论文笔记01 Sign prediction by motif naive bayes model in social networks

Sign prediction by motif naive bayes model in social networks

通过子图贝叶斯模型在社交网络中进行符号预测。

主要工作

本文，首先提出基于单子图贝叶斯模型预测边的类型（正或负），它考虑了子图的个数和节点的不同贡献。然后，随机结合两种类型子图，将单子图贝叶斯模型拓展到两子图贝叶斯模型。最后，讨论了考虑多子图的情况，并且研究了不同子图间的关系。

1. 基于单子图贝叶斯模型

思想：考虑单一子图的数量和节点的角色函数。
无向标签网络G(V, E, L),对于边(A,B),pAB表示边为正类，nAB表示边为负类。边(A,B)是正类或负类的后验概率：
其中Si(A,B)与节点A，B组成预测者Si的节点或边集合。两种后验概率的比例设为一分数，若分数>1，则边(A,B)是正类，<1则边是负类。边(A,B)分数计算如下：

其中，P(pAB),P(nAB)分别表示A，B用一条正类边，负类边连接的先验概率，计算如下：

其中是|E|是所有可能边数，X，Y分别为正类边数，负类边数。这里P(pAB｜M)，P(ｎAB｜M)分别表示节点间用正类，负类链接，和节点M组成Si的概率：

为了避免分母为0，分子，分母加1，给定节点M，等式10，基于预测主题Si的节点M的角色函数如下：

总结公式，就是运用朴素贝叶斯的思想，如下推理：两种后验概率比值取对数看作边的分数来预测边的类别（正或者负）。

２.基于双子图贝叶斯模型

思想：考虑两个子图的个数和节点的角色函数
两个预测主题Si，Sj，边(A,B)是正类或负类的后验概率：


该公式主要由三部分组成，第一部分是两个子图的个数加和，第二部分是第一个子图的节点的角色函数总的影响，第三部分是第二个子图的节点的角色函数总的影响。

３.多子图的情况和子图间的关系

基于单子图贝叶斯模型计算边的分数看着一维特征，九种类型子图计算边的分数是九维特征。然后用XGBoost分类器将其组合预测标签。用三，四节点子图的所有类型混合，叫做Motif Famliy。
通过最大信息系数MIC研究了不同子图之间的关系，根据子图间的关系选择多个子图混合，相比Motif Famliy而言，通过MIC的特征选择减少了冗余的特征（子图），减少了计算量。性能和其相近。

４.总结

本文主要考虑了朴素贝叶斯的思想，结合了３，４节点的子图，提出了基于单子图贝叶斯模型，双子图贝叶斯模型，多子图贝叶斯情况，去预测边的标签（正或负）。未来，可根据子图间的关系，为特征选择提供一有效方法。
思考：将已有的思想用新的方式结合起来，也不失为一个新的角度。

链接：https://www.sciencedirect.com/science/article/pii/S0020025520305508