Алитурлиева Альбина Ерболатовна, Магистр наук о данных
ул. Толе би, 59, 050000, г. Алматы
Aliturliyeva Albina Erbolatovna, Master’s student in Data Science
59, Tole bi street, Almaty, 050000
В последние годы тензорная декомпозиция вызывает все больший интерес в области прогнозирования связей, целью которого является оценка вероятности образования новых соединений между узлами в сети. Это исследование подчеркивает потенциал Канонической Полиадической тензорной декомпозиции для улучшения предсказания связей в сложных сетях. В процессе тензорной декомпозиции исходный тензор разлагается на двумерные тензоры, также известные как матрицы факторов, представляющие различные режимы данных. Эти факторные матрицы фиксируют базовые закономерности или отношения внутри сети, обеспечивая понимание структуры и динамики сети. В нем предлагаются эффективные алгоритмы тензорной декомпозиции, которые учитывают не только структурные характеристики сети, но и ее временную эволюцию. Для оценки мы изучаем набор данных, полученный на WSDM. После предварительной обработки данные представляются в виде многоуровневого тензора, причем каждый режим представляет различные аспекты, такие как пользователи, элементы и время. Наша основная цель – сделать точные прогнозы относительно связей между пользователями и товарами в течение определенных периодов времени. Экспериментальные результаты демонстрируют, что наш подход значительно повышает точность прогнозирования для развивающихся сетей, измеряемую AUC.
In recent years, tensor decomposition has gained increasing interest in the field of link prediction, which aims to estimate the likelihood of new connections forming between nodes in a network. This study highlights the potential of the Canonical Polyadic tensor decomposition in enhancing link prediction in complex networks. It suggests effective tensor decomposition algorithms that not only take into account the structural characteristics of the network but also its temporal evolution. During the process of tensor decomposition, the initial tensor is decomposed into two-way tensors, also known as factor matrices, representing different modes of the data. These factor matrices capture the underlying patterns or relationships within the network, providing insights into the structure and dynamics of the network. For evaluation, we examine a dataset derived from the WSDM. After preprocessing, the data is represented as a multi-way tensor, with each mode representing different aspects such as users, items, and time. Our primary objective is to make precise predictions about the links between users and items within specific time periods. The experimental results demonstrate that our approach significantly improves prediction accuracy for evolving networks, as measured by the AUC.
The authors declare that there are no conflicts of interest present.