[论文解读] Maximum entropy approach to link prediction in bipartite networks

Margarita Baltakienė, Kęstutis Baltakys+6 more|arXiv (Cornell University)|May 11, 2018

Complex Network Analysis Techniques参考文献 32被引用 3

一句话总结

该论文通过在度序列约束下使用受限最大熵最大化方法对双分图网络中的链接概率进行建模，将最大熵框架扩展至双分图网络。该方法在真实金融和社交网络中表现出色，通过熵与似然优化进行概率链接推断，优于当前最先进方法。

ABSTRACT

Within network analysis, the analytical maximum entropy framework has been very successful for different tasks as network reconstruction and filtering. In a recent paper, the same framework was used for link-prediction for monopartite networks: link probabilities for all unobserved links in a graph are provided and the most probable links are selected. Here we propose the extension of such an approach to bipartite graphs. We test our method on two real world networks with different topological characteristics. Our performances are compared to state-of-the-art methods, and the results show that our entropy-based approach has a good overall performance.

研究动机与目标

• 将最大熵方法在单分图网络中的链接预测扩展至双分图网络。
• 利用在度序列约束下的熵最大化方法，对双分图网络中的未观测链接进行建模。
• 在真实世界双分图网络上评估该方法的性能，并与当前最先进链接预测技术进行比较。
• 为链接预测提供一个基于原则的、保留观测拓扑特征的几率框架。

提出的方法

• 该方法使用双分图配置模型，定义在两层上具有固定度序列的所有可能双分图的概率分布。
• 在顶层和底层节点的期望度序列约束下最大化熵，从而导出每个潜在链接的概率因子化形式。
• 对一对 (i, α) 的链接概率建模为 $ \frac{x_i y_\alpha}{1 + x_i y_\alpha} $，其中 $ x_i $ 和 $ y_\alpha $ 是由度约束推导出的拉格朗日乘子。
• 通过最大化观测网络结构的对数似然来估计模型参数，确保与经验度序列的一致性。
• 通过根据推断概率对链接对进行排序，将该方法应用于预测缺失或未观测的链接。
• 通过移除链接的探测集评估性能，将曲线下面积（AUC）及其他标准指标与基线方法进行比较。

实验结果

研究问题

• RQ1 最大熵框架能否成功扩展至双分图网络用于链接预测？
• RQ2 在真实双分图网络中，基于熵的方法与现有最先进链接预测算法相比表现如何？
• RQ3 在双分图系统中，引入度约束在多大程度上提升了链接预测的准确性？
• RQ4 基于熵和似然优化的概率公式是否能在不同类型的网络中产生稳健且可推广的预测？

主要发现

• 基于熵的方法在两个真实世界双分图网络（委内瑞拉银行与资产网络及合作者网络）中均实现了出色的链接预测性能。
• 在多种评估指标下，该方法的表现优于或匹配当前最先进方法，包括共同邻居、资源分配和局部社区链接评分方法。
• 该模型在具有不同拓扑特征的网络中表现稳健，表明其具备良好的泛化能力。
• 在度约束下进行熵最大化，为不完整双分图系统中的链接预测提供了原则性且统计基础坚实的建模方法。
• 该框架为链接可能性提供了统一的概率解释，支持预测与不确定性量化。