dimension. We also develop an efficient MCMC algorithm to compute the posterior distribution of the hidden variables with a highly nonlinear link likelihood function. Experimental results on four real datasets demonstrate the superiority of the proposed method over other latent feature models for link prediction problem.
机译：链接预测是分析关系数据（如社交网站上的友谊关系）的重要任务，该社交网站在信息检索，生物信息学和电子商务等其他领域也有应用。链接预测的问题是预测网络顶点之间边缘的存在或不存在。在本文中，我们提出了一种基于距离依赖的印度自助过程（DDIBP）的新型非参数潜在特征关系模型，通过该模型，我们可以利用网络的拓扑结构信息，例如最短路径和节点的连通性，并将其合并到提出的贝叶斯非参数潜在特征模型可以自动推断未知潜在特征尺寸。我们还开发了一种高效的MCMC算法，以利用高度非线性的链接似然函数来计算隐藏变量的后验分布。在四个真实数据集上的实验结果证明了该方法优于其他潜在特征模型的链接预测问题。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号