Network Alignment(网络比对)模型

 
两类模型:
第一类: two-steps method
先计算两个网络之间每两个结点的相似性,再从N1*N2对相似性中抽取N1对匹配(N1<=N2)。
代表算法:IsoRank
第二类:objective-based
直接建立数学模型,即直接计算M对匹配的总得分值。(利用已有匹配的信息 PISwap)
代表算法:PisWap
 
IsoRank:
计算所有可能对的匹配得分,再抽取。 
影响Rbb'的两个因素:其邻居的度(两个),其邻居对的匹配得分。
 
采用的思路为:
作者怎么利用pagerank到isorank?
把pagerank的点到点的传递方式(一个网络) --> 一个匹配(边)到一个匹配的传递方式(两个网络)。
思考:如果是triple to triple(3 networks)该如何建模?

转载于:https://www.cnblogs.com/jxhuang/p/4508334.html

  • 0
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
网络对齐(Network Alignment)是指在两个或多个网络中找到相对应的节点对,以便可以进行跨网络的数据分析和挖掘。而联合链接预测和网络对齐(Joint Link Prediction and Network Alignment)则是将链接预测和网络对齐两个任务进行统一的建模和求解。 在传统的网络对齐任务中,通常会使用网络节点的属性信息或者拓扑结构信息来进行对齐。而链接预测任务则是根据网络中已有的节点和边的信息,预测网络中可能存在的未知边。联合链接预测和网络对齐的目标是通过同时考虑两个任务,提高网络对齐的准确性和效率。 一种常用的方法是基于嵌入(embedding)的方式,将网络中的节点映射到低维空间中的向量表示。通过学习节点的嵌入向量,可以捕捉到节点之间的相似性和关联性。在联合链接预测和网络对齐任务中,可以使用跨图嵌入(cross-graph embedding)的方法来进行建模。 跨图嵌入方法通过共享节点嵌入向量来实现链接预测和网络对齐之间的信息传递。具体来说,在网络对齐任务中,可以通过最大化对应节点嵌入向量之间的相似性来进行对齐。而在链接预测任务中,可以通过学习节点嵌入向量之间的关系,来预测网络中可能存在的未知边。 一些基于跨图嵌入的方法可以使用图神经网络(Graph Neural Network)进行建模,通过多层网络的节点更新和聚合操作,逐步学习节点的嵌入向量。同时,还可以利用一些损失函数来对节点嵌入向量进行约束,以提高对齐和预测的准确性。 总的来说,联合链接预测和网络对齐通过跨图嵌入的方式,将两个任务进行统一的建模和求解,可以提高网络对齐的准确性和效率。这是一个非常重要的研究方向,在实际应用中具有很大的潜力。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值