基于网络拓扑的多关联社交网络层次概率矩阵分解

白浩丽、徐增林、刘斌、李英明
第八届亚洲机器学习大会论文集，PMLR 63:270-2852016年。

摘要

多关系社交网络中的链接预测受到了广泛关注。例如，我们可能会考虑两个用户基于其他模式（例如短信和电话）的联系人成为朋友的可能性。在以前的工作中，矩阵分解模型通常应用于单关系网络；然而，将其扩展到多关系网络中面临两个挑战。首先，很难捕捉不同关系类型的交互。第二个问题是冷启动问题，因为预测多关系网络中的新实体变得更具挑战性。在本文中，我们提出了一种新的方法，称为网络拓扑层次概率矩阵分解（HPMFNT）。我们的模型通过将Katz索引扩展到多关系设置来利用网络拓扑，这可以通过其他关系的辅助信息有效地建模多维交互作用。我们还利用扩展的Katz索引和实体属性来解决冷启动问题。在两个真实世界数据集上的实验表明，我们的模型以显著的优势优于最先进的模型。

引用本文

BibTeX公司
@会议记录{pmlr-v63-bai103，title={多关系社会网络的网络拓扑分层概率矩阵分解}，author={白，郝丽，徐，曾林，刘，宾，李，英明}，booktitle={第八届亚洲机器学习会议论文集}，页数={270--285}，年份={2016年}，editor={杜兰特、罗伯特·J·和金·记昂}，体积={63}，series={机器学习研究论文集}，address={新西兰汉密尔顿怀卡托大学}，月={11月16日--18日}，publisher={PMLR}，pdf={http://proceedings.mlr.press/v63/bai103.pdf},url={https://proceedings.mlr.press/v63/bai103.html},abstract={多关系社交网络中的链接预测已经引起了人们的广泛关注。例如，我们可能会考虑两个用户基于其他模式（例如短信和电话）的联系人成为朋友的可能性。在以前的工作中，矩阵分解模型通常应用于单关系网络；然而，将其扩展到多关系网络中面临两个挑战。首先，很难捕捉不同关系类型的交互。第二个问题是冷启动问题，因为预测多关系网络中的新实体变得更具挑战性。在本文中，我们提出了一种新的方法，称为网络拓扑层次概率矩阵分解（HPMFNT）。我们的模型通过将Katz索引扩展到多关系设置来利用网络拓扑，这可以通过其他关系的辅助信息有效地建模多维交互作用。我们还利用扩展的Katz索引和实体属性来解决冷启动问题。在两个真实世界数据集上的实验表明，我们的模型以显著的优势优于最先进的模型}
尾注
%0会议论文%基于网络拓扑的多关联社交网络T层次概率矩阵分解%阿浩丽白%许增林%刘斌（音译）%李英明%第八届亚洲机器学习会议论文集%C机器学习研究进展%2016年4月%E罗伯特·J·达兰特%E Kee-Eung Kim（金基恩）%对于pmlr-v63-bai103%我PMLR%电话270--285%U型https://proceedings.mlr.press/v63/bai103.html%63伏%多关系社交网络中的X链接预测受到了广泛关注。例如，我们可能会考虑两个用户基于其他模式（例如短信和电话）的联系人成为朋友的可能性。在以前的工作中，矩阵分解模型通常应用于单关系网络；然而，将其扩展到多关系网络中面临两个挑战。首先，很难捕捉到不同关系类型之间的相互作用。第二个问题是冷启动问题，因为预测多关系网络中的新实体变得更具挑战性。在本文中，我们提出了一种新的方法，称为网络拓扑层次概率矩阵分解（HPMFNT）。我们的模型通过将Katz索引扩展到多关系设置来利用网络拓扑，这可以通过其他关系的辅助信息有效地建模多维交互作用。我们还利用扩展的Katz索引和实体属性来解决冷启动问题。在两个真实数据集上的实验表明，我们的模型在很大程度上优于最先进的模型。
RIS公司
TY-CPAPER公司多关联社交网络的TI-网络拓扑层次概率矩阵分解澳大利亚-Haoli BaiAU-徐增林AU-刘斌AU-李英明BT-第八届亚洲机器学习会议论文集DA-2016年11月20日ED-罗伯特·J·达兰特ED-Kee-Eung KimID-pmlr-v63-bai103PB-PMLRDP-机器学习研究进展VL-63第270页EP-285第一层-http://proceedings.mlr.press/v63/bai103.pdfUR-（欧元）https://proceedings.mlr.press/v63/bai103.html多关系社交网络中的AB-Link预测受到了广泛关注。例如，我们可能会考虑两个用户基于其他模式（例如短信和电话）的联系人成为朋友的可能性。在以前的工作中，矩阵分解模型通常应用于单个关系网络；然而，将其扩展到多关系网络中面临两个挑战。首先，很难捕捉不同关系类型的交互。第二个问题是冷启动问题，因为预测多关系网络中的新实体变得更具挑战性。在本文中，我们提出了一种新的方法，称为网络拓扑层次概率矩阵分解（HPMFNT）。我们的模型通过将Katz索引扩展到多关系设置来利用网络拓扑，这可以通过其他关系的辅助信息有效地建模多维交互作用。我们还利用扩展的Katz索引和实体属性来解决冷启动问题。在两个真实数据集上的实验表明，我们的模型在很大程度上优于最先进的模型。急诊室-
亚太地区
Bai，H.，Xu，Z.，Liu，B.&Li，Y.（2016）。基于网络拓扑的多关系社会网络层次概率矩阵分解。第八届亚洲机器学习大会论文集，英寸机器学习研究进展63:270-285网址：https://proceedings.mlr.press/v63/bai103.html。

相关材料