随着区块链技术的开发，基于区块链技术的加密货币越来越受欢迎。这给出了一个巨大的加密货币交易网络，引起了广泛关注。网络的链接预测学习结构有助于了解网络的机制，因此在加密货币网络中也广泛研究了网络的机制。但是，过去研究中忽略了加密货币交易网络的动态。我们使用图形正则方法将过去的交易记录与未来交易联系起来。基于此，我们提出了一种潜在因子依赖性，非负因子，乘法和图形正规化的已归合性更新（SLF-NMGRU）算法，并进一步提出了图形正则化的非负潜在因子分析（GRNLFA）模型。最后，在真实加密货币交易网络上进行的实验表明，提出的方法提高了准确性和计算效率

大规模的无向加权网络通常在与大数据相关的研究领域中发现。自然可以将其量化为用于实施大数据分析任务的对称高维和不完整（SHDI）矩阵。对称非负潜在因素分析（SNL）模型能够从SHDI基质中有效提取潜在因子（LFS）。然而，它依赖于约束培训计划，这使其缺乏灵活性。为了解决这个问题，本文提出了一个不受限制的对称非负潜在因素分析（USNL）模型。它的主要思想是两个方面：1）通过将非负映射函数集成到SNL模型中，输出LFS与决策参数分开； 2）随机梯度下降（SGD）用于实施不受限制的模型训练，并确保输出LFS非负性。对由实际的大数据应用产生的四个SHDI矩阵的实证研究表明，与SNL模型相比，USNL模型可实现缺失数据的预测准确性，以及高度竞争性的计算效率。

高维和不完整（HDI）数据在各种工业应用中具有巨大的交互信息。潜在因素（LF）模型在从具有随机梯度不错（SGD）算法的HDI数据中提取有价值的信息方面非常有效。但是，基于SGD的LFA模型患有缓慢的收敛性，因为它仅考虑当前的学习误差。为了解决这个关键问题，本文提出了一个非线性PID增强自适应潜在因素（NPALF）模型，具有两个折叠的想法：1）通过考虑过去的学习错误，按照非线性PID控制器的原理来重建学习错误；b）按照粒子群优化（PSO）算法的原理有效地实施所有参数适应。四个代表性HDI数据集的经验结果表明，与五个最先进的LFA模型相比，NPALF模型可实现HDI数据缺失数据的更好的收敛率和预测准确性。

张量（NLFT）模型的非负潜在分解可以很好地模拟隐藏在非负服务质量（QOS）数据中的时间模式，以预测具有高精度的未观察到的时间模式。但是，现有的NLFT模型的目标函数基于欧几里得距离，这只是\ b {eta} devivergence的一种特殊情况。因此，我们可以通过采用\ b {eta} - 差异来构建广义的NLFT模型以实现预测准确性增益吗？为了解决此问题，本文提出了基于NLFT模型（\ b {eta} -nlft）的\ b {eta} -nlft）。它的想法是双重的1）用\ b {eta} - 差异来建立学习目标，以实现更高的预测准确性，2）实施对超参数的自适应以提高实用性。对两个动态QoS数据集的实证研究表明，与最先进的模型相比，所提出的\ b {eta} -NLFT模型可实现未观察到的QoS数据的较高预测准确性。

Clustering is a fundamental problem in network analysis that finds closely connected groups of nodes and separates them from other nodes in the graph, while link prediction is to predict whether two nodes in a network are likely to have a link. The definition of both naturally determines that clustering must play a positive role in obtaining accurate link prediction tasks. Yet researchers have long ignored or used inappropriate ways to undermine this positive relationship. In this article, We construct a simple but efficient clustering-driven link prediction framework(ClusterLP), with the goal of directly exploiting the cluster structures to obtain connections between nodes as accurately as possible in both undirected graphs and directed graphs. Specifically, we propose that it is easier to establish links between nodes with similar representation vectors and cluster tendencies in undirected graphs, while nodes in a directed graphs can more easily point to nodes similar to their representation vectors and have greater influence in their own cluster. We customized the implementation of ClusterLP for undirected and directed graphs, respectively, and the experimental results using multiple real-world networks on the link prediction task showed that our models is highly competitive with existing baseline models. The code implementation of ClusterLP and baselines we use are available at https://github.com/ZINUX1998/ClusterLP.

