CS224W2.2——传统基于特征的方法(边层级特征)

在这篇中，我们介绍了链接预测的重要任务，以及如何提取链接级特征来更好地解决这类问题。这在我们需要预测缺失的边或预测将来会出现的边的情况下很有用。我们将讨论的链路级功能包括基于距离的功能，以及本地和全局邻域重叠。

1. 边层级任务

任务是：基于已有的图结构，预测新的边。

这意味着在测试时，我们必须计算所有尚未链接的节点对，对它们进行排序，然后，宣布我们的算法预测的最前面的k个注释对，是网络中将要发生的链接。

而现在的关键，是对每一对节点（边）设计特征。

正如上一篇中说到的节点层级的任务，是给节点设计特征，那我们能否直接拼接两个节点的特征作为这一对节点的特征呢？

答案是不能的，因为这样会丢失很多重要信息。

2. 链路预测任务两种方式

3. 通过邻近进行链路预测

4. 边层级特征

总体来说，边层级特征可以分为三种方式：

• 基于距离的特征（Distance-based feature）
• 局部邻域重叠（Local neighborhood overlap）
• 全局邻域重叠（Global neighborhood overlap）

4.1 基于距离的特征（Distance-based feature）

这种想法很简单，就是比如B、H之间的距离为2，那么就将BH这条边（预测边）的特征值设为2。

但也有很大问题，就是这种方法没有考虑邻域重叠的程度。

4.2 局部邻域重叠（Local neighborhood overlap）

4.3 全局邻域重叠（Global neighborhood overlap）

利用图邻接矩阵的幂计算两个节点之间的路径数。

以上是简单证明，学过数据结构的应该知道这个结论。

5. 总结