Task-driven sampling of attributed networks
本文介绍了采样属性网络，以支持标准的数据采掘任务的新技术。这个问题之所以重要，有两个原因。首先，通常执行数据采掘任务，例如网络属性（节点的属性，包括社交媒体帖子）的聚类和分类。此外，现实世界的网络规模非常大，我们需要使用较小的图样本。其次，虽然随机抽样将提供对内容的无偏估计，但许多网络往往无法获得随机访问。因此，网络采样器，如雪球采样，森林火灾，随机游走，大都市-黑斯廷斯随机游走被广泛使用;然而，这些属性不可知的采样器被设计为捕捉网络结构的显着属性，而不是节点内容。后者对于聚类和分类任务至关重要。本文的主要贡献有三点。首先，我们介绍了几个基于信息论原理的属性感知采样器。其次，我们证明了这些采样器有一个偏向于捕捉新的内容，并相当于均匀采样的限制。最后，我们在大型真实世界数据集和合成基准上的实验结果很有见地：属性感知采样器在聚类和分类任务中的表现远远优于随机采样和基线属性不可知采样器。
2017-02-22 cs.SI
Attributed Network Embedding for Incomplete Attributed Networks
Southern University of Science and Technology（南方科技大学）；University of Birmingham（伯明翰大学）
属性网络是普遍存在的，因为网络通常带有辅助属性信息，例如具有用户简档的社交网络。属性网络嵌入（ANE）是近年来研究的一个热点，它的目标是在保持结构和属性信息的同时学习统一的低维节点嵌入。所得到的节点嵌入然后可以促进各种网络下游任务，例如链接预测。虽然有几个ANE方法，其中大多数不能处理不完整的属性网络与丢失的链接和/或节点属性，这往往发生在现实世界的场景。为了解决这个问题，我们提出了一个强大的ANE方法，其总体思想是通过融合两个信息源来增强信息，然后采用基于随机游走的网络嵌入方法来学习节点嵌入，从而重建一个统一的密集网络。在6个真实数据集上进行的链接预测、节点分类、可视化和参数敏感性分析实验验证了该方法对不完全属性网络的有效性。
2019-06-05 cs.LG cs.SI
Incorporating Attributes and Multi-Scale Structures for Heterogeneous Graph Contrastive Learning
Department of Computer Science and Technology, Ocean University of China（计算机科学与技术系，中国海洋大学）
本文提出异构图对比学习框架ASHGCL，通过属性、高阶和低阶结构三视图及属性增强正样本选择策略，缓解采样偏差，在多个数据集上超越无监督基线并媲美有监督方法。
2025-08-19 cs.LG cs.SI
G2A2: An Automated Graph Generator with Attributes and Anomalies
Virginia Tech（弗吉尼亚理工大学）
许多数据挖掘应用程序使用动态属性图来表示关系信息;但由于安全和隐私问题，缺乏可用的数据集可以表示为动态属性图。即使有这样的数据集，它们也没有可用于训练深度学习模型的地面实况。因此，我们提出了G2 A2，一个具有属性和异常的自动图形生成器，它包括（1）生成动态二分图的概率模型，表示两组独立实体之间随时间变化的连接，（2）使用一种新颖的算法来捕获跨域图形异常的一般属性的异常的现实注入，以及（3）从现有的真实世界数据集学习的用于产生真实属性的深度生成模型。使用最大平均差异（MMD）度量来评估G2 A2生成的图与三个真实世界图的真实性，G2 A2通过将MMD距离减少多达六倍（6x）而优于Kronecker图生成。
2022-10-14 cs.LG cs.SI
Attributed Social Network Embedding
将网络数据嵌入到低维向量空间中对于许多现实世界的应用，如节点分类和实体检索，表现出良好的性能。然而，大多数现有的方法只集中在利用网络结构。对于社交网络，除了网络结构之外，还存在关于社会行为者的丰富信息，例如友谊网络的用户简档和引文网络的文本内容。社会行动者丰富的属性信息揭示了同质性效应，对社交网络的形成产生了巨大的影响。本文探讨了社交网络中丰富的属性证据源，以提高网络嵌入能力。我们提出了一个通用的社会网络嵌入框架（SNE），它学习社会参与者的表示（即，节点）通过保持结构接近度和属性接近度两者。虽然结构接近捕捉全球网络结构，属性接近占同质性效应。为了证明我们的建议，我们在四个现实世界的社交网络上进行了广泛的实验。与最先进的网络嵌入方法相比，SNE可以学习更多的信息表示，在链接预测和节点分类的任务上实现了实质性的收益。具体来说，SNE显著优于node2vec，在链接预测任务上有8.2%的相对改进，在节点分类任务上有12.7%的增益。
2017-05-14 cs.SI
