[论文解读] A holistic approach for predicting links in coevolving multiplex networks

Alireza Hajibagheri, Gita Sukthankar+1 more|arXiv (Cornell University)|Aug 18, 2016

Complex Network Analysis Techniques参考文献 27被引用 6

一句话总结

该论文提出MLP，一种用于共演化多层网络中链接预测的综合框架，通过从非目标层学习链接存在的可能性来重加权单层预测得分，从而利用层间依赖关系。通过结合拓扑度量的排序聚合与基于跨层模式的重加权，MLP在预测动态、多关系网络中的缺失链接方面优于分解方法和融合方法。

ABSTRACT

Networks extracted from social media platforms frequently include multiple types of links that dynamically change over time; these links can be used to represent dyadic interactions such as economic transactions, communications, and shared activities. Organizing this data into a dynamic multiplex network, where each layer is composed of a single edge type linking the same underlying vertices, can reveal interesting cross-layer interaction patterns. In coevolving networks, links in one layer result in an increased probability of other types of links forming between the same node pair. Hence we believe that a holistic approach in which all the layers are simultaneously considered can outperform a factored approach in which link prediction is performed separately in each layer. This paper introduces a comprehensive framework, MLP (Multiplex Link Prediction), in which link existence likelihoods for the target layer are learned from the other network layers. These likelihoods are used to reweight the output of a single layer link prediction method that uses rank aggregation to combine a set of topological metrics. Our experiments show that our reweighting procedure outperforms other methods for fusing information across network layers.

研究动机与目标

• 为解决分解链接预测方法的局限性，即在孤立分析每一网络层时，忽略了链接类型之间的动态共演化。
• 建模某一层次中链接的存在如何提高其他层次中链接形成的概率，以捕捉跨层交互模式。
• 开发一个统一框架，同时利用所有层次的信息以提高链接预测的准确性。
• 证明利用层间存在可能性对单层预测进行重加权，可提升性能，优于标准融合技术。

提出的方法

• 该框架构建一个多层网络，其中每一层代表在相同节点集上的一种不同类型的二元互动（例如，通信、交易）。
• 对于每个目标层，模型使用概率或统计估计方法，基于其他层中链接的存在情况，学习链接存在的可能性。
• 对每一层应用单层链接预测方法，使用一组拓扑度量，然后通过排序聚合对得分进行排序并整合，生成共识预测得分。
• 利用层间链接存在可能性对聚合得分进行重加权，使在共演化结构下更可能发生的预测获得更高权重。
• 最终的预测得分用于对节点对进行排序，得分越高表示缺失链接的可能性越大。

实验结果

研究问题

• RQ1 在共演化多层网络中建模层间依赖关系是否能提升链接预测性能，相比将各层独立处理？
• RQ2 利用层间链接存在可能性对单层预测进行重加权，在提升预测准确性方面有多有效？
• RQ3 一个同时考虑所有层的综合框架是否优于分别独立预测各层的分解方法？
• RQ4 当通过排序聚合与重加权结合时，不同拓扑度量对预测的贡献如何？

主要发现

• MLP框架显著优于标准的分解链接预测方法，后者对每一层进行孤立分析。
• 基于层间链接存在可能性的重加权机制，相比基线融合策略，进一步提升了预测性能。
• 拓扑度量的排序聚合与层间重加权相结合，产生的预测结果比单一度量性能更稳健、更准确。
• 综合方法捕捉到了分解方法所忽略的共演化模式，尤其在动态、多关系网络环境中表现更优。