文献

J-GLOBAL ID：202002266709997677   整理番号：20A1802693

拡張局所ナイーブBayesモデルによる複雑ネットワークにおけるミッシングリンクの予測【JST・京大機械翻訳】

Predicting missing links in complex networks via an extended local naieve Bayes model

著者 (4件)： Zhang Hai-Feng (Key Laboratory of Intelligent Computing and Signal Processing of Ministry of Education, School of Mathematical Science, Anhui University - Hefei 230601, China) ,  Jia Ming-Ming (Key Laboratory of Intelligent Computing and Signal Processing of Ministry of Education, School of Mathematical Science, Anhui University - Hefei 230601, China) ,  Xiang Bing-Bing (Key Laboratory of Intelligent Computing and Signal Processing of Ministry of Education, School of Mathematical Science, Anhui University - Hefei 230601, China) ,  Ma Chuang (School of Internet, Anhui University - Hefei 230601, China)
資料名： EPL  (EPL)
巻： 130  号： 3  ページ： 38002 (7pp)  発行年： 2020年 
JST資料番号： D0701B  ISSN： 0295-5075  資料種別： 逐次刊行物 (A)
記事区分： 短報  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 本研究では,複雑なネットワークにおけるリンク予測を実装するための拡張局所ナイーブBayes(ELNB)モデルを提案した。このモデルでは,拡張クラスタリング係数(ECC)を定義し,リンククラスタリング係数(LCC)とノードクラスタリング係数(NCC)から成るELNBモデルにおける事後接続確率を表した。著者らの方法は,共通隣接類似性指数の短所を克服するだけでなく,2つのノードの共通近傍は,接続尤度に等しく寄与し,また,その隣接集合における異なるペアノードの接続尤度に関する共通近傍の寄与が異なることを保証した。徹底的な解析を通して,LCCがリンク予測に正の役割を果たすことを見出した。反対に,NCCはしばしば負の効果をもたらす。したがって,最良のリンク予測を与えるELNBにおける最適パラメータを見つけることができた。より重要なことに,ECCはミクロスケール(個人レベル)のクラスタ化係数とは異なるが,それらはメソスケール(サブネットワークレベル)とマクロスケール(全ネットワークレベル)で同じであることを証明する。結果として,ECCは,ネットワークの微細構造を特徴付けるための新しい効果的な指標であり,一方,メソスケールとマクロスケールで不変特性を維持する。Please refer to the publisher for the copyright holders. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 微細構造 ,  *ネットワーク ,  クラスタ化 ,  類似性 ,  中規模
準シソーラス用語： 尤度 ,  *複雑ネットワーク ,  マクロスケール ,  クラスタ係数 ,  最適パラメータ ,  Bayes法 , 【Automatic Indexing@JST】

分類 (5件)： グラフ理論基礎  (IA02020S) ,  ニューロコンピュータ  (JC06010Q) ,  システム・制御理論一般  (IA02010H) ,  人工知能  (JE08000Z) ,  通信網  (ND07030A)

タイトルに関連する用語 (5件)： 拡張 ,  Bayesモデル ,  複雑ネットワーク ,  リンク ,  予測