Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
ATZ-Fachkongress

Chassis.tech plus 2024


4 Kongresse in einer Veranstaltung

Treffen Sie in München die Fachleute von Chassis, Lenkung, Bremsen sowie Reifen/Räder.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Hate Speech Detection on Social Media Using Graph Convolutional Networks Kapitel lesen Erstes Kapitel lesen

2022 | OriginalPaper | Buchkapitel

Supervised Link Weight Prediction Using Node Metadata

verfasst von : Larissa Mori, Mario Ventresca, Toyya A. Pujol

Erschienen in: Complex Networks & Their Applications X

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Given that node metadata can provide key insights about the relationship between nodes, we investigate if incorporating it as a similarity feature (referred to as metadata similarity) between end nodes of a link can improve the accuracy of weight prediction when using common supervised learning methods. We compare the weight prediction accuracy when metadata similarity is added to a set of baseline topological similarity features to that of using only the topological features. The comparison is performed across four empirical datasets using regression-based and other supervised methods found in the literature. In this preliminary study, we find no significant evidence that metadata similarity improves prediction accuracy in the methods analyzed and within the experimental setup. We encourage further investigation in this research area.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Graph-based Retrieval for Claim Verification over Cross-document Evidence
Nächstes Kapitel Joint Use of Node Attributes and Proximity for Node Classification
Literatur
1.
Adamic, L.A., Adar, E.: Friends and neighbors on the web. Soc. Netw. 25(3), 211–230 (2003)CrossRef
2.
Aicher, C., Jacobs, A.Z., Clauset, A.: Learning latent block structure in weighted networks. J. Complex Netw. 3(2), 221–248 (2015)MathSciNetCrossRefMATH
3.
4.
5.
Clauset, A., Moore, C., Newman, M.E.J.: Hierarchical structure and the prediction of missing links in networks. Nature 453(7191), 98–101 (2008)CrossRef
6.
Fajardo-Fontiveros, O., Sales-Pardo, M., Guimera, R.: Node metadata can produce predictability transitions in network inference problems. arXiv preprint arXiv:​2103.​14424 (2021)
7.
Fu, C., et al.: Link Weight Prediction Using Supervised Learning Methods and Its Application to Yelp Layered Network (2018)
8.
Havugimana, P.C., et al.: A census of human soluble protein complexes. Cell 150(5), 1068–1081 (2012)CrossRef
9.
Jaccard, P.: Étude comparative de la distribution florale dans une portion des alpes et des jura. Bull. Soc. Vaudoise Sci. Nat. 37, 547–579 (1901)
10.
11.
Leicht, E.A., Holme, P., Newman, M.E.J.: Vertex similarity in networks. Phys. Rev. E 73(2), 026120 (2006)
12.
13.
Newman, M.E.J.: Assortative mixing in networks. Phys. Rev. Lett. 89(20), 208701 (2002)
14.
Peel, L., Larremore, D.B., Clauset, A.: The ground truth about metadata and community detection in networks. Sci. Adv. 3(5), e1602548 (2017)
15.
Popescul, A., Ungar, L.H.: Statistical Relational Learning for Link Prediction, p. 7 (2003)
16.
Ravasz, E., Somera, A.L., Mongru, D.A., Oltvai, Z.N., Barabási, A.: Hierarchical organization of modularity in metabolic networks. Science 297(5586), 1551–1555 (2002)
17.
Salton, G., McGill, M.J.: Introduction to Modern Information Retrieval. McGraw-Hill, New York (1983)
18.
Sorensen, T.A.: A method of establishing groups of equal amplitude in plant sociology based on similarity of species content and its application to analyses of the vegetation on danish commons. Biol. Skar. 5, 1–34 (1948)
19.
Taskar, B., Wong, M.F., Abbeel, P., Koller, D.: Link prediction in relational data. Adv. Neural Inf. Process. Syst. 16, 659–666 (2003)
20.
Watts, D.J., Strogatz, S.H.: Collective dynamics of ‘small-world’ networks. Nature 393(6684), 440–442 (1998)CrossRefMATH
21.
Zhao, J., et al.: Prediction of links and weights in networks by reliable routes. Sci. Rep. 5(1), 12261 (2015)CrossRef
22.
Zhao, Y., Wu, Y.J., Levina, E., Zhu, J.: Link Prediction for Partially Observed Networks (2017)
23.
Zhou, T., Lü, L., Zhang, Y.C.: Predicting missing links via local information. Eur. Phys. J. B 71(4), 623–630 (2009)CrossRefMATH
24.
Zhu, B., Xia, Y., Zhang, X.J.: Weight prediction in complex networks based on neighbor set. Sci. Rep. 6(1), 38080 (2016)CrossRef
25.
Ziegler, C.N., McNee, S.M., Konstan, J.A., Lausen, G.: Improving recommendation lists through topic diversification. In: Proceedings of the 14th International Conference on World Wide Web, pp. 22–32 (2005)
Metadaten
Titel
Supervised Link Weight Prediction Using Node Metadata
verfasst von
Larissa Mori
Mario Ventresca
Toyya A. Pujol
Copyright-Jahr
2022
Buch
Complex Networks & Their Applications X

Print ISBN: 978-3-030-93412-5

Electronic ISBN: 978-3-030-93413-2

Copyright-Jahr: 2022

DOI
https://doi.org/10.1007/978-3-030-93413-2_42

Premium Partner

    Bildnachweise