Discovering missing links in networks using vertex similarity measures

Chen, Hung-Hsuan; Gou, Liang; Zhang, Xiao Long; Giles, C. Lee

doi:10.1145/2245276.2245305

Cited by 59 publications

(38 citation statements)

References 23 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…-Relation Strength Similarity (RSS) This metric was originally introduced as an asymmetric measure for weighted social networks (Chen et al 2012). It may also be adopted as a symmetric measure for the problem considered herein.…”

Section: Path-based Metricsmentioning

confidence: 99%

Inter-variable correlation prediction with fuzzy connected-triples

Shang

Shen

2018

Soft Comput

View full text Add to dashboard Cite

Identification of hidden relationships between domain attributes from different data sources is of great practical significance and forms an emerging field in data mining. However, currently there seldom exist any systematic methods that can effectively handle this problem, especially when dealing with imprecisely described associations. In this paper, a novel data-driven approach for inter-variable correlation prediction is proposed by exploiting the concept of connected-triples. The work is implemented with the use of fuzzy logic. Through the exploitation of link strength measurements and fuzzy inference, the job of detecting similar or related variables can be accomplished via examining link relation patterns within and across different data sources. Empirical evaluation results are discussed, revealing the potential of the proposed work in predicting interesting attribute relations, while involving simple computation mechanisms.

show abstract

Section: Path-based Metricsmentioning

confidence: 99%

Inter-variable correlation prediction with fuzzy connected-triples

Shang

Shen

2018

Soft Comput

View full text Add to dashboard Cite

show abstract

“…Hầu hết các nghiên cứu gần đây của các nhóm này đều quan tâm đến hướng phân tích mạng xã hội (cụ thể là mạng đồng tác giả) [3,4]. Trong các nghiên cứu gần đây, thì tiếp cận phân tích mạng xã hội đã cho thấy đây là một hướng tiếp cận tiềm năng và bước đầu khá thành công trong việc phát triển các phương pháp khuyến nghị trong nghiên cứu khoa học [3,4,12,13,14,17,21]. Tuy nhiên, các nghiên cứu liên quan kể trên đều chưa quan tâm đến yếu tố xu hướng cộng tác khi phân tích các mối quan hệ trong mạng.…”

Section: Giới Thiệuunclassified

“…RSS là một độ đo bất đối xứng, áp dụng cho mạng có trọng số. Chen và đồng nghiệp cũng đã dùng độ đo này để khám phá các liên kết tiềm năng trong mạng đồng tác giả [4,20]. Tuy nhiên, yếu tố xu hướng thì chưa được họ quan tâm trong RSS.…”

Section: Tương Tự đỉNh Dùng Phương Pháp Rss+ (Cải Tiến Từ Rss)unclassified

New methods for calculating trend-based vertex similarity for collaboration recommendation