随机梯度下降（SGD）算法是在高维和不完整（HDI）矩阵上建立潜在因子分析（LFA）模型的有效学习策略。通常采用粒子群优化（PSO）算法来制造基于SGD的LFA模型的超参数，即学习率和正则化系数，自我适应。但是，标准的PSO算法可能会遭受过早收敛引起的准确损失。为了解决这个问题，本文将更多的历史信息纳入了每个粒子的进化过程中，以避免遵循广义摩托明（GM）方法的原理过早收敛，从而创新了新型的GM合并PSO（GM-PSO）。有了它，基于GM-PSO的LFA（GMPL）模型将进一步实现高效参数的有效自适应。三个HDI矩阵的实验结果表明，GMPL模型可实现较高的预测准确性，用于工业应用中缺少数据估计。

An undirected weighted graph (UWG) is frequently adopted to describe the interactions among a solo set of nodes from real applications, such as the user contact frequency from a social network services system. A graph convolutional network (GCN) is widely adopted to perform representation learning to a UWG for subsequent pattern analysis tasks such as clustering or missing data estimation. However, existing GCNs mostly neglects the latent collaborative information hidden in its connected node pairs. To address this issue, this study proposes to model the node collaborations via a symmetric latent factor analysis model, and then regards it as a node-collaboration module for supplementing the collaboration loss in a GCN. Based on this idea, a Node-collaboration-informed Graph Convolutional Network (NGCN) is proposed with three-fold ideas: a) Learning latent collaborative information from the interaction of node pairs via a node-collaboration module; b) Building the residual connection and weighted representation propagation to obtain high representation capacity; and c) Implementing the model optimization in an end-to-end fashion to achieve precise representation to the target UWG. Empirical studies on UWGs emerging from real applications demonstrate that owing to its efficient incorporation of node-collaborations, the proposed NGCN significantly outperforms state-of-the-art GCNs in addressing the task of missing weight estimation. Meanwhile, its good scalability ensures its compatibility with more advanced GCN extensions, which will be further investigated in our future studies.

As the Internet developed rapidly, it is important to choose suitable web services from a wide range of candidates. Quality of service (QoS) describes the performance of a web service dynamically with respect to the service requested by the service consumer. Moreover, the latent factorization of tenors (LFT) is very effective for discovering temporal patterns in high dimensional and sparse (HiDS) tensors. However, current LFT models suffer from a low convergence rate and rarely account for the effects of outliers. To address the above problems, this paper proposes an Alternating direction method of multipliers (ADMM)-based Outlier-Resilient Nonnegative Latent-factorization of Tensors model. We maintain the non-negativity of the model by constructing an augmented Lagrangian function with the ADMM optimization framework. In addition, the Cauchy function is taken as the metric function to reduce the impact on the model training. The empirical work on two dynamic QoS datasets shows that the proposed method has faster convergence and better performance on prediction accuracy.

Temporal networks are an important type of network whose topological structure changes over time. Compared with methods on static networks, temporal network embedding (TNE) methods are facing three challenges: 1) it cannot describe the temporal dependence across network snapshots; 2) the node embedding in the latent space fails to indicate changes in the network topology; and 3) it cannot avoid a lot of redundant computation via parameter inheritance on a series of snapshots. To this end, we propose a novel temporal network embedding method named Dynamic Cluster Structure Constraint model (DyCSC), whose core idea is to capture the evolution of temporal networks by imposing a temporal constraint on the tendency of the nodes in the network to a given number of clusters. It not only generates low-dimensional embedding vectors for nodes but also preserves the dynamic nonlinear features of temporal networks. Experimental results on multiple realworld datasets have demonstrated the superiority of DyCSC for temporal graph embedding, as it consistently outperforms competing methods by significant margins in multiple temporal link prediction tasks. Moreover, the ablation study further validates the effectiveness of the proposed temporal constraint.

时间网络链接预测是网络科学领域的重要任务，并且在实际情况下具有广泛的应用。揭示网络的进化机制对于链接预测至关重要，如何有效利用历史信息来实现时间链接并有效提取网络结构的高阶模式仍然是一个至关重要的挑战。为了解决这些问题，在本文中，我们提出了一个具有调整后的Sigmoid函数和2-Simplex结构（TLPSS）的新型时间链接预测模型。调整后的Sigmoid衰减模式考虑了活跃，衰减和稳定的边缘状态，这适当适合信息的生命周期。此外，引入了由单纯形高阶结构组成的潜在矩阵序列，以增强链接预测方法的性能，因为它在稀疏网络中非常可行。结合信息的生命周期和单纯级结构，通过满足动态网络中时间和结构信息的一致性来实现TLPS的整体性能。六个现实世界数据集的实验结果证明了TLPS的有效性，与其他基线方法相比，我们提出的模型平均提高了链接预测的性能15％。

