A Model of Consistent Node Types in Signed Directed Social Networks
签名定向社交网络越来越普遍，其中用户之间的关系可以是积极的（表示信任等关系）或消极的（表示不信任等关系）。因此，积极和消极的关系之间的相互作用，在这样的网络已成为一个重要的研究课题。最近的研究集中在边缘符号推理的结构平衡理论或社会地位理论。然而，这两种理论都不能很好地解释当由该边连接的两个节点不共享共同邻居时观察到的边符号（例如，共同的朋友）。在本文中，我们开发了一种新的方法来处理这种情况，通过应用一个新的模型的节点类型。首先，我们分析了一个完全观察到的有向网络中的局部节点结构，推断出底层节点类型。两个节点之间的边的符号必须与它们的类型一致;这很好地解释了边的符号，即使没有共同的邻居。此外，我们表明，我们的方法可以扩展到包括定向三合会，当它们存在时，就像在基于结构平衡或社会地位理论的模型。我们基于部分观察到的Wikipedia、Slashdot和Epperly网络，在实证研究中计算贝叶斯节点类型，其中最大的网络（Epperly）有119 K个节点和841 K条边。我们的方法产生更好的性能比国家的最先进的方法，这三个签署有向网络。
2014-08-28 cs.SI physics.soc-ph stat.AP
SVD Incidence Centrality: A Unified Spectral Framework for Node and Edge Analysis in Directed Networks and Hypergraphs
Instituto Curvelo（Curvelo研究所）；Federal University of Espirito Santo（埃斯皮里托桑托联邦大学）
SVD Incidence Centrality 提出了一种基于 incidence 矩阵奇异值分解的统一谱框架，用于有向网络和超图中节点和边的中心性分析，解决了传统方法在方向信息保留和稀疏性问题上的不足。
2026-02-17 cs.SI physics.soc-ph
Middlemen and Contestation in Directed Networks
本文研究了有向网络中的关键节点或“中间人”。节点的可重构性被引入作为竞争性的网络拓扑概念，这意味着中介在网络中的流的代理中的作用可以由一组其他节点代替。我们建立了无争议的中间人和中间人的等价性。节点稳定性的概念产生了一种度量，它量化了网络中中间人的控制。我们提出了一个比较，这个中间商中心的措施与相关的，建立网络中心的措施。此外，我们提供的概念和措施表示的鲁棒性的中间人的链接或节点的数量，必须添加到网络或从网络中删除，以抵消中间人的权力。我们使用这些概念来识别和测量中间人的权力和鲁棒性在两个经验网络：Krackhartt的咨询网络的经理在一个中型企业和著名的佛罗伦萨婚姻网络作为代理的权力经纪人之间的房子文艺复兴时期的佛罗伦萨。
2016-12-28 cs.SI physics.soc-ph
Measuring Directed Triadic Closure with Closure Coefficients
最近研究无向图中三元闭包的工作已经引起了人们对关注楔形的“中心”节点（即，长度为2的路径）与侧重于“发起者”的措施，这一区别具有相当大的后果。与此同时，有向图中的现有度量都是以中心为中心的。在这项工作中，我们提出了一个家庭的八个有向封闭系数，测量的三元封闭的有向图的角度出发，关闭的节点的频率。这八个系数对应于不同的标记楔形，其中发起者和中心节点被标记，我们观察到这些系数在现实世界的网络中的显着经验变化，即使在诱导有向三角形同构的情况下。为了理解这一现象，我们检查我们的封闭系数的理论行为下的定向配置模型。我们的分析说明了封闭系数与网络的联合入度和出度分布的矩之间的潜在联系，为观察到的不对称性提供了解释。我们还使用我们的有向闭包系数作为预测在两个机器学习任务。我们在类平衡二进制预测中发现AUC得分高于0.92的可解释模型，大大优于使用传统中心度量的模型。
2020-02-07 cs.SI physics.soc-ph
Identifying hubs in directed networks
本文提出基于最小描述长度原则的高效非参数方法，用于在有向网络（包括无权和加权网络）中分类识别枢纽节点，为网络枢纽提供了清晰且有原则的定义。
2024-03-22 cs.SI physics.soc-ph
Directed network comparison using motifs
本文提出一种基于模体的有向网络比较方法，通过节点模体分布向量和Jensen-Shannon散度捕捉局部、全局及高阶差异，并在真实网络实验中验证其优于现有基线且具有鲁棒性。
2024-01-12 cs.SI physics.soc-ph
Non-Universality in Semi-Directed Barabasi-Albert Networks
在通常的巴拉巴西-阿尔伯特型无标度网络中，一个新加入的节点从已经存在的网络节点中随机选择m个邻居，与这些节点之前拥有的链接数量成比例。然后，具有k个链路的节点的数量N（k）均衰减为1/k^gamma，其中gamma=3是通用的，即与m无关。现在我们在网络的构造中使用有限的方向性，因此，随着m的增加，指数gamma从3减小到2。
2012-05-01 cs.SI physics.comp-ph physics.soc-ph
Directed Network Laplacians and Random Graph Models
我们考虑谱方法，发现隐藏的结构在有向网络。我们通过（a）最小化目标函数和（b）最大化随机图模型的可能性来建立和利用节点重排序之间的连接。我们专注于两个现有的光谱方法，建立和分析拉普拉斯风格的矩阵，通过最小化挫折和营养不一致。这些算法的目的是揭示定向周期和线性层次结构，分别。我们表明，重新排序节点使用这两种算法，或将它们映射到一个指定的格，与新的类有向随机图模型。使用这种随机图设置，我们能够在给定的网络上比较两种算法，并量化哪种结构更有可能存在。我们说明了合成和真实网络的方法，并讨论了实际的实施问题。
2021-10-11 cs.SI physics.soc-ph
Collaborative Bi-Aggregation for Directed Graph Embedding
有向图是节点间非对称关系的模型，有向图嵌入的研究对下游的图分析和推理具有重要意义。分别学习源节点和目标节点的嵌入以保持边缘不对称性已成为主流方法，但也对稀疏图中普遍存在的低甚至零输入/输出度节点的学习表示提出了挑战。本文通过引入基于空间的图卷积，提出了一种协同双向聚合有向图嵌入方法（COBA）。首先，通过聚合源邻居和目标邻居的对应节点来学习中心节点的源嵌入和目标嵌入;其次，通过聚合方向相反的邻居的对应节点来增强零入/出度中心节点的源/目标嵌入（即目标/源邻居）;最后，将同一节点的源嵌入和目标嵌入相关联以实现协作聚合。在真实数据集上的大量实验表明，COBA在多个任务上的性能全面优于最先进的方法，同时验证了所提出的聚合策略的有效性。
2022-11-04 cs.SI
Disparity-in-Differences: Extracting Hierarchical Backbones of Weighted Directed Networks
Elon University（伊隆大学）
本文提出了一种改进的disparity滤波器，用于从加权有向网络中提取层次结构骨架，通过衡量节点间的依赖关系来捕捉更复杂的层次关系。
2025-11-20 cs.SI physics.soc-ph
Node Representation Learning for Directed Graphs
我们提出了一种新的方法来学习节点表示有向图，它保持单独的视图或嵌入空间的两个不同的节点角色引起的方向性的边缘。我们认为，以前的方法要么未能编码的边缘方向性或他们的编码不能概括跨任务。我们简单的\emph{alternating random walk}策略，我们产生的角色特定的顶点邻域和训练节点嵌入在其相应的源/目标角色，同时充分利用有向图的语义。我们还挖掘了有向图评价的局限性，并提出了一个明确的策略，用于评价有向图中的链接预测和图重构。我们进行了广泛的实验，以展示我们的有效性在几个现实世界的数据集上的链接预测，节点分类和图形重建任务。我们表明，我们的方法的嵌入确实是强大的，可推广的，以及在多种任务和图形的表现。我们表明，我们始终优于所有基线的节点分类任务。除了提供我们的方法的理论解释，我们还表明，我们是相当强大的比其他有向图的方法。
2019-06-28 cs.LG cs.SI stat.ML
Overlapping and nonoverlapping models
China University of Mining and Technology（中国矿业大学）
考虑具有$K_{r}$行社区和$K_{c}$列社区的有向网络。以前的工作发现，建模有向网络中的所有节点有重叠的属性需要$K_{r}=K_{c}$的可识别性。本文提出了一个重叠和非重叠模型来研究行节点具有重叠性而列节点不具有重叠性的有向网络。当$K_{r}\leq K_{c}$ .同时，我们提供了一个可识别的模型，作为扩展的ONM模型的节点度的变化有向网络。设计了两种谱估计算法来拟合模型，理论上保证了估计的一致性。一个小规模的数值研究被用来说明算法。
2021-11-02 cs.LG cs.SI physics.soc-ph
Adversarial Directed Graph Embedding
Beihang University（北京航空航天大学）；Nanjing University of Aeronautics and Astronautics（南京航空航天大学）；Lehigh University（理海大学）
有向图的节点表示学习对于促进许多图挖掘任务至关重要。为了获取节点间的有向边，现有方法大多为每个节点学习两个嵌入向量，即源向量和目标向量。然而，这些方法分别学习源向量和目标向量。对于入度或出度很低的节点，不能有效地学习相应的目标向量或源向量。在本文中，我们提出了一种新的有向图嵌入框架的基础上生成对抗网络，称为DGGAN。其主要思想是使用对抗机制来部署一个学习器和两个生成器，共同学习每个节点的源向量和目标向量。对于一个给定的节点，两个生成器被训练成从相同的底层分布中生成其伪目标和源邻居节点，而伪邻居节点的目标是区分邻居节点是真的还是假的。这两个生成器被构造成一个统一的框架，可以相互加强，以学习更强大的源和目标向量。大量的实验表明，DGGAN在有向图上的多个图挖掘任务中始终显着优于现有的最先进的方法。
2021-05-24 cs.LG cs.SI
SDGNN: Learning Node Representation for Signed Directed Networks
CAS Key Laboratory of Network Data Science and Technology, Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所网络数据科学与技术重点实验室）；University of Chinese Academy of Sciences（中国科学院大学）
网络嵌入旨在将网络中的节点映射为低维向量表示。图神经网络（GNN）已经受到广泛关注，并在学习节点表示方面具有最先进的性能。然而，大多数GNN只在无符号网络中工作，其中只存在正链接。将这些模型转化为符号有向网络并不容易，因为符号有向网络在现实世界中被广泛观察，但研究较少。在本文中，我们首先回顾了两个基本的社会学理论（即，地位理论和平衡理论），并在真实世界的数据集上进行实证研究，以分析有符号有向网络中的社会机制。在社会学相关理论的指导下，提出了一种新的符号有向图神经网络模型SDGNN，用于学习符号有向网络的节点嵌入。该模型同时重建链接标志，链接方向，并签署有向三角形。我们验证了我们的模型的有效性五个现实世界的数据集，这是常用的基准签署网络嵌入。实验表明，该模型优于现有的模型，包括基于特征的方法，网络嵌入方法，和几个GNN方法。
2023-03-16 cs.AI cs.SI
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
A generative model for community types in directed networks
本文提出一种网络演化生成模型，可复现有向网络中四种成对社区类型，通过平均场解揭示了模型参数对社区关系的影响，阐明了不同社区类型转变的机制及观测背后的原理。
2024-05-23 cs.SI physics.soc-ph
Community detection in directed acyclic graphs
一些时间网络，最著名的是引用网络，自然地表示为有向无环图（DAG）。为了检测DAG中的社区，我们通过定义适当的空模型（即，随机化网络）尊重节点的顺序。我们实现了一种谱方法，以近似最大化所提出的模块性度量，并在引用网络和其他DAG上测试该方法。我们发现，达到的值的模块化的DAG是相似的分区，我们通过最大化建议的模块化（设计的DAG），模块化的无向网络和一般有向网络。换句话说，如果我们忽略给定的DAG中节点的顺序（以及链接的方向）并最大化传统的模块性度量，则获得的分区接近于DAG模块性意义上的最佳分区。
2015-08-12 cs.SI physics.soc-ph
Resolution of ranking hierarchies in directed networks
识别有向图中节点的层次结构和排名在许多应用中是基础的，例如社会网络分析、生物学、经济学和金融学。最近提出的一种方法确定的层次结构，通过寻找有序分区的节点，最大限度地减少得分函数，称为痛苦。该函数根据违反的强度来惩罚违反层次结构的链接。为了研究等级层次的分辨率，我们引入了一个随机图的合奏，排名随机块模型。我们发现，痛苦可能无法识别层次结构时，结构不够强大，类的大小是相对于整个网络小。我们分析了分辨率阈值，我们表明，一个迭代版本的痛苦可以部分克服这个分辨率限制。
2017-07-04 cs.SI physics.soc-ph
Influence, originality and similarity in directed acyclic graphs
我们介绍了一个框架，网络分析的基础上随机游走有向无环图，通过一个给定的节点的概率是关键成分。我们说明了它在评估节点的相互影响和发现引文网络中的开创性论文中的用途。我们进一步引入了一个新的相似性度量，并在一个简单的个性化推荐过程中进行测试。该度量的性能与经典的相似性度量相当，从而进一步支持了我们的框架的有效性。
2011-08-18 cs.DL cs.SI physics.soc-ph
A Probabilistic Model for Node Classification in Directed Graphs
本文提出一种面向有向图的概率生成式分类模型，利用最大似然或最大后验估计预测节点标签，兼具高可解释性，并在两个数据集上取得优于或媲美最先进方法的性能。
2025-01-03 cs.LG cs.SI
Role-similarity based comparison of directed networks
复杂网络的广泛相关性是分析广泛系统的宝贵工具。需要能够提取有意义的信息并能够在不同系统之间进行比较的工具。我们提出了一种新的措施，在不同的网络节点之间的相似性作为自相似性的概念的推广。相似性矩阵被组装为包含每个节点的所有长度的进出路径的特征向量之间的距离。因此，在相似流环境中操作的节点被认为是相似的，而不管网络成员。我们证明，这种方法有可能是有影响力的任务，如分配身份或功能的未表征的节点。此外，对原始结果进行图分区的创新应用将这一概念扩展到了网络底层角色结构的比较。
2011-03-29 cs.SI physics.soc-ph q-bio.MN
Motif-driven Dense Subgraph Discovery in Directed and Labeled Networks
网络中的密集区域是有趣和不寻常信息的指示器。然而，大多数现有的方法只考虑简单的，无向的，未加权的网络。然而，现实世界中的复杂网络通常具有丰富的信息：边是不对称的，节点/边具有分类和数值属性。根据这些丰富的信息在这样的网络中寻找稠密子图是一个具有许多应用的重要问题。此外，大多数现有算法忽略了高阶关系（即，在节点之间。模体被证明是有帮助的密集子图发现，但它们在异构网络中的广泛频谱使得它具有挑战性，有效地利用它们。在这项工作中，我们提出了夸克分解框架来定位密集的子图，丰富的一个给定的模体。我们专注于网络的有向边缘和分类属性的节点/边缘。对于一个给定的主题，我们的框架建立子图，称为夸克，在不同的质量和层次关系。我们的框架是通用的，高效的，可扩展的。我们讨论了我们的框架的局限性和实际的实例，以及在有向网络中需要考虑的角色混淆问题。我们给出了一个广泛的评估我们的框架，有向，有符号的，和节点标记的网络。我们考虑各种图案和评估夸克分解使用几个现实世界的网络。结果表明，夸克分解的性能优于国家的最先进的技术。我们的框架也是实用的和可扩展的网络与高达101 M的边缘。
2021-03-04 cs.SI math.CO physics.soc-ph
Sampling-based Estimation of In-degree Distribution with Applications to Directed Complex Networks
本文的重点是从抽样网络节点或边估计有向网络的入度分布。一些抽样方案被认为是，包括随机抽样和不更换，和几种方法的基础上随机游动可能的跳跃。当对节点进行采样时，假设只有该节点的外边缘是可见的，也就是说，没有观察到该节点的入度。建议估计的入度分布是基于两种方法。反演方法利用原始和样本入度分布之间的关系，并且可以估计入度分布的大部分，但不能估计分布的尾部。入度分布的尾部通过渐近方法估计，该方法本身有两个版本：一个假设幂律尾部，另一个假设一般形式的尾部。这两种估计方法在合成网络和真实网络上进行了检验，具有良好的性能结果，特别是渐近方法。
2018-10-02 cs.SI physics.soc-ph stat.ME
Reconstruction of Directed Networks from Consensus Dynamics
本文讨论了一个未知的，加权的，有向网络运行的共识动力学的拓扑结构识别问题。我们提出了一种方法来重建网络拓扑结构的动态响应时，系统是由未知的功率谱密度的广义平稳噪声刺激。该方法基于节点淘汰或接地过程，其中接地节点广播零而不从网络中消除。在这个方向上，我们测量接地和未接地共识的每对节点之间的输出的经验交叉功率谱密度，以重建网络的未知拓扑结构。我们还建立，在无向或纯单向网络的特殊情况下，重建不需要接地。最后，我们扩展我们的结果的情况下，一个有向网络假设的一般动力学，并证明了所开发的方法可以检测边缘和它们的方向。
2013-03-15 cs.SI math.OC physics.soc-ph
Decoupled Variational Embedding for Signed Directed Networks
Cooperative Medianet Innovation Center, Shanghai Jiao Tong University（上海交通大学协同媒体创新中心）
符号有向网络的节点表示学习在链接符号预测、节点分类和节点推荐等实际应用中受到了广泛的关注。挑战在于如何充分编码网络的复杂拓扑信息。目前的研究主要集中在保持一阶网络拓扑结构，这表明节点的紧密关系。然而，这些方法通常无法捕捉高阶拓扑结构，表明节点的局部结构，并作为网络拓扑结构的一个重要特征。此外，对于一阶拓扑，不存在的链路的附加值在很大程度上被忽略。在本文中，我们提出了学习更多的代表性节点嵌入，同时捕获的一阶和高阶拓扑符号有向网络。特别是，我们重新制定的表示学习问题的有向网络变分自动编码的角度来看，并进一步发展了解耦变分嵌入（DVE）方法。DVE利用一个专门设计的自动编码器结构来捕获符号有向网络的一阶和高阶拓扑，从而学习更具代表性的节点嵌入。在三个广泛使用的真实世界数据集上进行了广泛的实验。在链路标记预测和节点推荐任务上的综合结果证明了DVE的有效性。定性的结果和分析也提供了一个更好的理解DVE。
2020-08-28 cs.LG cs.SI stat.ML
Discovering overlapping communities in multi-layer directed networks
本文提出多层混合成员随机共块模型及谱方法，用于检测多层有向网络中的非对称重叠社区，理论证明并实验验证了其一致性及提高稀疏性、节点数或层数可提升检测精度。
2025-02-27 cs.SI stat.ME
Digraphwave: Scalable Extraction of Structural Node Embeddings via Diffusion on Directed Graphs
KTH Royal Institute of Technology（瑞典皇家理工学院）；SEB Group（SEB集团）
结构节点嵌入，即捕获图中每个节点的局部连通性信息的向量，在数据采掘和机器学习中有许多应用，例如，网络对齐和节点分类、聚类和异常检测。对于有向图的分析，例如，在事务图、通信网络和社交网络中，捕获结构节点嵌入中的方向信息的能力是非常期望的，嵌入提取方法的可扩展性也是如此。然而，大多数现有的方法仅针对无向图设计。因此，我们提出了一个可扩展的算法，用于提取有向图上的结构节点嵌入。的Digraphwave嵌入由压缩的扩散模式签名，这是两次增强，以增加其辨别能力。通过证明扩散初始化节点局部附近所含热量的下限，建立了理论上合理的扩散时间尺度值，并且只剩下两个易于解释的超参数：嵌入维数和邻域分辨率指定符。在我们的实验中，两个嵌入增强，命名为转置和聚合，显示出导致分类自守身份的宏F1得分显着增加，其中Digraphwave优于所有其他结构嵌入基线。此外，Digraphwave在真实图数据集上的性能优于或匹配所有基线的性能，在网络对齐任务中显示出特别大的性能增益，同时还可扩展到具有数百万个节点和边的图形，运行速度比以前的基于扩散模式的方法快30倍，并且内存消耗很小。
2022-07-20 cs.LG cs.SI
Analytical results for the in-degree and out-degree distributions of directed random networks that grow by node duplication
我们提出了精确的结果的度分布在一个有向网络模型，增长的节点重复（ND）。这些模型在研究基因调控网络和科学引文网络的结构和增长动力学方面是有用的。从初始种子网络开始，在每个时间步长处，选择随机节点（母节点）进行复制。它的子节点被添加到网络中，并以概率p复制母节点的每个传出链路。此外，子节点形成到母节点本身的有向链路。我们得到了在时间t的入度分布$P_t(K_{in}=k)$和出度分布$P_t(K_{out}=k)$的分析结果。入度遵循移动幂律，因此网络是渐近无标度的。相反，出度分布是窄的，并且在稀疏网络极限中收敛到泊松分布，而在密集网络极限中收敛到高斯分布。这种宽的入度分布和窄的出度分布之间的区别在科学引文网络等经验网络中很常见。使用这个，我们计算平均度$\langle K_{in}\rangle_t=\langle K_{out}\rangle_t$，它收敛到$1/(1-p)$在大网络的限制，为整个范围的$0<p<1$。这与相应的无向网络相反，无向网络在$p=1/2$处表现出相变，使得对于$p>1/2$，平均度在大网络极限中发散。我们还提出了从一个随机节点的上游和下游节点的数量分布的分析结果。平均值$\langle N_{up}\rangle_t=\langle N_{down}\rangle_t$与网络规模成比例关系，这意味着只有一小部分节点对通过有向路径连接，不像无向ND情况，…
2019-08-16 cond-mat.dis-nn cond-mat.stat-mech cs.SI
Role-based similarity in directed networks
日益复杂的网络的广泛相关性需要方法来提取这些系统的有意义的粗粒度表示。对于无向图，标准社区检测方法使用主要基于连接密度的标准来提供这种表示。我们提出了一种方法分组节点在有向网络中的作用的基础上，在网络中的传入和传出的流的模式理解。角色分组是通过相似性矩阵的聚类来获得的，该相似性矩阵由包含每个节点的所有长度的进出路径的数量的特征向量之间的距离形成。因此，在类似的流环境中操作的节点被分组在一起，尽管它们本身可能不是密集连接的。我们的方法，其中包括一个比例因子，揭示了强大的分组的基础上日益全球化的结构，提供了一种替代标准，以揭示网络中的结构，其中有一个隐式的流量传输系统。我们说明了它的应用程序，从生态，世界贸易和细胞代谢的各种数据。
2010-12-13 cs.SI nlin.AO physics.soc-ph
Key to Network Controllability
Liu等人最近提出了在有向网络上获得完全结构可控性所需的驱动节点的最小数量。驱动程序节点是不匹配的节点，从这些节点有指向所有匹配节点的路径。他们最重要的主张是，系统的可控性在很大程度上是由底层网络的度分布$P(k_{in}, k_{out})$编码的。网络的可控性是否几乎完全取决于节点的近邻，而即使是稍微远一点的节点也不起作用？出于上述问题的动机，在本次交流中，我们认为，一个有效的理解在有向网络的可控性可以达到使用基于距离的措施的接近中心和介数中心，可能不需要的知识，如在度和出度的局部连接措施。
2012-09-17 cond-mat.stat-mech cs.SI physics.soc-ph
Learning Embeddings of Directed Networks with Text-Associated Nodes---with Applications in Software Package Dependency Networks
University of Southern California（南加州大学）；University of California, Berkeley（加州大学伯克利分校）
网络嵌入由网络中每个节点的矢量表示组成。它的有用性已经在许多现实世界的应用领域，如社交网络和Web网络中显示。具有与每个节点相关联的文本的有向网络，例如软件包依赖性网络，是常见的。然而，据我们所知，它们的嵌入迄今尚未被专门研究。在本文中，我们提出了PCTADW-1和PCTADW-2，两个算法的基础上神经网络，学习嵌入有向网络与文本与每个节点。我们创建了两个新的节点标记的网络：两个流行的GNU/Linux发行版Debian和Fedora中的包依赖网络。我们的实验表明，我们的算法产生的嵌入导致节点分类的质量比这两个网络上的各种基线更好。我们观察到在软件包依赖网络的网络嵌入中存在系统的类比（类似于词嵌入中的类比）。据我们所知，这是第一次在网络和文档嵌入中观察到这种系统性的类比。我们进一步证明了这些网络嵌入可以新颖地用于更好地理解软件属性，如软件的开发过程和用户界面等。
2020-11-26 cs.LG cs.SE cs.SI
Heterogeneous Recovery Rates against SIS Epidemics in Directed Networks
通信网络中的节点可能并且最有可能配备有不同的恢复资源，这允许它们以不同的速率从病毒中恢复。在本文中，我们的目的是了解知道如何分配有限的恢复资源，以有效地防止流行病的传播。研究了有向无标度网络上的易感-感染-易感（SIS）传染病模型。在经典的SIS模型中，一个易感节点可以被一个被感染的邻居以感染率$β$感染，并且一个被感染的节点可以以恢复率$δ$恢复为易感节点。在稳定状态下，一小部分$y_\infty$节点被感染，这表明网络被感染的严重程度。我们建议根据节点$i$的入度和出度- $δ_i\scriptsize{\sim}k_{i,in}^{α_{in}}k_{i,out}^{α_{out}}$为节点$i$分配恢复率$δ_i$，给定有限的平均恢复率$\langleδ\rangle$代表整个网络上有限的恢复资源。我们发现，通过调整两个标度指数$α_{in}$和$α_{out}$，我们总是可以减少感染分数$y_\infty$，从而减少感染的程度，相比均匀的恢复率分配。通过对指数$α_{in}$和$α_{out}$的最优选择，我们可以找到我们的最优策略。我们的最优策略表明，当恢复资源充足时，应该将更多的资源分配给入度或出度较大的节点，而当恢复资源非常有限时，只应将更多的资源分配给出度较大的节点。我们还发现，我们的最优策略更好地工作时，恢复资源是足够的，但尚未能够使流行病灭绝，当深度outde…
2014-08-29 cs.SI physics.data-an physics.soc-ph
A Fast Sampling Method of Exploring Graphlet Degrees of Large Directed and Undirected Graphs
探索小连通和诱导子图模式（CIS模式，或graphlets）最近引起了相当大的关注。尽管最近在计算实例的数量上做出了努力，但是特定的小图出现在大型图中（即，同构于小图的CIS的总数），很少关注表征节点的小图度，即，同构于包含节点的小图的CIS的数量，这是分析诸如社交和生物网络的复杂网络的重要度量。与全局图计数类似，由于问题的组合性质，计算大型图的节点图度是具有挑战性的。不幸的是，以前计算全局graphlet计数的方法不适合解决这个问题。本文提出了无向图和有向图节点度的抽样估计方法，并分析了估计的误差。据我们所知，我们是第一个研究这个问题，并给出一个快速可扩展的解决方案。我们在各种真实数据集上进行实验，证明我们的方法可以准确有效地估计具有数百万条边的图的节点graphlet度。
2016-04-29 cs.SI
A Simple and Scalable Graph Neural Network for Large Directed Graphs
Megagon Labs（Megagon实验室）；Osaka University（大阪大学）
本文针对大型有向图节点分类，系统基准测试节点表示与边方向感知组合，并提出融合全部组合的简单可扩展 GNN 方法 A2DUG，准确率最高提升 11.29。
2023-12-06 cs.LG cs.SI
A Directed, Bi-Populated Preferential Attachment Model with Applications to Analyzing the Glass Ceiling Effect
在无向网络的背景下，偏好依恋、同质性及其后果（如玻璃天花板效应）已经得到了很好的研究。然而，缺乏一个直观的，理论上易于处理的模型的有向，双填充~（即，~含有两个基团）网络，具有可变的优先连接水平，同质性和生长动力学~（例如，~新节点加入的速率、新节点主要跟随现有节点还是现有节点跟随它们等）。在很大程度上阻止了在有向网络的背景下探索这种后果，在有向网络中，由于链接的不对称性，它们更自然地发生。为此，我们提出了一个严格的理论分析的\emph{Directed Mixed Preferential Attachment}模型，并使用它来分析有向网络中的玻璃天花板效应。更具体地说，我们推导出封闭形式的表达式的幂律指数的在和出度分布的每个组~（少数和多数），并将它们相互比较，以获得见解。特别是，我们的结果产生的问题，如：\emph{when does the minority group have a heavier out-degree (or in-degree) distribution compared to the majority group? what effect does frequent addition of edges between existing nodes have on the in- and out- degree distributions of the…
2021-03-22 cs.SI cs.SY eess.SY
Cycle flow based module detection in directed recurrence networks
我们提出了一个新的循环流为基础的方法来寻找加权有向网络的模糊划分的时间序列数据。我们表明，这种方法克服了现有的聚类方法，往往忽略重要的方向信息，只考虑一步，单向节点连接的基本问题。我们的方法引入了一种新的测量节点之间的通信，使用多步，双向转换编码的概率流的循环分解。该度量的对称属性使我们能够构建一个无向图，该无向图捕获数据所看到的原始图的信息流，并应用为无向图设计的聚类方法。最后，我们通过分析地震时间序列数据来证明我们的算法，这些数据自然地诱导（时间）定向网络。本文最初发表在EPL，DOI：10.1209/0295-5075/108/68008。此版本与发布的版本略有不同，格式细节。
2017-01-19 cs.SI physics.data-an physics.soc-ph
Efficient estimation and inference for the signed $β$-model in directed signed networks
本文针对有向符号网络提出符号β模型，通过分解网络、嵌入节点潜在因子构建模型，开发单步估计算法解决非凹对数似然的参数估计问题，建立推断方法实现节点排序的不确定性量化及FDR控制，经实验验证了有限样本性能。
2023-10-06 cs.SI stat.ME
Grounding force-directed network layouts with latent space models
本文基于潜空间模型推导力导向布局的力方程，使网络可视化位置对应潜空间模型下的最大似然，并在真实网络与调查数据上验证其可解释性和布局效果。
2022-02-01 cs.SI
Opinion Optimization in Directed Social Networks
基于FJ模型在有向无权网络中研究意见优化问题，通过选择少量节点并将其内在意见改为0以最小化均衡平均意见，设计了精确算法与基于生成森林采样的快速算法，实验证明两者均优于基准且快速算法可扩展至两千万节点以上的大规模图。
2023-06-29 cs.SI
Sender--Receiver Community Detection in Directed Networks via Node-Role-Constrained Edge Clustering
Institute of Mathematics, Vietnam Academy of Science and Technology（越南科学技术院数学研究所）
提出TT-SR框架，为每个节点分配发送者和接收者角色，通过双层次规则优化角色分配，在保持可解释性的同时提升有向边社区恢复性能。
2026-06-17 cs.SI
Gravity-Inspired Graph Autoencoders for Directed Link Prediction
Deezer Research & Development（Deezer研发部）；LIX, École Polytechnique（巴黎综合理工学院计算机科学实验室）；AUEB（雅典经济与商业大学）
图自编码器（AE）和变分自编码器（VAE）是最近出现的强大的节点嵌入方法。特别是，图AE和VAE被成功地利用来解决具有挑战性的链接预测问题，旨在弄清楚图中的一些节点对是否由未观察到的边连接。然而，这些模型专注于无向图，因此忽略了链接的潜在方向，这限制了许多现实生活中的应用。在本文中，我们扩展了图AE和VAE框架，以解决有向图中的链接预测。我们提出了一个新的重力启发解码器方案，可以有效地重建有向图从节点嵌入。我们经验评估我们的方法对三个不同的有向链接预测任务，标准图AE和VAE表现不佳。我们在三个真实世界的图表上取得了有竞争力的结果，超过了几个流行的基线。
2022-06-06 cs.LG cs.SI stat.ML
Two-way Node Popularity Model for Directed and Bipartite Networks
针对有向与二部网络社区检测未考虑节点流行度的问题，提出TNPM概率框架、DOM拟合方法与TSDC大规模算法，兼具精度与效率，可应用于真实网络分析。
2024-12-11 cs.SI math.ST stat.CO
On the Preservation of Input/Output Directed Graph Informativeness under Crossover
该研究针对输入输出连接网络，以IOD图为模型，定义交叉操作并分析其对信息性的保持，证明特定条件下部分信息性可保留但完全信息性未必，为进化计算应用提供理论基础。
2025-04-14 cs.SI
Fast Computation of Kemeny's Constant for Directed Graphs
针对有向图上 Kemeny 常数精确计算成本高、现有近似方法受限的问题，提出两种具有理论误差保证的快速近似算法，并在真实网络上证明其效率与准确性优势。
2024-09-09 cs.SI
Potential Theory for Directed Networks
揭示网络形成的潜在因素是数据挖掘和网络分析的一个长期挑战。特别是，有向网络的微观组织原理比无向网络的微观组织原理更不容易理解。本文提出了一个势理论假设，即每个有向连接对应于一个单位势的减少，并且所有节点的势值都可定义的子图是优选的。结合势函数理论、聚类机制和同伦机制，推导出由4个节点和4个有向链路组成的Bi-fan结构是有向网络中最受青睐的局部结构。我们的假设得到了来自不同领域的15个有向网络的广泛实验的强烈支持，如链接预测框架内的Bi-fan预测器的最准确和最强大的性能所示。综上所述，本文的主要贡献有两个方面：（i）提出了一种新的有向网络局部组织机制;（ii）设计了相应的链接预测算法，不仅验证了我们的假设，而且在缺失链接预测和友谊推荐中找到了直接的应用。
2013-07-31 cs.IR cs.SI physics.data-an
A Multi-purposed Unsupervised Framework for Comparing Embeddings of Undirected and Directed Graphs
SGH Warsaw School of Economics（华沙经济学院）；Ryerson University（瑞尔森大学）；Tutte Institute for Mathematics and Computing（塔特数学与计算研究所）
图嵌入是将网络的节点转换为一组向量。一个好的嵌入应该捕获底层图的拓扑和结构、节点到节点的关系，以及关于图、其子图和节点本身的其他相关信息。如果实现了这些目标，嵌入就是一个有意义的、可理解的、通常是压缩的网络表示。不幸的是，选择最佳嵌入是一项具有挑战性的任务，通常需要领域专家。在本文中，我们扩展了最近介绍的作者评价图嵌入的框架。现在，该框架为每个嵌入分配了两个分数，局部和全局，用于衡量评估嵌入的质量，这些嵌入需要分别良好地表示网络的局部和全局属性。如果需要，可以以无监督的方式选择最佳嵌入，或者框架可以识别一些值得进一步研究的嵌入。该框架是灵活的，可扩展的，可以处理无向/有向，加权/未加权图。
2021-11-30 cs.LG cs.SI
Cycle Analysis of Directed Acyclic Graphs
在本文中，我们采用分解的一个有向网络作为一个无向图加上其相关的节点元数据，通过找到一个最小的无向图的循环基，并增加其组件的方向信息，以恢复在有向网络中发现的循环结构。我们发现，只有四类有向循环存在，它们可以完全区分的组织和数量的源-汇节点对和它们的反链结构。我们对有向无环图特别感兴趣，并介绍了一组使用有向无环图元数据信息来描述最小循环基的度量。特别是，我们用数值方法证明了传递约简稳定了我们引入的度量所测量的最小循环基的性质，同时保留了有向无环图的关键性质。这使得有向无环图和它们所代表的系统的度量一致。我们测量的四个模型的传递性减少有向无环图的最小循环基的特性，并表明，引入的度量是能够区分的模型，并敏感于其生成机制。
2021-08-05 cs.SI physics.app-ph
The Iterated Local Directed Transitivity Model for Social Networks
我们引入了一个新的有向图模型的社交网络，基于三元组的传递性。在迭代局部有向传递性（ILDT）模型中，新节点在离散时间步上产生，并继承其父结点的链接结构。ILDT模型可以被看作是\cite{ilt}中引入的无向图的ILT模型的有向模拟。我们研究了ILDT有向图的网络科学和图论性质。我们证明了ILDT模型具有致密化幂律，因此模型生成的有向图随时间而致密化。研究了有向三元组的个数，给出了有向3-圈和传递$3$ -圈的个数. ILDT模型产生了更多的传递3-圈，如在现实世界中发现的，在线社交网络。在所选初始有向图的许多实例中，该模型最终生成具有哈密尔顿有向圈的图。最后，我们讨论了ILDT有向图的邻接矩阵的特征值，并提供了进一步的方向。
2020-04-05 cs.SI math.CO
Breaking the Entanglement of Homophily and Heterophily in Semi-supervised Node Classification
Beijing Institute of Technology（北京理工大学）
针对现有图神经网络受同质性假设限制、忽略有向边导致性能受限的问题，提出AMUD方法自适应建模有向图，搭配ADPA新型有向图学习范式，在16个基准数据集上性能较基线提升3.96。
2024-03-11 cs.AI cs.LG cs.SI
Finding coherent node groups in directed graphs
University of Helsinki（赫尔辛基大学）
本文提出了一种在有向图中寻找连贯节点组的方法，通过惩罚交叉边和迭代优化实现，适用于一般情况下的近似算法及特定结构的精确求解。
2025-12-05 cs.DS cs.SI
Modeling Viral Information Spreading via Directed Acyclic Graph Diffusion
针对现有图扩散仅支持双向传播的局限，提出基于有向无环图（DAG）的扩散模型，利用图嵌入和DAG拉普拉斯矩阵谱性质，准确建模单向病毒式信息传播，并在多种图结构上验证有效性。
2023-12-22 cs.SI eess.SP
Directed mixed membership stochastic blockmodel
Chongqing University of Technology（重庆理工大学）；Nankai University（南开大学）
本文提出有向混合成员随机块模型（DiMMSB）及高效谱方法DiSP，用于有向重叠社区网络的混合成员估计，理论误差界与实验验证其高效准确。
2026-09-09 cs.LG cs.SI stat.ML
Spectral Algorithms for Community Detection in Directed Networks
The Ohio State University（俄亥俄州立大学）；University of Georgia（佐治亚大学）
大型社交网络中的社区发现受到节点度异质性的影响。为了减少这种影响，引入了有向网络的D-SCORE算法，在聚类前对邻接矩阵的奇异向量进行元素比计算。统计学家引文网络获得了有意义的结果，但缺乏对其性能的严格分析。首先，本文建立了有向度校正块模型（Directed-DCBM）的算法及其变体的理论保证。其次，本文提供了显着的改进，原来的D-SCORE算法通过附加的社区核心以外的节点使用原始网络的信息，而不是奇异向量。
2020-08-09 cs.LG cs.SI math.ST
Role extraction by matrix equations and generalized random walks
针对有向网络的角色提取问题，本文提出一种定义为矩阵方程解的新型相似性矩阵，利用双向广义随机游走计算节点相似性，在异质度分布网络中表现优异。
2025-02-18 cs.NA cs.SI math.NA
