Resumen

La predicción de enlaces es un problema fundamental de la ciencia de datos, que generalmente requiere desentrañar los mecanismos que gobiernan las microdinámicas de las redes. En este sentido, el uso de características obtenidas de la incrustación de redes para predecir enlaces ha llamado ampliamente la atención. Aunque se han propuesto métodos basados en características de bordes o similitud de nodos para resolver el problema de predicción de enlaces, todavía existen muchos desafíos técnicos debido a las propiedades estructurales únicas de las redes, especialmente cuando las redes son dispersas. Desde la perspectiva de la minería de grafos, primero damos evidencia empírica de la inconsistencia entre características de bordes heurísticas y aprendidas. Luego, proponemos un nuevo marco de predicción de enlaces, , mediante la introducción de una función de Similitud Adaptativa utilizando características obtenidas de la incrustación de redes basada en caminatas aleatorias. Las representaciones de características de nodos se obtienen optimizando una función objetivo basada en

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Predicción de enlaces; Ciencia de datos; Incrustación de redes; Características de aristas; Similitud de nodos; Minería de grafos
• Keywords:Link prediction; Data science; Network embedding; Edge features; Node similarity; Graph mining