Link Prediction in Social Networks (eBook)
IX, 67 Seiten
Springer International Publishing (Verlag)
978-3-319-28922-9 (ISBN)
This work presents link prediction similarity measures for social networks that exploit the degree distribution of the networks. In the context of link prediction in dense networks, the text proposes similarity measures based on Markov inequality degree thresholding (MIDTs), which only consider nodes whose degree is above a threshold for a possible link. Also presented are similarity measures based on cliques (CNC, AAC, RAC), which assign extra weight between nodes sharing a greater number of cliques. Additionally, a locally adaptive (LA) similarity measure is proposed that assigns different weights to common nodes based on the degree distribution of the local neighborhood and the degree distribution of the network. In the context of link prediction in dense networks, the text introduces a novel two-phase framework that adds edges to the sparse graph to forma boost graph.
Dr. Virinchi Srinivas is a Graduate Research Assistant in the Department of Computer Science at the University of Maryland, College Park, MD, USA.
Dr. Pabitra Mitra is an Associate Professor in the Department of Computer Science and Engineering at the Indian Institute of Technology, Kharagpur, India.
Dr. Virinchi Srinivas is a Graduate Research Assistant in the Department of Computer Science at the University of Maryland, College Park, MD, USA. Dr. Pabitra Mitra is an Associate Professor in the Department of Computer Science and Engineering at the Indian Institute of Technology, Kharagpur, India.
Introduction
Link Prediction Using Degree Thresholding
Locally Adaptive Link Prediction
Two Phase Framework for Link Prediction
Applications of Link Prediction
Conclusion
| Erscheint lt. Verlag | 22.1.2016 |
|---|---|
| Reihe/Serie | SpringerBriefs in Computer Science | SpringerBriefs in Computer Science |
| Zusatzinfo | IX, 67 p. 5 illus. in color. |
| Verlagsort | Cham |
| Sprache | englisch |
| Themenwelt | Mathematik / Informatik ► Informatik |
| Schlagworte | graph mining • link prediction • Local Neighborhood • Power Law Degree Distribution • Recommender Systems |
| ISBN-10 | 3-319-28922-5 / 3319289225 |
| ISBN-13 | 978-3-319-28922-9 / 9783319289229 |
| Haben Sie eine Frage zum Produkt? |
PDF (Wasserzeichen)Größe: 1,2 MB
DRM: Digitales Wasserzeichen
Dieses eBook enthält ein digitales Wasserzeichen und ist damit für Sie personalisiert. Bei einer missbräuchlichen Weitergabe des eBooks an Dritte ist eine Rückverfolgung an die Quelle möglich.
Dateiformat: PDF (Portable Document Format)
Mit einem festen Seitenlayout eignet sich die PDF besonders für Fachbücher mit Spalten, Tabellen und Abbildungen. Eine PDF kann auf fast allen Geräten angezeigt werden, ist aber für kleine Displays (Smartphone, eReader) nur eingeschränkt geeignet.
Systemvoraussetzungen:
PC/Mac: Mit einem PC oder Mac können Sie dieses eBook lesen. Sie benötigen dafür einen PDF-Viewer - z.B. den Adobe Reader oder Adobe Digital Editions.
eReader: Dieses eBook kann mit (fast) allen eBook-Readern gelesen werden. Mit dem amazon-Kindle ist es aber nicht kompatibel.
Smartphone/Tablet: Egal ob Apple oder Android, dieses eBook können Sie lesen. Sie benötigen dafür einen PDF-Viewer - z.B. die kostenlose Adobe Digital Editions-App.
Zusätzliches Feature: Online Lesen
Dieses eBook können Sie zusätzlich zum Download auch online im Webbrowser lesen.
Buying eBooks from abroad
For tax law reasons we can sell eBooks just within Germany and Switzerland. Regrettably we cannot fulfill eBook-orders from other countries.
aus dem Bereich
