ACCUEIL

Consignes aux
auteurs et coordonnateurs
Nos règles d'éthique
Autres revues >>

Ingénierie des Systèmes d'Information

Networking and Information Systems
1633-1311
Revue des sciences et technologies de l'information
 

 ARTICLE VOL 17/6 - 2012  - pp.75-90  - doi:10.3166/isi.17.6.75-90
TITRE
Prédiction de liens temporels en intégrant les informations de contenu et de structure

TITLE
Temporal link prediction using content and structure

RÉSUMÉ
Dans cet article nous traitons le problème de la prédiction de liens temporels qui vise à prédire l’apparition des nouveaux liens dans des graphes de données dynamiques. Cette tâche concerne aussi bien les applications telles que la recommandation ou l’analyse des citations ou des réseaux sociaux. La plupart des approches de prédiction de liens temporels se basent uniquement sur la structure topologique globale du réseau. Nous proposons ici un modèle qui exploite simultanément différentes sources d’information dans le réseau afin de prédire les probabilités d’occurrence de liens futurs. Le modèle intègre trois types d’informations : la structure topologique du réseau, le contenu des nœuds dans le réseau et l’information de proximité locale des nœuds. Ce modèle est basé sur une formalisation à base de factorisation en matrices non négatives et de régularisation dans les graphes. Nous proposons une méthode d’optimisation alternée efficace pour l’apprentissage. Nous expérimentons enfin cette méthode sur plusieurs ensembles de données du monde réel et montrons que notre modèle surpasse les méthodes de l’état de l’art.


ABSTRACT
In this paper we address the problem of temporal link prediction, i.e., predicting the apparition of new links, in time-evolving networks. This problem appears in applications such as recommender systems, social network analysis or citation analysis. Link prediction in timeevolving networks is usually based on the topological structure of the network only. We propose a model which exploits multiple information sources in the network. The model integrates three types of information: the global network structure, the content of nodes in the network if any, et the local or proximity information of a given vertex. The proposed model is based on a matrix factorization formulation of the problem with graph regularization. We derive an efficient optimization method to learn the latent factors of this model. Extensive experiments on several real world datasets suggest that our unified framework outperforms state-of-the-art methods for temporal link prediction tasks.


AUTEUR(S)
Sheng GAO, Ludovic DENOYER, Patrick GALLINARI

MOTS-CLÉS
réseaux sociaux, prédiction de liens temporels, factorisation matricielle, régularisation de graphes.

KEYWORDS
social network, temporal link prediction, matrix factorization, graph regularization.

LANGUE DE L'ARTICLE
Français

 PRIX
• Abonné (hors accès direct) : 12.5 €
• Non abonné : 25.0 €
|
|
--> Tous les articles sont dans un format PDF protégé par tatouage 
   
ACCÉDER A L'ARTICLE COMPLET  (292 Ko)



Mot de passe oublié ?

ABONNEZ-VOUS !

CONTACTS
Comité de
rédaction
Conditions
générales de vente

 English version >> 
Lavoisier