Dynamic Network Link Prediction by Learning Effective Subgraphs using CNN-LSTM
Notice bibliographique
Résumé
Predicting the future link between nodes is a significant problem in social network analysis, known as Link Prediction (LP). Recently, dynamic network link prediction has attracted many researchers due to its valuable real-world applications. However, most methods fail to perform satisfying prediction accuracy in various types of networks because the dynamic LP in evolving networks is struggling with spatial and nonlinear transitional patterns. Besides this, existing methods mostly involve the whole network and target link for the LP process. It leads to high computational costs. This paper aims to address these issues by proposing a novel framework named DLP-LES using deep learning methods. DLP-LES uses common neighbors based subgraph of a target link and learns the transitional pattern of it for a given dynamic network. We extract a set of heuristic features of the evolving subgraph to gather additional information about the target link. In this way, we avoid examining the entire network. Additionally, our model introduces new mechanisms to reduce computational costs. DLP- LES generates a lookup table to keep the required information of links of the network and uses a hashing method to store and fetch link information. We propose an algorithm to construct feature matrices of the evolving subgraph to learn transitional link patterns. Our model transforms the dynamic link prediction to a video classification problem, and uses Convolutional Neural Networks with Long Short-Term Memory neural networks. To verify the effectiveness of DLP-LES, extensive experiments are carried out on five real-world dynamic networks. We compare those results against four network embedding methods and basic heuristic methods.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».