| Texto completo | |
| Autor(es): |
Número total de Autores: 4
|
| Afiliação do(s) autor(es): | [1] Univ Estadual Campinas, RECOD Lab, Inst Comp, BR-13083852 Campinas, SP - Brazil
[2] Indiana Univ, Luddy Sch Informat Comp & Engn, Ctr Complex Networks & Syst Res, Bloomington, IN 47408 - USA
[3] Univ Sao Paulo, Dept Comp & Math, Fac Philosophy Sci & Letters Ribeirao Preto FFCLR, BR-14040901 Ribeirao Preto, SP - Brazil
[4] Univ Fed Sao Paulo, Inst Sci & Technol, BR-12247014 Sao Jose Dos Campos, SP - Brazil
Número total de Afiliações: 4
|
| Tipo de documento: | Artigo Científico |
| Fonte: | IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS; FEB 2021. |
| Citações Web of Science: | 1 |
| Resumo | |
Link prediction (LP) in networks aims at determining future interactions among elements; it is a critical machine-learning tool in different domains, ranging from genomics to social networks to marketing, especially in e-commerce recommender systems. Although many LP techniques have been developed in the prior art, most of them consider only static structures of the underlying networks, rarely incorporating the network's information flow. Exploiting the impact of dynamic streams, such as information diffusion, is still an open research topic for LP. Information diffusion allows nodes to receive information beyond their social circles, which, in turn, can influence the creation of new links. In this work, we analyze the LP effects through two diffusion approaches, susceptible-infected-recovered and independent cascade. As a result, we propose the progressive-diffusion (PD) method for LP based on nodes' propagation dynamics. The proposed model leverages a stochastic discrete-time rumor model centered on each node's propagation dynamics. It presents low-memory and low-processing footprints and is amenable to parallel and distributed processing implementation. Finally, we also introduce an evaluation metric for LP methods considering both the information diffusion capacity and the LP accuracy. Experimental results on a series of benchmarks attest to the proposed method's effectiveness compared with the prior art in both criteria. (AU) | |
| Processo FAPESP: | 13/07375-0 - CeMEAI - Centro de Ciências Matemáticas Aplicadas à Indústria |
| Beneficiário: | Francisco Louzada Neto |
| Modalidade de apoio: | Auxílio à Pesquisa - Centros de Pesquisa, Inovação e Difusão - CEPIDs |
| Processo FAPESP: | 18/24260-5 - Análise de dados espaço-temporais baseado em redes complexas |
| Beneficiário: | Didier Augusto Vega Oliveros |
| Modalidade de apoio: | Bolsas no Exterior - Estágio de Pesquisa - Pós-Doutorado |
| Processo FAPESP: | 19/07665-4 - Centro de Inteligência Artificial |
| Beneficiário: | Fabio Gagliardi Cozman |
| Modalidade de apoio: | Auxílio à Pesquisa - Programa eScience e Data Science - Centros de Pesquisa Aplicada |
| Processo FAPESP: | 16/23698-1 - Processos Dinâmicos em Aprendizado de Máquina baseados em Redes Complexas |
| Beneficiário: | Didier Augusto Vega Oliveros |
| Modalidade de apoio: | Bolsas no Brasil - Pós-Doutorado |
| Processo FAPESP: | 15/50122-0 - Fenômenos dinâmicos em redes complexas: fundamentos e aplicações |
| Beneficiário: | Elbert Einstein Nehrer Macau |
| Modalidade de apoio: | Auxílio à Pesquisa - Temático |
| Processo FAPESP: | 17/12646-3 - Déjà vu: coerência temporal, espacial e de caracterização de dados heterogêneos para análise e interpretação de integridade |
| Beneficiário: | Anderson de Rezende Rocha |
| Modalidade de apoio: | Auxílio à Pesquisa - Temático |
| Processo FAPESP: | 18/01722-3 - Aprendizado semissupervisionado via redes complexas: construção de redes, seleção e propagação de rótulos e aplicações |
| Beneficiário: | Lilian Berton |
| Modalidade de apoio: | Auxílio à Pesquisa - Regular |
| Processo FAPESP: | 19/26283-5 - Aprendendo pistas visuais da passagem do tempo |
| Beneficiário: | Didier Augusto Vega Oliveros |
| Modalidade de apoio: | Bolsas no Brasil - Pós-Doutorado |