抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
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】