支持向量机的链路预测,支持向量机为什么叫支持向量机

支持向量机的链路预测,支持向量机为什么叫支持向量机

哈桑(Hasan)等人[45]提取合著网络中科学家研究领域的关键词作为特征，用监督学习中一些常用的分类算法(如决策树、K近邻法、多层感知器、支持向量机、径向基网络将所有内核组合成单个图形内核。最后，将一类支持向量机OCSVM应用于所构造的图核来学习正对创新点①将异构网络中的链路预测看做一个单类学习任务来解决图的

这通常是一个二元分类任务，可以使用分类器(如决策树、朴素贝叶斯、支持向量机等)来预测可能产生的链接。该模型的主要挑战之一是选择适当的特征集。现有的大部分研究工作从网络的拓扑信息中提随机分块模型和层次结构模型分别是典型的基于贝叶斯网络和基于马尔科夫网络的链路预测方法。基于概率图模型的链路预测方法有很多，典型的还有监督随机游走链路

3、基于特征分解的链路预测算法利用决策树或支持向量机等有监督或半监督的机器学习算法，对网络节点进行特征提取，并根据提取的特征判断节点间的相关性进行链在基于特征分类的链路预测算法方面#很多学者使用监督学习中一些较为常用的算法#比如支持FHL

4廖亮；张恒锋；基于支持向量机的机会网络链路预测[J];信息通信；2018年09期5赵宇红；李可新；基于时序深度学习的机会网络链路预测方法[J];内蒙古科技大学学报；2019年03期6李最后，通过将LRR和非负矩阵分解(Non-negativeMatrixFactorization,NMF)结合来应对网络中存在的多种噪声，从而在含噪网络中进行有效的链路预测。关于网络的动态

已有研究包括支持向量机[19]、BP神经网络[20-21]、3层隐含的贝叶斯(3-HBP)链路预测模型[22]、最大熵模型[23]以及可变贝叶斯概率矩阵分解模型[24]等。与直接给节点对分配相似性得分不同，这些方法都在由向量[math]\displaystyle{ v_x = \Lambda ^{1/2}U^{T}e_{x} }[/math]展开的欧式空间内，math]\displaystyle{ L^+ }[/math]中的元素[math]\displaystyle{ l^{+}_{xy} }[/m