社交网络中,节点间存在多种关系类型,节点数量会随着时间的推移而变化,这种异质性和动态性给链路预测任务带来极大的挑战。因此,本文提出一种基于增量学习的社交网络链路预测方法(incremental learning social networks link prediction...社交网络中,节点间存在多种关系类型,节点数量会随着时间的推移而变化,这种异质性和动态性给链路预测任务带来极大的挑战。因此,本文提出一种基于增量学习的社交网络链路预测方法(incremental learning social networks link prediction,IL-SNLP)。通过对网络进行分层,使每一层网络只包含一种关系类型,以更好地获取节点在每种关系类型下的语义信息;针对网络的动态性,利用时序随机游走捕获社交网络中的局部结构信息和时序信息;针对增量数据,采用增量式更新随机游走策略对历史随机游走序列进行更新。通过增量式skip-gram模型从随机游走序列中提取新出现节点的特征,并进一步更新历史节点的特征;针对网络的异质性,采用概率模型提取不同关系类型之间的因果关系关联程度,并将其作用于每一层的节点特征,以改善不同关系层下节点特征表现能力;利用多层感知机构建节点相互感知器,挖掘节点间建立连接时的相互贡献,实现更高的链路预测准确率。实验结果表明,在3个真实的社交网络数据集上,IL-SNLP方法的ROC曲线下的面积(AUC)和F1分数比基线方法分别提高了10.08%~67.60%和1.76%~64.67%,提升了预测性能;对于增量数据,只需要少次迭代就能保持预测模型的性能,提高了模型训练的速度;与未采用增量学习技术的IL-SNLP−方法相比,IL-SNLP方法在时间效率上提升了30.78%~257.58%,显著缩短了模型的运行时长。展开更多
作为技术密集型新兴产业,新能源汽车核心技术研发需要企业、高校和研究院所通力合作,进而形成结构复杂的协同创新网络。现有研究对新能源汽车产业各创新主体形成协同创新网络的关注较少,且缺乏对长期动态协同创新行为的系统化讨论。利...作为技术密集型新兴产业,新能源汽车核心技术研发需要企业、高校和研究院所通力合作,进而形成结构复杂的协同创新网络。现有研究对新能源汽车产业各创新主体形成协同创新网络的关注较少,且缺乏对长期动态协同创新行为的系统化讨论。利用指数随机图模型(Exponential Random Graph Model,ERGM)分析2017—2021年中国新能源汽车合作专利协同创新网络,探索影响新能源汽车产业协同创新网络动态演化的主要因素,以及不同创新主体类型(企业、高校和研究院所)对协同创新关系演化的影响。研究发现:(1)在新能源汽车产业协同创新网络中,不同类型创新主体更易形成合作关系;(2)创新能力较强的创新主体更有可能与其他主体形成新合作关系,且企业更愿意与自身创新能力差距不大的其他主体合作;(3)协同创新网络星型结构明显,且表现出明显扩张态势;(4)针对不同类型创新主体的异质性分析结果表明,相比于企业,高校和研究院所更有可能与其他创新主体形成新合作关系。研究结论对于持续推进我国新能源汽车产业技术创新、构建新一代汽车技术体系、助力能源系统转型以及实现碳达峰和碳中和目标具有重要意义。展开更多
文摘社交网络中,节点间存在多种关系类型,节点数量会随着时间的推移而变化,这种异质性和动态性给链路预测任务带来极大的挑战。因此,本文提出一种基于增量学习的社交网络链路预测方法(incremental learning social networks link prediction,IL-SNLP)。通过对网络进行分层,使每一层网络只包含一种关系类型,以更好地获取节点在每种关系类型下的语义信息;针对网络的动态性,利用时序随机游走捕获社交网络中的局部结构信息和时序信息;针对增量数据,采用增量式更新随机游走策略对历史随机游走序列进行更新。通过增量式skip-gram模型从随机游走序列中提取新出现节点的特征,并进一步更新历史节点的特征;针对网络的异质性,采用概率模型提取不同关系类型之间的因果关系关联程度,并将其作用于每一层的节点特征,以改善不同关系层下节点特征表现能力;利用多层感知机构建节点相互感知器,挖掘节点间建立连接时的相互贡献,实现更高的链路预测准确率。实验结果表明,在3个真实的社交网络数据集上,IL-SNLP方法的ROC曲线下的面积(AUC)和F1分数比基线方法分别提高了10.08%~67.60%和1.76%~64.67%,提升了预测性能;对于增量数据,只需要少次迭代就能保持预测模型的性能,提高了模型训练的速度;与未采用增量学习技术的IL-SNLP−方法相比,IL-SNLP方法在时间效率上提升了30.78%~257.58%,显著缩短了模型的运行时长。
文摘作为技术密集型新兴产业,新能源汽车核心技术研发需要企业、高校和研究院所通力合作,进而形成结构复杂的协同创新网络。现有研究对新能源汽车产业各创新主体形成协同创新网络的关注较少,且缺乏对长期动态协同创新行为的系统化讨论。利用指数随机图模型(Exponential Random Graph Model,ERGM)分析2017—2021年中国新能源汽车合作专利协同创新网络,探索影响新能源汽车产业协同创新网络动态演化的主要因素,以及不同创新主体类型(企业、高校和研究院所)对协同创新关系演化的影响。研究发现:(1)在新能源汽车产业协同创新网络中,不同类型创新主体更易形成合作关系;(2)创新能力较强的创新主体更有可能与其他主体形成新合作关系,且企业更愿意与自身创新能力差距不大的其他主体合作;(3)协同创新网络星型结构明显,且表现出明显扩张态势;(4)针对不同类型创新主体的异质性分析结果表明,相比于企业,高校和研究院所更有可能与其他创新主体形成新合作关系。研究结论对于持续推进我国新能源汽车产业技术创新、构建新一代汽车技术体系、助力能源系统转型以及实现碳达峰和碳中和目标具有重要意义。