潜在因子（LF）模型可有效地通过低级矩阵近似来表示高维和稀疏（HID）数据。Hessian无（HF）优化是利用LF模型目标函数的二阶信息的有效方法，并已用于优化二阶LF（SLF）模型。但是，SLF模型的低级表示能力在很大程度上取决于其多个超参数。确定这些超参数是耗时的，它在很大程度上降低了SLF模型的实用性。为了解决这个问题，在这项工作中提出了实用的SLF（PSLF）模型。它通过分布式粒子群优化器（DPSO）实现了超参数自加载，该粒子群（DPSO）无梯度且并行化。对真实HID数据集的实验表明，PSLF模型比在数据表示能力中的最先进模型具有竞争优势。

链接预测Infers从观察到的网络中的潜在链接，是网络分析中的基本问题之一。与仅预测双向成对关系的传统图形表示建模相比，我们提出了一种新颖的基于张量的联合网络嵌入方法，同时编码成对链路和超链接到潜在的空间上，从而捕获成对和多向链路之间的依赖性在推断出潜在的未被观察的超链接。所提出的嵌入程序的主要优点是它包括节点之间的成对关系和子组织结构，以捕获更丰富的网络信息。另外，该方法在推断潜在的超链接之间引入了链路之间的分层依赖性，并导致更好的链路预测。理论上，我们建立了拟议的嵌入方法的估计一致性，并提供了与仅利用成对链路或超链接的链路预测相比的更快的收敛速度。与现有链路预测算法相比，仿真设置和Facebook自我网络的数值研究表明，所提出的方法改善了与现有链路预测算法相比的超链接和成对链路预测精度。

在本文中，我们提出了一种方法，用于预测社交媒体对等体之间的信任链接，其中一个是在多识别信任建模的人工智能面积。特别是，我们提出了一种数据驱动的多面信任信任建模，该信任建模包括许多不同的特征以进行全面分析。我们专注于展示类似用户的聚类如何实现关键新功能：支持更个性化的，从而为用户提供更准确的预测。在信任感知项目推荐任务中说明，我们在大yelp数据集的上下文中评估所提出的框架。然后，我们讨论如何提高社交媒体的可信关系的检测可以帮助在最近爆发的社交网络环境中支持在线用户的违法行为和谣言的传播。我们的结论是关于一个特别易受资助的用户基础，老年人的反思，以说明关于用户组的推理价值，期望通过通过数据分析获得的洞察力集成已知偏好的一些未来方向。

缺少数据是数据驱动的智能运输系统（ITS）中不可避免且常见的问题。在过去的十年中，学者们对丢失的流量数据的恢复进行了许多研究，但是如何充分利用时空交通模式以改善恢复性能仍然是一个开放的问题。针对流量速度数据的时空特征，本文将缺失数据的恢复视为矩阵完成问题，并根据隐藏的功能分析提出了一种时空的交通数据完成方法，该方法发现时空模式和基础模式从不完整数据的结构完成恢复任务。因此，我们引入空间和时间相关性，以捕获每个维度的主要基础特征。最后，这些潜在功能通过潜在功能分析应用于恢复流量数据。实验和评估结果表明，模型的评估标准值很小，这表明该模型具有更好的性能。结果表明该模型可以准确估计连续缺少的数据。

最近，深度学习方法在交通预测方面取得了长足的进步，但它们的性能取决于大量的历史数据。实际上，我们可能会面临数据稀缺问题。在这种情况下，深度学习模型无法获得令人满意的性能。转移学习是解决数据稀缺问题的一种有前途的方法。但是，流量预测中现有的转移学习方法主要基于常规网格数据，这不适用于流量网络中固有的图形数据。此外，现有的基于图的模型只能在道路网络中捕获共享的流量模式，以及如何学习节点特定模式也是一个挑战。在本文中，我们提出了一种新颖的传输学习方法来解决流量预测，几乎可以将知识从数据富的源域转移到数据范围的目标域。首先，提出了一个空间图形神经网络，该网络可以捕获不同道路网络的节点特异性时空交通模式。然后，为了提高转移的鲁棒性，我们设计了一种基于模式的转移策略，我们利用基于聚类的机制来提炼源域中的常见时空模式，并使用这些知识进一步提高了预测性能目标域。现实世界数据集的实验验证了我们方法的有效性。

最近提出的协作度量学习（CML）范式由于其简单性和有效性引起了人们对推荐系统（RS）领域的广泛兴趣。通常，CML的现有文献在很大程度上取决于\ textit {负抽样}策略，以减轻成对计算的耗时负担。但是，在这项工作中，通过进行理论分析，我们发现负抽样会导致对概括误差的偏差估计。具体而言，我们表明，基于抽样的CML将在概括性结合中引入一个偏差项，该术语是由per-use \ textit {total方差}（TV）量化的，在负面采样和地面真相分布引起的分布之间。这表明，即使有足够大的训练数据，优化基于采样的CML损耗函数也不能确保小概括误差。此外，我们表明偏见术语将消失，而无需负面抽样策略。在此激励的情况下，我们提出了一种有效的替代方案，而没有对CML进行负面采样的cml，name \ textit {无抽样协作度量学习}（SFCML），以消除实际意义上的采样偏见。最后，超过七个基准数据集的全面实验表达了所提出的算法的优势。

