ABACUS: frequent pAttern mining-BAsed Community discovery in mUltidimensional networkS
复杂网络中的社区发现是针对网络中的每个节点,根据相似性函数来检测其对多个节点组(社区)中的一个的成员资格的问题,这些节点组是密集连接的,或高度交互的,或更一般地,相似的。到目前为止,这个问题已经在一维网络中得到了广泛的研究,即两个实体之间只能存在一个连接的网络。然而,真实的网络通常是多维的,即,在任何两个节点之间可以存在反映不同种类的关系或者表示相同类型的联系的不同值的多个连接。在这种情况下,社区发现的问题必须重新定义,考虑到多维结构的图。我们定义了一个新的社区概念,将共享成员资格的节点聚集在一起,在不同的一维中共享相同的一维社区。正如我们所展示的,这样的社区是有意义的,能够将高度相关的节点分组,即使它们在任何一维网络中可能都没有连接。我们设计了ABACUS(Apriori-Based Community Discoverer in mUltidimensional networkS),一种能够基于应用于一维社区成员关系的先验项集挖掘器提取多维社区的算法。在两个不同的真实多维网络上的实验证实了所引入的概念的意义,并为一类新的社区发现算法开辟了道路,这些算法不依赖于节点之间的密集连接。
2013-06-26 cs.SI physics.soc-ph
Shortest Path Discovery in the Multi-layered Social Network
多层社交网络由多个连接所连接的固定节点集合组成。这些连接可以从记录在IT系统中的不同类型的用户活动导出。为了计算多层网络的任何结构测度,应该以参数化的方式处理这众多的关系。本文提出了两种独立的多层社交网络中最短路径评估算法。第一种方法是基于预处理-将多个链路聚合成单个多层边缘,而在第二种方法中,许多边缘在路径发现的中间被“即时”处理。DBLP数据库转换成多层社会网络进行了实验研究,以及。
2012-10-18 cs.SI physics.soc-ph
Community Discovery in Dynamic Networks: a Survey
为模拟现实世界现象而构建的网络具有一些吸引科学界关注的特性:(i)它们是根据社区结构组织的;(ii)它们的结构随时间而演变。许多研究人员致力于研究可以有效揭示复杂网络中的子结构的方法,从而诞生了社区发现领域。最近,一个新的和具有挑战性的问题开始引起研究人员的兴趣:不断发展的社区的识别。为了模拟系统的演化,可以使用动态网络:节点和边缘是可变的,它们的存在或缺失会深刻影响组成它们的社区结构。本调查的目的是提出动态社区发现的独特特征和挑战,并提出了一个分类的方法。作为一个“用户手册“,这项工作组织成一个分类的基础上,他们的基本原理,他们的具体实例化的最先进的方法。鉴于网络动态、社区特征和分析需求的理想定义,这项调查将支持研究人员确定最适合其需求的一套方法。拟议的分类还可以帮助研究人员选择未来研究的方向。
2019-09-03 cs.SI physics.soc-ph
Peeling Bipartite Networks for Dense Subgraph Discovery
发现密集的二部子图并检测它们之间的关系是在一系列领域中出现的联系网络的一个重要问题,例如社会网络分析,单词文档聚类,科学,互联网广告和生物信息学。然而,大多数稠密子图发现算法是为经典的单部图设计的。随后,在同现图上进行了关于联系网络的研究(例如,共同作者和共同购买),其通过连接两个实体(如果它们共享从属关系的话)来将二分结构投影为一分结构。尽管它们很方便,但同现网络的代价是信息丢失和图大小爆炸,这限制了解决方案的质量和效率。研究了二部图上的稠密子图发现问题。我们定义了一个框架的基础上的蝴蝶图案(2,2-biclique)的二部子图模型的层次结构中的密集区域。我们引入有效的剥离算法来找到稠密的子图,并建立它们之间的关系。与现实世界数据中的同现图上的最先进算法相比,我们可以识别更密集的结构。我们对作者-论文网络和用户-产品网络的分析产生了有趣的子图和层次关系,例如同一机构中的合作者和垃圾邮件发送者的分组。
2017-11-28 cs.SI physics.soc-ph
