基于迁移成分分析的多层社交网络链接分类

[目的]解决多层次社交网络链接分类算法无法有效获取各层次间子网络的关联信息,从而提高分类性能的问题.[方法]定义反映各子网络间关联的共性特征和反映各子网络自身属性结构的特性特征,提出一种基于迁移成分分析的多层次社交网络链接分类算法,获取反映层次间相互关联特征的组件,使得不同层次的子网络能够相互学习.[结果]通过在真实多层次数据集YouTube和QueryLog上与基准分类算法、基于特征学习的分类算法和基准迁移分类算法进行比较,在AUC和ROC曲线的评价指标上有1.57％-33.2％的提升.[局限]未能处理超大规模的网络数据,同时尚未深入探讨特征定义的维度和性能之间的关系.[结论]本文方法能够有效地将迁移学习思想应用到多层次社交网络链接分类场景,为该类模型的研究提供一种新的方案.