Kernels for Link Prediction with Latent Feature Models
Kernels for Link Prediction with Latent Feature Models
复制标题
使用潜在特征模型进行链接预测的内核
DOI：
10.1007/978-3-642-23783-6_33
复制
发表时间：
2011
期刊：
影响因子：
--
通讯作者：
Hiroshi Mamitsuka
中科院分区：
文献类型：
--
作者：
Canh Hao Nguyen;Hiroshi Mamitsuka
预测网络中的新链路是许多应用领域感兴趣的问题。大多数预测方法都利用节点等网络实体的信息来构建链接模型。除了具有相似性或相关性语义的网络之外，通常不使用网络结构。在这项工作中，我们使用网络结构的链接预测与更一般的网络类型的潜在特征模型。问题是很难直接针对大数据训练这些模型。我们提出了一种方法来解决这个问题，使用内核和铸造的链接预测问题转化为一个二进制分类问题。其关键思想是不显式地推断潜在特征，而是在内核中隐式地表示这些特征，使该方法可扩展到大型网络。与其他潜在特征模型的方法相比，我们的方法继承了核框架的所有优点：最优性，效率和非线性。我们将我们的方法应用于蛋白质-蛋白质相互作用的真实的数据，以显示我们的方法的优点。
Predicting new links in a network is a problem of interest in many application domains. Most of the prediction methods utilize information on the network’s entities such as nodes to build a model of links. Network structures are usually not used except for the networks with similarity or relatedness semantics. In this work, we use network structures for link prediction with a more general network type with latent feature models. The problem is the difficulty to train these models directly for large data. We propose a method to solve this problem using kernels and cast the link prediction problem into a binary classification problem. The key idea is not to infer latent features explicitly, but to represent these features implicitly in the kernels, making the method scalable to large networks. In contrast to the other methods for latent feature models, our method inherits all the advantages of kernel framework: optimality, efficiency and nonlinearity. We apply our method to real data of protein-protein interactions to show the merits of our method.
一种从相似性判断推断特征的非参数贝叶斯方法
影响因子：
2.2
作者：
D. Navarro;T. Griffiths
通讯作者：
T. Griffiths