The Structure of Interdisciplinary Science: Uncovering and Explaining Roles in Citation Graphs
角色发现是将图上的节点集划分为结构相似角色的类的任务。角色发现的现代策略通常依赖于图嵌入技术,该技术能够识别复杂的局部结构。然而,当使用大型的真实网络时,很难解释或验证根据这些方法识别的一组角色。在这项工作中,在可解释的人工智能(XAI)领域的进步的动机,我们提出了一个新的框架,用于解释大型图上的角色分配使用小的子图结构称为graphlets。我们在一个大型的多学科引文网络上展示了我们的方法,在那里我们成功地识别了一些反映跨学科研究的重要引文模式
2022-06-07 cs.SI
Motif Discovery Algorithms in Static and Temporal Networks: A Survey
模体是复杂系统的基本组成部分。代表复杂系统的网络的拓扑结构以及这些网络中的基序的频率和分布是交织在一起的。图和子图同构问题作为频繁子图挖掘的核心问题,其复杂性直接影响到模体发现算法的性能。为了应对这些复杂性,研究人员采用了不同的策略来进行候选生成和枚举,以及频率计算。在过去的几年里,人们对时态网络的分析和挖掘越来越感兴趣。与静态网络相比,这些网络会随着时间的推移以边、顶点或其属性的插入、删除或替换的形式发生变化。在本文中,我们提供了一个调查的主题发现算法在文献中提出的挖掘静态和时间的网络和审查相应的算法的基础上,他们采用的候选人生成和频率计算的策略。随着社交媒体平台、生物信息学应用、通信和交通网络中大量网络数据的产生以及分布式计算和大数据技术的发展,我们也对解决静态和时态网络挖掘中CPU和I/O受限问题的算法进行了综述。
2020-05-19 cs.SI math.CO physics.soc-ph
Discovery of Important Crossroads in Road Network using Massive Taxi Trajectories
Beijing University of Posts and Telecommunications(北京邮电大学);Tsinghua University(清华大学);Carnegie Mellon University(卡内基梅隆大学);Chongqing University of Posts and Telecommunications(重庆邮电大学)
道路网络分析的一个主要问题是发现重要的交叉口,为交通规划提供有用的信息。然而,现有的方法没有解决的问题,确定网络范围内的重要十字路口,在现实的道路网络。在本文中,我们提出了一种新的基于数据驱动的方法命名为CRRank排名重要的十字路口。本文的主要创新点是将反映实际出行需求的出行网络模型转化为三分图模型,而不是单纯的对路网拓扑结构进行分析。为了准确地计算十字路口的重要性分数,我们提出了一个类似于HITS的排名算法,在该算法中,我们的三分图上执行分数传播的过程。我们使用真实世界的出租车轨迹数据集在CRRank上进行实验。实验验证了CRRank的实用性。
2015-09-18 cs.AI cs.SI physics.soc-ph
Node Embedding via Word Embedding for Network Community Discovery
神经节点嵌入最近已经成为涉及图结构数据的监督学习任务的强大表示。我们利用这一最新进展,开发了一种新的算法,在图中的无监督社区发现。通过大量的实验研究模拟和真实世界的数据,我们证明,所提出的方法不断改善目前的最先进的。具体来说,我们的方法经验上达到的信息理论限制下的基准随机块模型图生成的社区恢复,并表现出更好的稳定性和准确性在谱聚类和非循环的信念传播的社区恢复限制。
2017-06-28 cs.SI physics.soc-ph stat.ML
Network Backbone Discovery Using Edge Clustering
在本文中,我们研究的问题,网络骨干发现。在复杂的系统中,“主干”在执行系统功能方面起着中心作用,并承载大部分系统流量。它还简化并突出了底层网络结构。在这里,我们提出了一个集成的图论和信息理论的网络骨干模型。我们开发了一个有效的挖掘算法的基础上Kullback-Leibler分歧优化过程和最大重量连接子图发现过程。一个详细的实验评估证明了我们的方法的有效性和效率。在现实世界领域的案例研究进一步说明了所发现的网络骨干的有用性。
