文献

J-GLOBAL ID：202102222011902606   整理番号：21A0739261

特徴分類に基づくリンク予測方法について総説した。【JST・京大機械翻訳】

Review of Link Prediction Methods Based on Feature Classification

著者 (5件)： Wang Hui (浙江工業大学計算机科学与技術学院 杭州 310023;江西理工大学応用科学学院 江西 gan州 341000) ,  Le Zichun (浙江工業大学理学院 杭州 310023) ,  Gong Xuan (浙江工業大学計算机科学与技術学院 杭州 310023) ,  Wu Yukun (浙江工業大学計算机科学与技術学院 杭州 310023) ,  Zuo Hao (浙江工業大学計算机科学与技術学院 杭州 310023)
資料名： Jisuanji Kexue  (Jisuanji Kexue)
巻： 47  号： 8  ページ： 302-312  発行年： 2020年 
JST資料番号： C2530A  ISSN： 1002-137X  資料種別： 逐次刊行物 (A)
記事区分： 文献レビュー  発行国： 中国 (CHN)  言語： 中国語 (ZH)

抄録/ポイント： 複合ネットワークリンク予測はネットワーク科学研究における重要な研究方向として、ますます多くの専門分野の専門家から注目され、ノードとエッジの特徴などの既存のネットワーク情報を利用して、未来の可能な形成関係を予測することができる。ネットワークが欠いている情報と新しいまたは消失している情報、虚偽の相互作用を識別し、ネットワークの進化メカニズムを評価し、ネットワーク再構成などを行った。現在、リンク予測の文献は主に工学、コンピュータ科学と物理学の専門家から由来し、各自は政であり、協力を欠いており、多学科を結びつけてリンク予測を行う総説論文は少なくない。そこで、本文では、コンピュータ科学と物理学の視点から、特徴分類に基づくリンク予測アルゴリズムの研究進展を全面的に回顧し、分析・議論し、この分野の専門家が提案した多種類の特徴抽出技術を紹介し、まず、階層化の考え方をリンク予測アルゴリズム分類に導入し、分類モデルを3層に分けた。すなわち,メタデータ層,特徴分類層と特徴抽出層である。この分類モデルは「2つのブロック7つの側面」を含み、即ち、常用のリンク予測アルゴリズムを2つの大ブロック(特徴抽出方法と特徴学習方法)と7つの方面(類似性に基づく方法、尤度分析に基づく方法、確率モデルに基づく方法、マトリックス分解方法)に分けた。ランダムウォークに基づく方法,ニューラルネットワークに基づく方法,および自己定義損失関数に基づく方法。この分類方法は,最もポピュラーなグラフニューラルネットワークリンク予測技術GNN(GraphNeuralNetwork)を含む多くの古典的および最新のリンク予測技法をカバーしている。GCN(GraphConvolutionalNetwork)、RNN(RecurrentNeuralNetwork)とRL(ReinforcementLearning)。本文では、これらのアルゴリズムのモデル複雑性と予測性能の差異を研究し、現在のリンク予測技術の未来に直面する挑戦について討論した。Data from Wanfang. Translated by JST.【JST・京大機械翻訳】

シソーラス用語： *予測技法 ,  アルゴリズム ,  相互作用 ,  損失関数 ,  ネットワーク ,  ニューラルネットワーク ,  計算機科学 ,  特徴抽出 ,  *文献展望 ,  酔歩 ,  確率モデル ,  メタデータ
準シソーラス用語： 尤度 ,  予測アルゴリズム ,  分類モデル , 【Automatic Indexing@JST】

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： 分類 ,  リンク ,  予測方法 ,  総説