基于多标签、多示例学习的异质信息网络关系挖掘技术

摘要

现实世界中的许多复杂系统可以形式化为网络，其中节点表示对象，链接表示对象之间的交互。这些网络大部分是异质的，包含多种类型的对象和关系。例如，在线社交网络Twitter中包含诸如用户、位置和推文等不同类型的节点，以及发推文、转发推文、关注用户、签到等不同类型的链接。 链接预测是链接挖掘中的一个关键问题，基于当前或历史网络来预测潜在未知的链接或未来链接的形成。以往大部分的链接预测方法都针对同质信息网络（即网络中存在单一类型的节点和链接）而设计的。最近，针对异质信息网络的链接预测研究得到越来越多研究者的关注，并出现了一些新的进展。 在这一背景下，我们提出了基于多标签学习的关系预测器MULRP和基于多示例学习的关系预测器MUIRP。MULRP首次将多标签学习引入关系预测领域，使用元路径定义节点之间的关系，并视为标签，在多标签学习框架中设计新的关系预测模型。实验结果表明，该方法不仅可以更准确地预测新的目标关系，还可以揭示不同类型关系之间（即标签）的相关性，为如何形成新的关系提供建议。MUIRP则是将关系预测视为一种多示例学习问题，将节点间每种关系的描述特征向量视为一个示例，用多个示例组成的包来表示节点对样本，若节点对样本存在则目标关系则标记为正，否则标记为负。实验结果表明，MUIRP的预测性能高于基于传统监督学习的二分类链接预测方法，但低于MULRP方法。

目录

第一个书签之前