旨在解决不完整的多视图数据中缺少部分视图的聚类问题的不完整的多视图聚类，近年来受到了越来越多的关注。尽管已经开发了许多方法，但大多数方法要么无法灵活地处理不完整的多视图数据，因此使用任意丢失的视图，或者不考虑视图之间信息失衡的负面因素。此外，某些方法并未完全探索所有不完整视图的局部结构。为了解决这些问题，本文提出了一种简单但有效的方法，称为局部稀疏不完整的多视图聚类（LSIMVC）。与现有方法不同，LSIMVC打算通过优化一个稀疏的正则化和新颖的图形嵌入式多视图矩阵分数模型来从不完整的多视图数据中学习稀疏和结构化的潜在表示。具体而言，在基于矩阵分解的这种新型模型中，引入了基于L1规范的稀疏约束，以获得稀疏的低维单个表示和稀疏共识表示。此外，引入了新的本地图嵌入项以学习结构化共识表示。与现有作品不同，我们的本地图嵌入术语汇总了图形嵌入任务和共识表示任务中的简洁术语。此外，为了减少多视图学习的不平衡因素，将自适应加权学习方案引入LSIMVC。最后，给出了有效的优化策略来解决我们提出的模型的优化问题。在六个不完整的多视图数据库上执行的全面实验结果证明，我们的LSIMVC的性能优于最新的IMC方法。该代码可在https://github.com/justsmart/lsimvc中找到。

在高维和不完整的矩阵中提取潜在信息是一个重要且具有挑战性的问题。潜在因子分析（LFA）模型可以很好地处理高维矩阵分析。最近，已经提出了粒子群优化（PSO）组合的LFA模型，以高效率调节超参数。但是，PSO的掺入会导致过早问题。为了解决这个问题，我们提出了一个顺序的Adam-unjusting-Antennae BAS（A2BAS）优化算法，该算法完善了由PSO成立的LFA模型获得的潜在因素。 A2BAS算法由两个子算法组成。首先，我们设计了一种改进的BAS算法，该算法可调节甲虫的触角并使用Adam进行尺寸。其次，我们实施了改进的BAS算法，以顺序优化所有行和列潜在​​因子。通过对两个实际高维矩阵的实验结果，我们证明我们的算法可以有效地解决过早的收敛问题。

双群集是指在数据的矩阵内找到子矩阵（由一组列和一组行索引）的任务，使得每个子矩阵（数据和特征）的元素以特定的方式相关例如，它们与某些指标相似。在本文中，在分析了众所周知的程和教堂（CC）双聚类算法后，已被证明是用于开采共同表达基因的有效工具。然而，程教堂双聚类算法并总结其限制（例如贪婪策略中随机数的干扰;忽略重叠的双集团），我们提出了一种新颖的增强了自适应双聚类算法，其中屏蔽复杂子-Matrix被构造成屏蔽已获得的双簇，并发现重叠的双簇。在屏蔽复杂子矩阵中，假想和实际部分用于分别屏蔽和延伸新的双簇，并形成一系列最佳的双簇。为了确保所获得的双簇对已经产生的双簇产生了影响，引入单位脉冲信号以自适应地检测和屏蔽构造的双簇。同时，为了有效地屏蔽空数据（零尺寸数据），设置另一个单元脉冲信号，用于自适应检测和屏蔽。另外，我们添加了屏蔽因子来调整包含亚矩阵的屏蔽数据的行（或列）的平均平方残差评分，以决定是否保持它们。我们对开发方案进行了彻底的分析。实验结果与理论分析一致。由于所提出的方法，在公开的真实微阵列数据集上获得的结果显示了Bi-Clusters性能的增强。

作为图表上链路预测的自然扩展，超链接预测的目的是推断超图中缺失的超链接，其中超链接可以连接两个以上的节点。超链接预测在从化学反应网络，社交通信网络到蛋白质 - 蛋白质相互作用网络的广泛系统中具有应用。在本文中，我们提供了有关超链接预测的系统和全面调查。我们提出了一种新的分类法，将现有的超链接预测方法分类为四类：基于相似性的基于概率，基于矩阵优化和基于深度学习的方法。为了比较来自不同类别的方法的性能，我们使用每个类别的代表性方法对各种超图应用进行了基准研究。值得注意的是，基于深度学习的方法比超链接预测中的其他方法占了上风。