Huynh

Hoang²

2014

JCC

View full text Add to dashboard Cite

Tóm tắt. Khuyến nghị cộng tác trong nghiên cứu khoa học là bài toán tự động liệt kê những người, nhóm nghiên cứu cộng tác tiềm năng ứng với đầu vào là một người, nhóm nghiên cứu nào đó. Đây là bài toán được quan tâm bởi những chuyên gia trong lĩnh vực này trong thời gian gần đây. Tiếp cận phổ biến đã và đang được các nghiên cứu này áp dụng là dựa vào phân tích mạng xã hội, cụ thể là phân tích các mối quan hệ trong mạng đồng tác giả, cũng như ảnh hưởng của nó đối với việc tìm ra những người, nhóm nghiên cứu cộng tác tiềm năng. Tuy nhiên, các phương pháp hiện nay đều chưa quan tâm đến thông tin về xu hướng cộng tác, một yếu tố quan trọng trong việc hình thành các mối quan hệ cộng tác mới. Bài báo này đề xuất ba phương pháp mới để tính tương tự đỉnh trong mạng đồng tác giả: (1) Maximum Path based Relation Strength (M P RS); (2) Maximum Path based Relation Strength Plus (M P RS+); và (3) Relation Strength Similarity Plus (RSS+). Hai phương pháp M P RS+ và RSS+ có sử dụng thông tin về xu hướng cộng tác để cải tiến việc tính toán mức độ quan hệ của những người nghiên cứu trong mạng đồng tác giả. Các phương pháp đề xuất ứng dụng vào bài toán khuyến nghị cộng tác ở mức cá nhân người nghiên cứu. Thực nghiệm được tiến hành trên hai tập dữ liệu khoa học: i) cơ sở dữ liệu khoa học mở 'Digital Bibliography & Library Project' (DBLP); ii) tập dữ liệu do chúng tôi rút trích từ trang web của hệ thống Microsoft Academic Search (gọi tắt là MAS). Kết quả thực nghiệm cho thấy các phương pháp đề xuất cho kết quả tốt hơn các phương pháp tương tự đỉnh truyền thống và phổ biến hiện nay.Từ khóa. Hệ khuyến nghị (recommender system), cộng tác nghiên cứu (research collaboration), khuyến nghị cộng tác (collaboration recommendation), phân tích mạng đồng tác giả (co-author network analysis), xu hướng cộng tác (collaborative trend).Abstract. Collaboration recommendation is a problem that automatically selects and provides a list of potential researchers or research groups with respect to the input which is a researcher or a research group. Recently, this problem has attracted a lot of attention of many researchers in this area. A popular approach for collaboration recommendation problem is based on social network analysis, specifically co-author network analysis. However, the current methods do not consider collaborative trend in analyzing co-author network and the collaborative trend is one of the key factors for forming new co-authorships. In this paper, we propose three new methods: (1) Maximum Path based Relation Strength (MPRS); (2) Maximum Path based Relation Strength Plus (MPRS+); and (3) Relation Strength Similarity Plus (RSS+), for modeling and calculating vertex similarity in the co-author network. In our trend-based methods (MPRS+, RSS+), information of collaborative trend is used to improve the calculation of relation strength for researchers in the co-author network. The proposed methods are applied for researcher collaboration recommendation. Experiments are conducted on two dataset: i) Digital Bibliography & Library Project (DBLP...

show abstract

“…A network can be constructed from reliable pair-wise PPIs, with nodes representing proteins and edges representing interactions. Topological features, such as the number of neighbors, can be collected for nodes and then are used to measure the similarity for any given node pair to make PPI prediction for the corresponding proteins [12][13][14][15]. Inspired by the PageRank algorithm [16], variants of random walk-based methods have been proposed to go beyond these node centric topological features to get the whole network involved; the probability of interaction between given two proteins is measured in terms of how likely a random walk in the network starting at one node will reach the other node [17][18][19].…”

Section: Introductionmentioning

confidence: 99%

Inference of protein-protein interaction networks from multiple heterogeneous data

Huang

Liao

2015

Proceedings of the 6th ACM Conference on Bioinformatics, Computational Biology and Health Informatics

View full text Add to dashboard Cite

Protein-protein interaction (PPI) prediction is a central task in achieving a better understanding of cellular and intracellular processes. Because high-throughput experimental methods are both expensive and time-consuming, and are also known of suffering from the problems of incompleteness and noise, many computational methods have been developed, with varied degrees of success. However, the inference of PPI network from multiple heterogeneous data sources remains a great challenge. In this work, we developed a novel method based on approximate Bayesian computation and modified differential evolution sampling (ABC-DEP) and regularized laplacian (RL) kernel. The method enables inference of PPI networks from topological properties and multiple heterogeneous features including gene expression and Pfam domain profiles, in forms of weighted kernels. The optimal weights are obtained by ABC-DEP, and the kernel fusion built based on optimal weights serves as input to RL to infer missing or new edges in the PPI network. Detailed comparisons with control methods have been made, and the results show that the accuracy of PPI prediction measured by AUC is increased by up to 23 %, as compared to a baseline without using optimal weights. The method can provide insights into the relations between PPIs and various feature kernels and demonstrates strong capability of predicting faraway interactions that cannot be well detected by traditional RL method.

show abstract

Discovering missing links in networks using vertex similarity measures

Cited by 59 publications

References 23 publications

Inter-variable correlation prediction with fuzzy connected-triples

Inter-variable correlation prediction with fuzzy connected-triples

New methods for calculating trend-based vertex similarity for collaboration recommendation

Inference of protein-protein interaction networks from multiple heterogeneous data

Contact Info

Product

Resources

About