Partitioning Networks with Node Attributes by Compressing Information Flow
现实世界的网络通常被组织为模块或类似节点的社区，这些节点作为功能单元。这些网络的内容也很丰富，节点具有独特的特征或属性。为了发现网络的模块化结构，不仅需要考虑其链路，还需要考虑节点属性。我们描述了一个信息理论的方法，通过压缩描述的信息流在网络上识别模块。我们的公式将节点内容引入到信息流的描述中，然后我们将其最小化，以发现具有相似属性的节点组，这些节点组也倾向于捕获信息流。该方法有几个优点：它是概念上简单，不需要ad-hoc参数来指定模块的数量或控制链路和节点属性对网络结构的相对贡献。我们应用所提出的方法来划分具有已知社区结构的现实世界网络。我们证明，添加节点属性有助于恢复内容丰富的网络中的底层社区结构更有效地比单独使用链接。此外，我们表明，我们的方法比其他最先进的算法更快，更准确。
2014-05-17 cs.CY cs.IT cs.SI
Community Detection Algorithm Combining Stochastic Block Model and Attribute Data Clustering
Tohoku University（东北大学）；Yamagata University（山形大学）
我们提出了一种新的算法来检测社区结构的网络，利用网络结构和顶点属性数据。假设我们有网络结构和顶点属性数据，即分配给每个顶点的信息与它所属的社区相关联。本文所解决的问题是从网络结构和顶点属性数据的信息中检测社区结构。我们的方法是基于贝叶斯方法，模型的后验概率分布的社区标签。在我们的方法中的社区结构的检测是通过使用信念传播和EM算法。我们使用计算机生成的网络和真实世界的网络数值验证了我们的方法的性能。
2016-07-21 cs.LG cs.SI physics.soc-ph
Weighted Flow Diffusion for Local Graph Clustering with Node Attributes: an Algorithm and Statistical Guarantees
针对现有局部图聚类方法多忽略节点属性的问题，提出兼顾结构与属性邻近性的加权流扩散局部聚类算法，给出通用上下文随机图模型下的恢复统计保证，实验验证其性能更优。
2023-06-13 cs.SI
GenCAT: Generating Attributed Graphs with Controlled Relationships between Classes, Attributes, and Topology
生成具有节点标签的大型综合属性图是支持图分析方法的各种实验研究的重要任务。现有的图形生成器无法同时模拟标签，属性和拓扑结构之间的关系，现实世界的图形展示。出于这种限制，我们提出了GenCAT，一个属性图生成器，用于控制这些关系，它具有以下优点。(i)GenCAT生成具有用户指定节点度的图形，并通过将每个节点的连接比例纳入类中来灵活控制节点和标签之间的关系。(ii)生成的属性值遵循用户指定的分布，用户可以灵活控制属性与标签之间的相关性。(iii)图形生成与边的数量成线性关系。GenCAT是第一个支持所有这三个实用功能的发生器。通过大量的实验，我们证明了GenCAT可以有效地生成高质量的复杂的属性图与用户控制的标签，属性和拓扑之间的关系。
2023-02-13 cs.SI
EdgeCentric: Anomaly Detection in Edge-Attributed Networks
给定一个具有属性边的网络，我们如何识别异常行为？具有边缘属性的网络在现实世界中是常见的。例如，电子商务网络中的边通常表示用户如何根据星星的数量对产品和服务进行评级，在线社交和电话网络中的边包含有关何时建立友谊以及用户何时相互通信的时间信息-在这种情况下，边属性捕获有关相邻节点如何与网络中的其他实体进行交互的信息。在本文中，我们的目标是准确地利用这些信息来辨别可疑的典型节点行为。我们的工作有许多值得注意的贡献，包括（a）公式化：虽然大多数其他基于图的异常检测工作使用结构图连接或节点信息，但我们专注于利用边缘信息的新问题，（b）方法：我们引入EdgeCentric，一种直观且可扩展的基于压缩的方法，用于检测边缘属性图异常，以及（c）实用性：我们发现，EdgeCentric成功地在几个大型的、边缘属性的真实世界图中发现了许多这样的异常，包括Flipkart电子商务图，在110万用户和54.5万产品之间有超过300万条产品评论，在前100个结果中达到了0.87的精度。
2015-11-18 cs.IR cs.SI
Representation Learning for Attributed Multiplex Heterogeneous Network
Tsinghua University（清华大学）；DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）
网络嵌入（或图嵌入）已广泛应用于许多现实世界的应用中。然而，现有的方法主要集中在具有单一类型的节点/边的网络上，并且不能很好地扩展以处理大型网络。许多真实世界的网络由数十亿个节点和多种类型的边组成，每个节点都与不同的属性相关联。在本文中，我们形式化的问题的嵌入学习的属性多重异构网络，并提出了一个统一的框架来解决这个问题。该框架支持转换学习和归纳学习。我们也给出了所提出的框架的理论分析，显示其与以前的作品的连接，并证明其更好的表现力。我们在四种不同类型的具有挑战性的数据集上对所提出的框架进行了系统的评估：亚马逊，YouTube，Twitter和阿里巴巴。实验结果表明，使用从所提出的框架中学习的嵌入，我们可以实现统计上显著的改进（例如，5.99-28.23%的F1分数提升; p<<0.01，t检验）超过先前用于链接预测的现有技术方法。该框架也已成功部署在一个全球领先的电子商务公司，阿里巴巴集团的推荐系统。产品推荐的离线A/B测试结果进一步证实了该框架在实践中的有效性和效率。
2019-05-20 cs.LG cs.SI
Query Driven-Graph Neural Networks for Community Search: From Non-Attributed, Attributed, to Interactive Attributed
The Chinese University of Hong Kong（香港中文大学）；Tencent AI Lab（腾讯人工智能实验室）；Hong Kong Baptist University（香港浸会大学）
给定一个或多个查询顶点，社区搜索（CS）的目标是找到密集的内部连接和松散的内部连接的结构包含查询顶点。属性社区搜索（ACS），一个相关的问题，是更具挑战性的，因为它发现社区的凝聚力结构和同质顶点属性。然而，CS任务的大多数方法依赖于不灵活的预定义的结构和研究ACS独立对待每个属性。此外，最流行的ACS策略将ACS分解为两个单独的子问题，即，CS任务和后续属性筛选任务。然而，在现实世界的图，社区结构和顶点属性是密切相关的。这种相关性对于ACS问题至关重要。在本文中，我们提出了用于CS和ACS问题的图神经网络模型，即，查询驱动GNN和属性查询驱动GNN。在QD-GNN中，我们结合了局部查询依赖结构和全局图嵌入。为了扩展QD-GNN来处理属性，我们将顶点属性建模为二分图，并通过在该二分图上构造GNN来捕获属性之间的关系。通过特征融合算子，AQD-GNN同时处理结构和属性，并根据每个属性查询预测社区。在真实图和真实社区上的实验表明，所提出的模型在效率和有效性方面优于现有的CS和ACS算法。最近，提出了一种用于CS的交互式设置，允许用户调整预测的社区。我们进一步验证了我们的方法下的互动设置和扩展到属性上下文。我们的方法实现了2.37%和6.29%的F1分数分别比最先进的模型没有属性和属性。
2022-03-23 cs.DB cs.LG cs.SI
Community Search in Attributed Networks using Dominance Relationships and Random Walks
Aristotle University of Thessaloniki（色萨利大学）；International Hellenic University（国际希腊大学）
本文提出一种结合跳数与随机游走方法、利用支配得分和k-核提取的算法，在属性网络中平衡结构与属性相似性，高效识别高内聚社区，适用于社交网络分析和推荐系统。
2025-10-26 cs.SI
HACD: Harnessing Attribute Semantics and Mesoscopic Structure for Community Detection
Beijing Information Science and Technology University（北京信息科技大学）；Hong Kong Baptist University（香港浸会大学）
针对属性网络社区检测忽视属性语义相似性和介观结构的问题，提出基于异构图注意力网络的HACD模型，通过属性级注意力与社区成员函数提升检测鲁棒性，实验优于现有方法。
2024-11-04 cs.AI cs.GR cs.LG
Mining Statistically Significant Attribute Associations in Attributed Graphs
最近，图已被广泛用于表示许多不同种类的真实世界数据或观察，诸如社交网络、蛋白质-蛋白质网络、道路网络等。图中的每一个节点都与它的一组属性相关联，在各种图挖掘中，不仅要考虑图的链接结构，而且要利用属性信息来获得更有意义的结果。任务大多数以前的工作与属性图考虑到会计属性关系之间的单独连接的节点。然而，找出哪些属性集相互关联以及它们是否具有统计学意义应该是非常有价值的。挖掘这些重要的关联，我们可以发现图中属性集之间的新关系。我们提出了一个算法，可以找到这些属性的关联高效，有效地，并显示实验结果，证实了所提出的算法的高适用性。
2016-09-27 cs.DB cs.SI
Measuring Proximity in Attributed Networks for Community Detection
Moscow Institute of Physics and Technology（莫斯科物理技术学院）；Trapeznikov Institute of Control Sciences of the Russian Academy of Sciences（俄罗斯科学院特拉佩兹尼科夫控制科学研究所）；Kotel’nikov Institute of Radio-engineering and Electronics (IRE) of the Russian Academy of Sciences（俄罗斯科学院科捷利尼科夫无线电工程与电子研究所（IRE））
图上的邻近性度量在网络分析中有各种应用，包括社区发现。以前，它们主要是在没有属性的网络背景下研究的。然而，如果考虑节点属性，这可以提供对网络结构的更多了解。在本文中，我们扩展了一些研究的邻近性措施的定义属性网络。为了说明属性，使用几种属性相似性度量。最后，得到的邻近性措施，在一些现实世界的网络使用谱聚类算法检测社区结构。
2021-11-04 cs.LG cs.SI
Deep Multi-attributed Graph Translation with Node-Edge Co-evolution
George Mason University（乔治梅森大学）
图翻译是从图像翻译和语言翻译中推广而来的，其目的是通过在源域中调节输入图来在目标域中生成图。这个有前途的话题最近引起了越来越多的关注。现有的工作仅限于预测具有固定拓扑的图的节点属性，或者仅预测图的拓扑而不考虑节点属性，但是由于实质性的挑战而不能同时预测两者：1）难以表征交互式、迭代式以及节点和边两者的异步转换过程，以及2）难以发现和维护预测图中节点和边之间的固有一致性。这些挑战阻碍了用于联合节点和边缘属性预测的通用端到端框架，这是现实世界应用的需要，例如物联网网络中的恶意软件限制和结构到功能的网络转换。这些现实世界的应用程序高度依赖于手工制作和ad-hoc启发式模型，但不能充分利用大量的历史数据。在本文中，我们把这个通用的问题称为“多属性图翻译”，并开发了一个新的框架集成节点和边的翻译无缝。新的边平移路径是通用的，它被证明是现有拓扑平移模型的推广。然后，提出了一种基于非参数图拉普拉斯算子的谱图正则化方法，以学习和保持预测节点和边的一致性。最后，在合成数据和实际应用数据上的实验证明了该方法的有效性。
2020-06-15 cs.LG cs.SI stat.ML
Size does not matter -- in the virtual world. Comparing online social networking behaviour with business success of entrepreneurs
我们探讨什么好处网络位置在线业务社交网络，如LinkedIn可能赋予一个有抱负的企业家。我们比较两个网络属性，大小和嵌入性，和两个演员属性，位置和多样性，虚拟和现实世界的网络之间。像LinkedIn这样的社交网络的承诺是，网络朋友可以更容易地访问关键资源，如法律和金融服务，客户和商业伙伴。我们的设置由德国商业社交网站XING（LinkedIn的德国版本）的100万个公共成员档案组成，从中我们提取了来自12所德国大型大学的15，000名初创企业家的网络结构。我们发现虚拟网络的规模和嵌入性没有积极的影响，和位置和多样性的小的积极影响。
2021-05-20 cs.CY cs.SI
Learning Optimal Graph Filters for Clustering of Attributed Graphs
Department of Electrical and Computer Engineering, Michigan State University（电气与计算机工程系，密歇根州立大学）
本文提出一种基于图信号处理的方法，通过两步迭代优化学习适用于属性图聚类的FIR和ARMA图滤波器参数，以最大化簇间分离度，并在属性网络上验证了其优于现有方法。
2024-05-30 cs.LG cs.SI eess.SP
Dynamics of node influence in network growth models
在文献中已经提出了许多类的网络增长模型来捕捉真实世界的复杂网络。现有的研究主要集中在这些模型的全局特性，例如，度分布我们的目标是将重点转向从单个节点的角度研究网络增长动力学。在本文中，我们研究如何在网络增长模型中的节点影响力的度量行为随着时间的推移，随着网络的发展。这个度量，我们称之为节点可见性，捕获节点形成新连接的概率。首先，我们对三种流行的网络增长模型进行了调查-偏好连接，添加剂和乘法健身模型;并主要研究“有影响力的节点”或“领导者”，以了解他们的可见性如何随着时间的推移而演变。随后，我们考虑了一个通用的适应度模型，并观察到乘法模型在允许有影响力的节点保持其可见性，同时使新节点在网络中获得可见性之间取得了平衡。最后，我们观察到，一个空间增长模型与乘法健身可以削减有影响力的节点的全球范围内，从而允许出现的“本地领导者”的网络中的多样性。
2020-09-01 cs.IR cs.SI
The Advantage of Evidential Attributes in Social Networks
LARODEC, Higher Institute of Management（高等管理学院 LARODEC 实验室）；DRUID, IRISA, University of Rennes 1（雷恩第一大学 IRISA 研究所 DRUID 团队）；Northwestern Polytechnical University（西北工业大学）
如今，有许多方法被设计用于检测社交网络中的社区的任务。其中，有些方法只考虑图的拓扑结构，而有些方法则同时考虑图的拓扑结构和节点属性。在现实世界的网络中，图中存在许多不确定和噪声属性。在本文中，我们将介绍如何在第一步中检测具有不确定属性的图中的社区。根据图的结构生成数值属性、概率属性和证据属性。在第二步中，一些噪声将被添加到属性中。我们进行实验，不同类型的属性的图和比较检测结果的归一化互信息（NMI）值。实验结果表明，与概率和数值属性相比，证据属性的聚类效果更好。这说明了证据属性的优点。
2017-09-05 cs.AI cs.SI
AHEAD: A Triple Attention Based Heterogeneous Graph Anomaly Detection Approach
Xi’an Jiaotong University（西安交通大学）；University of Virginia（弗吉尼亚大学）；University of Washington（华盛顿大学）；Ant Financial（蚂蚁金服）
属性网络上的图异常检测因其在许多有影响力的领域中的广泛应用而成为一个热门的研究课题。在现实世界中，属性网络中的节点和边通常表现出明显的异质性，即不同类型节点的属性表现出极大的多样性，不同类型的关系表现出不同的意义。在这些网络的异质性的各种角度来看，异常通常表现得与大多数不同。然而，现有的图异常检测方法没有利用属性网络中的异质性，这是高度相关的异常检测。针对这一问题，我们提出了AHEAD：一种基于编码器-解码器框架的异质性感知无监督图异常检测方法。具体而言，编码器设计了属性级、节点类型级和边级三个层次的注意力，分别用于捕捉网络结构、节点属性和单个节点信息的异质性。在解码器中，我们利用结构，属性和节点类型重建条款，以获得每个节点的异常得分。大量的实验表明，AHEAD的优越性在几个现实世界的异构信息网络相比，在无监督设置的艺术。进一步的实验验证了我们的三重注意力，模型骨干和解码器的有效性和鲁棒性。
2022-08-17 cs.LG cs.SI
Neural-Brane: Neural Bayesian Personalized Ranking for Attributed Network Embedding
Indiana University Purdue University Indianapolis（印第安纳大学与普渡大学印第安纳波利斯联合分校）；Facebook Inc.（脸书公司）；IBM Research（IBM研究院）
近年来，网络嵌入方法，即学习网络中每个顶点的分布式向量表示，引起了人们的极大兴趣。现有的工作已经证明，通过嵌入方法学习的顶点表示在许多现实世界的应用中提供了优越的性能，例如节点分类，链接预测和社区发现。然而，大多数用于网络嵌入的现有方法仅利用顶点的拓扑信息，而忽略了在所有现实生活网络中丰富的节点属性（例如，在线社交网络的用户简档或引文网络的文本内容）的集合。考虑属性和关系信息的联合网络嵌入需要完整的网络信息，并且可以进一步丰富学习的矢量表示。在这项工作中，我们提出了神经膜，一种新的神经贝叶斯个性化排名的属性网络嵌入。对于给定的网络，Neural-Brane利用统一网络拓扑信息和节点属性的神经网络模型提取节点的潜在特征表示，并利用贝叶斯个性化排序目标，利用相似节点对和不相似节点对之间的邻近度排序.我们通过在四个真实世界的数据集上解决节点分类和聚类任务来评估Neural-Brane产生的顶点嵌入的质量。实验结果表明，我们提出的方法优于国家的最先进的现有方法。
2018-08-20 cs.LG cs.SI stat.ML
Exact Graph Matching in Correlated Gaussian-Attributed Erdős-Rényi Model
针对带节点特征的相关图，提出两步匹配法：先用边信息匹配部分节点，再用特征匹配其余节点，并给出精确匹配的信息论极限。
2024-07-17 cs.DS cs.IT cs.SI
