Prédiction de Liens Temporels en Intégrant les Informations de Contenu et de Structure

Sheng Gao 1, * Ludovic Denoyer 1 Patrick Gallinari 1
* Corresponding author
1 MALIRE - Machine Learning and Information Retrieval
LIP6 - Laboratoire d'Informatique de Paris 6
Résumé : Dans cet article nous traitons le problème de la prédiction de liens temporels: l'apparition des nouveaux liens dans des graphes de données dynamiques. Cette tâche apparaît dans les applications telles que la recommandation ou l'analyse des citation 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 noeuds dans le réseau et l'information de proximité locale des noeuds. 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.
Document type :
Conference papers
Complete list of metadatas

https://hal.archives-ouvertes.fr/hal-00687013
Contributor : Sheng Gao <>
Submitted on : Thursday, April 12, 2012 - 2:05:11 AM
Last modification on : Thursday, March 21, 2019 - 1:13:00 PM

Identifiers

  • HAL Id : hal-00687013, version 1

Citation

Sheng Gao, Ludovic Denoyer, Patrick Gallinari. Prédiction de Liens Temporels en Intégrant les Informations de Contenu et de Structure. Seconde conférence sur les Modèles et l′Analyse des Réseaux : Approches Mathématiques et Informatique, Oct 2011, Grenoble, France. pp.1-14. ⟨hal-00687013⟩

Share

Metrics

Record views

128