Link Prediction by Analyzing Common Neighbors Based Subgraphs Using Convolutional Neural Network
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Link prediction (LP) in social networks is to infer if a link is likely to be formed in the future. Social networks (SN) are ubiquitous and have different types such as human interaction and protein-protein networks. LP uses heuristic methods including common neighbors and resource allocation to find the formation of future links. These heuristics are sensitive to different types of social networks. Certain types of heuristics work better for some SN types, but not for others. Selecting the appropriate heuristic method for the SN type is often a trial and error process. Recent ground-breaking methods, WLMN and SEAL, demonstrated that this selection process can be automated for the different types of SN. While these methods are promising, in some types of SN they still suffer from low accuracy. The objective of this paper is to address this weakness by introducing a novel framework called PLACN that incorporates the analysis of common neighbors of nodes on target link and a combination of heuristic features through a deep learning method. PLACN is driven by a new method to efficiently extract the subgraphs for a target link based on the common neighbors. Another novelty is the method for labeling subgraphs based on the average hop and average weight. Furthermore, we introduce a method to evaluate the approximate number of nodes in the subgraph. Our model converts link prediction to an image classification problem and uses a convolutional neural network. We tested our model on seven real-world networks and compared against traditional LP methods as well as two recent state-of-the-art methods based on subgraphs. Our results outperformed those LP methods reaching above 96% of AUC in benchmark SNs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle