Measure of Node Similarity in Multilayer Networks
网络中链接的权重通常与节点的相似性有关。在这里，我们引入了一个简单的可调措施，用于分析不同链接权重的节点的相似性。特别是，我们使用的措施来分析同质性在一组659名大一学生在一所大型大学。我们的分析基于使用配备定制数据汇集软件的智能手机获得的数据，并辅以基于手机的数据。社会联系的网络被表示为一个加权的多层网络，该网络由不同的电信渠道以及面对面的联系数据构成。我们发现，即使是联系紧密的个体，在基本人格特征方面也不比随机选择的个体对更相似。相比之下，一些社会人口统计变量有很大程度的相似性。我们进一步观察到，相似性可能存在于多层网络的一层中，同时在其他层中不存在。对于一个变量，如性别，我们的措施揭示了一个过渡，从节点之间的相似性连接的链接相对较低的权重到不相似的节点连接的最强的链接。最后，我们分析了网络中不同层次的重叠。
2016-06-02 cs.SI physics.soc-ph
Accuracy Test for Link Prediction in terms of Similarity Index: The Case of WS and BA Models
链路预测是一种利用给定网络的拓扑信息来推断网络中缺失链路的技术，以往的链路预测研究主要集中在提高给定经验系统的性能上，而对网络模型的链路预测研究较少。因此，在本文中，我们将链接预测应用于两个网络模型：Watts-Strogatz（WS）模型和Barabási-Albert（BA）模型。我们试图通过网络模型更好地理解准确性与每个网络参数（平均度，节点数和重新布线概率WS模型）之间的关系。使用六个相似性指标，精度和ROC曲线下面积（AUC）值作为准确性度量。我们观察到平均程度和准确性之间的正相关性，以及AUC值的大小独立性。
2015-03-10 cs.SI physics.data-an physics.soc-ph
Similarity-based Link Prediction from Modular Compression of Network Flows
节点相似性分数是用于聚类、节点分类、异常检测和链接预测的图中的机器学习的基础，其应用于生物系统、信息网络和推荐系统。最近的链接预测工作使用向量空间嵌入来计算无向网络中的节点相似性，具有良好的性能。尽管如此，它们仍有一些缺点：有限的可解释性，需要超参数调整，通过降维进行手动模型拟合，以及定向链接预测中对称相似性的性能较差。我们提出了MapSim，一个信息理论的措施来评估节点的相似性的基础上模块化压缩的网络流。与向量空间嵌入不同，MapSim表示社区的离散非度量空间中的节点，并以无监督的方式产生非对称相似性。我们比较MapSim的链接预测任务，流行的嵌入式算法在47个网络，并发现MapSim的平均性能在所有网络是超过7%高于其最接近的竞争对手，优于所有嵌入方法在11个47个网络。我们的方法展示了基于压缩的方法在图表示学习中的潜力，在其他图学习任务中具有很好的应用前景。
2023-01-27 cs.SI physics.soc-ph
Efficient Community Detection in Large Networks using Content and Links
在本文中，我们讨论了一个非常简单的方法相结合的内容和链接信息的图形结构的社区发现的目的，在网络分析中的一项基本任务。我们的方法取决于基本的直觉，即许多网络在链接结构中包含噪声，并且内容信息可以帮助加强社区信号。这使人们能够消除噪声的影响（假阳性和假阴性），这是特别普遍的在线社交网络和Web规模的信息网络。具体来说，我们引入了一个衡量网络中两个节点之间的信号强度，通过融合它们的链接强度与内容相似性。链路强度是基于链路是否可能（以高概率）驻留在社区内来估计的。通过余弦相似度或Jaccard系数来估计内容相似度。我们讨论了一个简单的机制，融合内容和链接的相似性。然后，我们提出了一个有偏的边缘采样过程，它保留了每个图节点的局部相关的边缘。可以使用标准的社区发现算法（例如Metis和Markov聚类）来聚类所得到的骨干图。通过对具有不同大小和特征的多个真实世界数据集（Flickr，Wikipedia和CiteSeer）的广泛实验，我们证明了我们的方法在最先进的学习和挖掘方法中的有效性和效率，其中一些方法还试图将链接和内容分析结合起来用于社区发现。具体来说，我们总是发现一个定性的好处时，结合内容与链接分析。此外，我们的有偏图采样方法实现了定量的好处，因为它通常比竞争方法快几个数量级。
2012-12-01 cs.SI physics.soc-ph
Predicting missing links via significant paths
链接预测对于理解网络的内在演化机制具有重要作用。由于认为两个节点之间存在链接的可能性与它们的相似性密切相关，已经提出了许多基于节点属性和/或拓扑结构来计算节点相似性的方法。在考虑连接目标节点对的路径的各种方法中，大多数方法忽略了这些路径的异质性。我们的假设是，由小度节点组成的路径提供了两端之间相似性的强有力证据，因此，我们在这封信中提出了一个所谓的重要路径索引，以利用中间节点的度进行相似性计算。在12个不同的真实网络上的实验表明，该指标优于主流的链路预测基线。
2015-02-03 cs.SI physics.data-an physics.soc-ph
Temporal link prediction methods based on behavioral synchrony
针对时序网络链路预测忽略长期时间效应的问题，提出基于智能体行为同步性的预测方法，在四类网络数据集上验证平均准确率提升约2%-5%，并揭示了不同网络拓扑的演化模式。
2023-11-24 cs.SI physics.soc-ph
Structural measures of similarity and complementarity in complex networks
相似性原理，或称同质性原理，经常被用来解释复杂网络中观察到的模式，如传递性和三角形（3-圈）的丰富性。然而，从劳动分工到蛋白质-蛋白质相互作用（PPI）的许多现象都是由互补性（差异和协同作用）驱动的。在这里，我们表明，互补原理与四边形（4-圈）和密集的二部样子图的丰度。我们将这两个原则与它们的特征基序联系起来，并引入了两个系数族：（1）结构相似性，它概括了局部聚类和闭合系数，并捕获了相似性驱动结构的全谱;（2）结构互补性，类似地定义，但基于四边形而不是三角形。使用多个社会和生物网络，我们证明了系数捕获结构特性相关的有意义的领域特定的现象。我们表明，它们可以区分不同类型的社会关系，以及测量整个生命树的PPI网络的结构多样性不断增加。我们的研究结果表明，某些类型的关系更好地解释互补性比同质性，并可能有助于改善现有的链接预测方法。我们还介绍了一个Python包，实现了有效的算法来计算建议的系数。
2022-10-10 cs.SI physics.soc-ph
Relationship Profiling over Social Networks: Reverse Smoothness from Similarity to Closeness
在社交网络上，虽然节点具有丰富的属性，但我们往往缺乏每个链接形成的“语义”-因此我们错过了导航和组织复杂社交世界的“路标”。如何在没有标签的情况下识别关系语义？基于普遍的同质性原则，我们提出了新的问题，基于属性的关系轮廓（ARP），轮廓的亲密度w.r.t.潜在的关系（例如，同学）基于用户之间在相应属性上的相似性（例如，教育），并且作为输出，学习一组社交亲和力图，其中每个链接通过其承载关系的概率来加权。作为需求，ARP应该是系统的和完整的，以分析每个关系的每个链接--我们的挑战在于有效地建模同质性。我们提出了一个新的反向平滑原则，通过观察同质性的相似性-接近性对偶与基于图的半监督学习中众所周知的平滑性假设一致-只有推理的方向是反向的。为了实现噪声社会图的平滑度，我们进一步提出了一种新的整体紧密度建模方法，通过将紧密度从边缘扩展到路径来捕获“高阶”平滑度。在三个真实数据集上的大量实验证明了ARP的有效性。
2017-10-03 cs.SI physics.soc-ph
C-Rank: A Link-based Similarity Measure for Scientific Literature Databases
随着使用科学文献数据库的人数的增加，对文献检索服务的需求也在稳步增长。最流行的检索服务之一是找到一组与正在考虑的论文相似的论文，这需要计算论文之间的相似性的度量。科学文献数据库呈现出两个不同于一般数据库的有趣特征。首先，老论文引用的论文往往由于技术和经济原因而不被数据库收录。其次，由于一篇论文引用了之前发表的论文，很少有论文引用最近发表的论文。这两个特征导致所有现有的相似性度量在以下情况中的至少一种情况下失败：（1）测量旧的但相似的论文之间的相似性，（2）测量最近的但相似的论文之间的相似性，以及（3）测量两个相似的论文之间的相似性：一个旧的，另一个最近的。在本文中，我们提出了一种新的基于链接的相似性度量称为C-Rank，它使用在链接和外链接，而不考虑方向的参考。此外，我们讨论了最合适的规范化方法的科学文献数据库，并提出了一种评估方法来衡量相似性措施的准确性。我们使用了一个数据库，其中包含来自DBLP的真实论文及其从Libra抓取的参考信息，并将C-Rank的性能与现有的相似性度量进行了比较。实验结果表明，C-Rank比现有的相似性度量方法具有更高的准确率。
2011-09-06 cs.DL cs.IR physics.soc-ph
Minimum curvilinear automata with similarity attachment for network embedding and link prediction in the hyperbolic space
最小曲线线性（MC）的思想是复杂网络的隐藏几何，特别是当它们足够稀疏，聚类，小世界和异构时，可以使用最小生成树（MST）有效地导航，这是一个贪婪的导航器。局部拓扑信息驱动全局几何导航，MST可以被解释为一条增长路径，该路径通过全局最小化网络中节点的整体距离来最大化每一步所连接节点之间的局部相似性。这在没有网络结构和仅存在几何上位于高维空间中的网络生成流形上的节点时也是有效的。我们知道，双曲空间中的随机几何图是现实复杂网络的一个适当模型：对这种联系的解释是，复杂网络表现出分层的树状组织，而双曲几何又是树的几何。在这里，我们表明，根据一种机制，我们定义的相似性附件，访问节点序列的网络自动机可以有效地近似节点的角坐标在双曲盘，实际上代表了他们的相似性排序。这是MST在其贪婪增长过程中，在每一步都顺序地将最相似（较不遥远）的节点附加到其自己的队列的事实的结果。最小曲线自动机（MCA）的嵌入精度似乎优于HyperMap-CN，但不如合并嵌入，但其在真实网络上的链接预测性能是基于双曲空间的方法所没有的。最后，根据用于构建MST的数据结构，MCA的时间复杂度也可以接近于与边的数量的线性依赖。
2018-02-04 cs.SI physics.soc-ph
Hidden space reconstruction inspires link prediction in complex networks
链接预测是众多学科中的一个基本挑战，其目的是根据不完全的观测信息识别网络中的潜在链接，具有广泛的应用，从发现缺失的蛋白质-蛋白质相互作用到预测网络的演化。其中最有影响力的方法依赖于相似性指数的共同邻居或其变化的特点。我们构造了一个隐藏空间映射到欧氏空间的网络连接结构的基础上，完全网络。与节点的真实地理位置相比，我们重建的位置与真实位置是一致的。我们的隐藏空间中的节点之间的距离可以作为一种新的相似性度量在链接预测。此外，我们混合我们的隐藏空间方法与其他国家的最先进的相似性方法，大大优于现有的方法的预测精度。因此，我们的隐藏空间重建模型提供了一个新的角度来理解网络结构，特别是投下了新的光链接预测。
2017-03-25 cs.SI physics.data-an physics.soc-ph
Link Prediction via controlling the leading eigenvector
链接预测是网络科学中的一个基本挑战。在众多的方法中，基于相似性的算法以其简单、可解释、高效和良好的性能而备受青睐。在本文中，我们证明了最基本的局部相似性指标共同邻居（CN）可以线性分解的目标网络的邻接矩阵的特征向量，每个特征向量的贡献是成比例的相应特征值的平方。由于在许多真实网络中，最大特征值和第二大特征值之间存在巨大的差距，因此CN索引由前导特征向量主导，并且可能忽略其他特征向量中包含的许多有用信息。因此，我们提出了一个无参数的算法，确保领导的特征向量和次特征向量的贡献相同。在真实网络上的大量实验表明，该算法的预测性能明显优于文献中表现良好的局部相似性指标。进一步提出了一种可以调整前导特征向量贡献的算法，该算法具有较好的精度和较低的计算复杂性，优于现有的参数可调算法。
2021-06-30 cs.SI physics.soc-ph
A novel similarity measure for mining missing links in long-path networks
网络信息挖掘是对网络拓扑结构的研究，它回答了大量基于应用的问题，涉及到一个真实系统的结构演化和功能。例如，这些问题可以与真实系统如何进化或个人如何在社交网络中相互作用有关。虽然真实系统的演化似乎是有规律的，但捕获整个演化过程中的模式并不是微不足道的。链接预测是网络信息挖掘的重要技术之一，它可以帮助我们了解真实系统的演化规律。链接预测的目的是发现缺失的链接或量化已知网络结构中不存在的链接出现的可能性。目前，广泛存在的链路预测方法几乎都集中在短路径网络，通常有无数的紧密的三角形结构。然而，这些算法在高度稀疏或长路径网络上的性能较差。在这里，我们提出了一个新的指标，是与结构等价和最短路径长度（$SESPL$）的原则，以估计在长路径网络中的链路存在的可能性。通过对548个真实网络的测试，我们发现$SESPL$在长路径网络中比其他基于相似性的预测器更有效。我们还利用$SESPL$预测器和嵌入式方法的性能，通过机器学习技术，和$SESPL$的性能可以达到44.09\%，超过$GraphWave$和$Node2vec$ 7.93\%。最后，根据所有相似性预测器之间的最大信息系数矩阵（$MIC$），$SESPL$是一个新的独立于传统相似性特征空间的特征。
2021-10-11 physics.data-an physics.soc-ph
Bounded link prediction for very large networks
在大型复杂网络中，链路预测方法的评估是一项艰巨的任务，因为计算成本过高。通过设置一个下界的共同邻居（CN）的数量，我们提出了一个新的框架，以有效地和精确地评估性能的CN为基础的相似性指数在非常大的异构网络的链接预测。具体来说，我们提出了一个快速算法的基础上的并行计算方案，以获得所有的CN值大于下界的节点对。此外，我们提出了一个新的测量，称为自我可预测性，量化的性能的CN为基础的相似性指标的链接预测，这在另一方面可以表明链接的可预测性的网络。
2015-06-22 cs.SI physics.data-an physics.soc-ph
SimBins: An information-theoretic approach to link prediction in real multiplex networks
现实世界网络的实体通过不同类型的连接（即层）连接。多路复用网络中的链路预测的任务是基于层内和层间相关性来找到丢失的连接。我们的观察证实，在广泛的现实世界的多重网络，从社会到生物和技术，一个层的连接概率和其他层的相似性之间存在正相关。因此，设计了一种基于相似性的自动通用复用链路预测方法- SimBins -，该方法基于复用网络中观察到的层间相关性来量化连接不确定性的量。此外，SimBins通过合并跨层链路重叠的影响来增强目标层的预测质量。应用于不同领域的各种数据集，SimBins被证明是强大的，优于比较方法在大多数实验情况下，在链接预测的准确性。此外，讨论了SimBins对基本相似性度量施加较小的计算开销，使其成为一种潜在的快速方法，适用于大规模复用网络。
2020-12-04 cs.SI physics.data-an physics.soc-ph
Link Prediction with Node Clustering Coefficient
如何有效、准确地预测不完备复杂网络中的缺失链仍然是一个具有挑战性的问题。最近提出的CAR（Cannistrai-Alanis-Ravai）索引显示了本地链接/三角形信息在提高链接预测精度方面的作用。利用第二级链接（即公共邻居之间的链接）的信息，可以改进大多数经典的相似性指标。然而，计算2级链接的数量使得CAR索引不够有效。受利用局部连接/三角形信息的思想的启发，我们提出了一种新的具有更多局部结构信息的相似性指数。在我们的方法中，局部链接/三角形结构信息可以直接通过公共邻居的聚类系数来传达。聚类系数在估计共同邻居贡献方面具有良好效果的原因是它利用了共同邻居的邻居之间存在的链接，并且这些链接与该共同邻居的候选链接具有相同的结构位置。来自五个不同领域的十个真实世界的网络被用来测试我们的方法对经典的相似性指标和最近提出的CAR指标的性能。两个估计：精度和AUP，用于评估链接预测算法的准确性。一般来说，我们的新指标只能与CAR竞争，但它是一个很好的补充，CAR的网络与不太高的LCP-corr，这是一个措施，以估计之间的相关性的数量的共同邻居和共同邻居之间的链接数。此外，该指数也比CAR指数更有效。
2016-01-16 cs.SI physics.soc-ph stat.AP
Weighted Network Analysis of Biologically Relevant Chemical Spaces
在化学信息学中，化合物空间的网络表示已被广泛提出。其中，阈值网络由代表分子的节点组成。在这种网络表示中，如果两个分子之间的Tanimoto系数（一种相似性度量）超过预设阈值，则两个分子通过链接连接。然而，阈值网络的拓扑结构受到预设阈值的显著影响。在本研究中，我们收集了生物相关化合物和生物活性的数据。我们定义了加权网络，其中节点之间的每个链接的权重等于生物活性化合物（节点）之间的Tanimoto系数，而不使用阈值。我们研究了加权网络中链接连接强度与生物活性贴近度之间的关系。我们发现具有显著高或低生物活性的化合物具有比整体网络中的化合物更强的连接。
2019-11-13 physics.soc-ph q-bio.BM q-bio.MN
Predicting missing links via correlation between nodes
链接预测是许多领域中的一个基本问题，其目的是根据观测到的信息来估计两个节点之间存在链接的可能性。由于这个问题涉及到许多应用，从发现丢失的数据到预测网络的演变，最近已经深入研究了链接预测，到目前为止已经提出了许多方法。链接预测的本质挑战是估计节点之间的相似性。现有的大多数方法都是基于公共邻居索引及其变体。在本文中，我们提出了计算节点之间的相似性的相关系数。该方法被认为是非常有效的应用时，计算基于高阶路径的相似性。最后，我们将基于相关性的方法与资源分配方法相结合，发现结合的方法可以大大优于现有的方法，特别是在稀疏网络中。
2014-09-30 cs.SI physics.data-an physics.soc-ph
Percolation of Interdependent Networks with Inter-similarity
真实数据表明，相互依赖的网络通常涉及相互相似性。互相似性意味着一对相互依赖的节点在两个网络中都有邻居，这些邻居也是相互依赖的（Parshani et al \cite{PAR10B}）。例如，耦合的全球港口网络和全球机场网络是相互类似的，因为在这两个网络中存在许多对通过直达航班和直达航运线链接的节点（相邻城市）。在同一个城市的两个网络中的节点被认为是相互依赖的。如果一个网络中的两个相邻节点依赖于另一个网络中的相邻节点，我们称这些链路为公共链路。系统中公共链接的比例是相互相似性的度量。以往的仿真结果表明，互相似性对减少级联故障有显著的作用，但目前缺乏对互相似性对级联过程影响的理论认识。在这里，我们映射的级联过程中的相互相似性的渗透网络组成的组件的共同链接和非共同链接。这就把相似系统的渗流问题转化为一系列子网络上的正则渗流问题，并可以解析求解。我们应用我们的分析的情况下，共同链接的网络是一个Erdens-Rényi（ER）网络的平均度$K$，和两个网络的非共同链接也是ER网络。我们表明，对于一个完全耦合的ER网络对，对于任何$K\geq0$，虽然级联减少与增加$K$，相变仍然是不连续的。我们的分析可以推广到任何一种相互依赖的随机网络系统。
2013-08-08 cond-mat.stat-mech physics.soc-ph
Effective and Efficient Similarity Index for Link Prediction of Complex Networks
对不完整网络（如蛋白质-蛋白质相互作用网络）或进化网络（如网络社会中的友谊网络）中非常可能但尚未存在的链接的预测可以被视为进一步实验的指导方针或对网络用户有价值的信息。在本文中，我们引入了一个局部路径指数来估计两个节点之间的链接存在的可能性。我们提出了一个在生成链接时密度和噪声强度可控的网络模型，并收集了六个真实网络的数据。大量的数值模拟模型的网络和真实的网络证明了高的有效性和效率的本地路径索引相比，两个著名的和广泛使用的索引，共同的邻居和Katz指数。事实上，本地路径索引提供了具有竞争力的准确预测的Katz指数，而需要更少的CPU时间和内存空间，因此，这是一个强大的候选人的潜在的实际应用中的数据挖掘的巨大规模的网络。
2009-08-26 physics.data-an physics.soc-ph q-bio.QM
Finding role communities in directed networks using Role-Based Similarity, Markov Stability and the Relaxed Minimum Spanning Tree
我们提出了一个框架，集群节点在有向网络中根据他们的角色，结合基于角色的相似性（RBS）和马尔可夫稳定性，两种技术的基础上流。首先，我们计算RBS矩阵，其中包含节点之间的成对相似性，根据不同长度的入向和出向路径的缩放数量。然后使用松弛最小生成树（RMST）算法将加权RBS相似性矩阵变换为无向相似性网络，该算法使用RBS矩阵的几何结构来使网络不模糊，使得具有高直接RBS的节点之间的边缘被保留。最后，我们使用马尔可夫稳定性将RMST相似性网络划分为所有尺度的节点角色社区，以找到网络中的一组强大的角色。我们通过生物和人造网络展示我们的框架。
2013-09-06 cs.SI physics.soc-ph q-bio.NC
Link Prediction in Real-World Multiplex Networks via Layer Reconstruction Method
链路预测问题的大量研究致力于寻找单层（单纯形）网络中的丢失链路。所提出的链接预测方法根据观察到的网络结构计算未连接节点对之间的相似性度量。然而，将相似性概念扩展到多重网络是一个双重挑战。现实世界的多路复用网络的层不具有相同的组织，但也不是完全不同的组织。因此，应该确定多路复用网络的层有多相似。另一方面，需要知道相似层如何在具有缺失链路的目标层上的链路预测任务中做出贡献。特征向量能够很好地反映网络的结构特征。因此，多路复用网络的两个层是相似的。结构特征，如果它们共享相似的特征向量。实验表明，现实世界的多路复用网络的层是类似的w.r.t.结构特征和相似性的价值远远超出了它们的随机同行。此外，它表明，丢失的链接是高度可预测的，如果他们的添加或删除不显着改变网络的结构特征。否则，如果变化很大，结构特征的类似副本可能会有所帮助。基于这一概念，层重建方法（LRM）找到最好的重建所观察到的结构的目标层与其他类似层的结构特征。在不同学科的实际复用网络上的实验表明，该方法充分利用了网络中的信息冗余，即使在高丢失率的情况下，链路预测的性能也能保持鲁棒性。
2019-06-22 cs.SI physics.data-an physics.soc-ph
Predicting Missing Links via Local Information
网络的缺失链预测在现代科学中具有重要的理论意义和实际意义。在本文中，我们实证研究的基础上，节点相似性的链接预测的一个简单的框架。我们比较了九个著名的本地相似性措施在六个真实的网络。结果表明，最简单的措施，即共同的邻居，具有最好的整体性能，和Adamic-Adar指数表现第二好。提出了一种新的相似性度量，动机的资源分配过程中发生的网络，并显示出具有更高的预测精度比共同的邻居。研究发现，如果只使用最近邻的信息，许多链接被分配相同的分数。因此，我们设计了另一种新的措施，利用信息的次近邻，它可以显着提高预测精度。
2009-06-01 physics.data-an physics.soc-ph
Extending modularity by capturing the similarity attraction feature in the null model
模块性是一种广泛使用的衡量网络社区结构的指标。模块性的定义涉及到观察到的网络中的社区内边缘与等效随机网络中的边缘数的比较。这个等效的随机网络称为空模型，它可以作为参考。为了使比较有意义，零模型应该描述被观察网络的一些特征。然而，模块化的原始定义中的空模型是不切实际的混合，在这个意义上，任何节点都可以链接到任何其他节点，而没有偏好，只有连接性才重要。因此，它不能很好地代表现实世界的网络。许多现实世界网络的共同特征是“相似吸引”，即，边倾向于链接到彼此相似的节点。我们提出了一个空模型，捕捉相似性吸引力功能。这个空模型使我们能够创建一个框架，用于定义一个适合各种网络的Dist-Modularity家族，包括具有节点附加信息的网络。我们证明了Dist-Modularity在不同尺度上识别社区是有用的。
2013-02-12 cs.SI physics.data-an physics.soc-ph
Measuring node similarity using minimum cycles in networks
Kunming University of Science and Technology（昆明理工大学）
本文提出基于最小环的节点相似性度量方法，用于提升链接预测和社区检测的性能。
2026-01-29 physics.soc-ph
Emergence and resilience of social networks: a general theoretical framework
我们介绍和研究的一般模型的社会网络的形成和演变的基础上的概念，优先链接形成相似的节点之间的连接和增加的相似性。该模型进行了研究，数值和分析的三个定义的相似性。与现实世界的社交网络一样，我们发现高连接和低连接阶段以及历史依赖性共存。我们认为，链接和相似性之间的正反馈，这是负责模型的行为也是一个重要的机制，在真正的社交网络。
2005-04-18 cond-mat.stat-mech physics.soc-ph
Link creation and profile alignment in the aNobii social network
本文研究了aNobii \footnote{http://www.anobii.com/}的结构和动力学特性，它是一个专为读者和图书爱好者设计的社会书签系统。aNobii的用户提供有关他们的图书馆，阅读兴趣和地理位置的信息，他们可以与其他用户建立类型的社交链接。在这里，我们对系统的社交网络及其与用户配置文件的相互作用进行了深入分析。我们描述了地理和基于兴趣的因素与社会联系的关系。此外，我们进行了纵向分析，调查的相互作用的配置文件相似性和链接创建的社会网络，重点是三角形关闭。我们报告了一个相互的因果关系：用户的配置文件相似性驱动随后的关闭在社交网络中，但关闭在社交网络中诱导随后的配置文件对齐。进入社会网络的动态也使我们能够衡量优惠联系的量化指标。
2010-06-25 cs.CY physics.soc-ph