2012-02-16 cs.DS cs.SI
Advances in Scaling Community Discovery Methods for Signed Graph Networks
社区发现是社会网络分析(SNA)中的一项常见任务,其应用于包括医学、犯罪学和商业在内的各种领域。尽管社区发现很流行,但对于签名网络的最有效方法还没有明确的共识。在本文中,我们总结了社区发现在签署网络的发展和评估当前国家的最先进的技术在几个现实世界的数据集。首先,我们给出了一个全面的背景下,社区发现在签署图。接下来,我们比较了拉普拉斯矩阵的各种适应性,通过在小的有符号图数据集中进行谱聚类来恢复地面实况社区标签。然后,我们评估了领先的算法在小型,大型,密集和稀疏的真实世界的签名图网络上的可扩展性。最后,我们讨论了我们的新发现和建议,以扩展和改进现实世界中签名图社区发现的最先进技术。{Sign图聚类,社区发现,稀疏网络
2022-05-25 cs.SI
DEMON: a Local-First Discovery Method for Overlapping Communities
复杂网络中的社区发现是一个有趣的问题,具有许多应用,特别是在社会和信息网络中的知识提取任务。然而,许多大型网络往往缺乏全球一级的特定社区组织。在这些情况下,传统的图划分算法无法让嵌入在模块化结构中的潜在知识显现出来,因为它们强加了一个自上而下的网络全局视图。我们在这里提出了一个简单的本地优先的方法来发现社区,能够揭开真正的复杂网络的模块化组织。这是通过民主地让每个节点投票给它在其有限的全局系统视图中看到的社区来实现的,即它的自我邻居,使用标签传播算法;最后,本地社区被合并成一个全局集合。我们对最先进的重叠和非重叠社区发现方法进行了测试,发现我们的新方法在获得社区的质量方面明显优于其他方法,通过使用提取的社区来预测有关几个真实世界网络节点的元数据进行评估。我们还展示了我们的方法是如何确定性的,完全增量的,并具有有限的时间复杂度,使它可以用于网络规模的真实网络。
2012-06-04 cs.DS cs.SI physics.soc-ph
Active Discovery of Network Roles for Predicting the Classes of Network Nodes
University of Colorado(科罗拉多大学)
现实世界网络中的节点通常具有类标签或底层属性,这些标签或属性与它们连接到其他节点的方式有关。有时这种关系很简单,例如同一类的节点可能更有可能连接。然而,在其他情况下,这并不正确,网络中节点的链接方式与其属性之间的关系则不同,更为复杂。在这里,我们考虑网络,我们知道节点是如何连接的,但我们不知道节点的类标签或类标签如何与网络链接相关。我们希望识别最佳的节点子集来标记,以了解节点属性和网络链接之间的关系。然后,我们可以使用这个发现的关系来准确地预测其余网络节点的类标签。我们提出了一个模型,识别具有相似链接模式的节点组,我们称之为网络角色,使用生成块模型。然后,该模型通过使用最大间隔分类器学习从网络角色到类标签的映射来预测标签。我们选择一个子集的节点标记根据迭代的边缘为基础的主动学习策略。通过将网络角色的发现与分类器优化相结合,主动学习过程可以使网络角色适应于更好地表示用于节点分类的网络。我们通过探索现实世界中的网络,包括海洋食物网和英语单词网络来展示该模型。我们表明,与其他网络分类器相比,该模型实现了良好的分类精度为一系列的网络类标签和网络链接之间的不同关系。
2014-03-18 cs.LG cs.SI stat.ML
Clarifying the Role of Distance in Friendships on Twitter: Discovery of a Double Power-Law Relationship
这项研究分析了友谊在线社交网络涉及地理距离的地理参考Twitter数据集,它提供了相应的用户之间的确切距离。首先,我们在Twitter上引入了一个强有力的“朋友”定义,要求双向沟通。接下来,通过利用地理标记的提及用户提供,以确定他们的位置,我们介绍了一个两阶段的距离估计算法。作为我们的主要贡献,我们的研究提供了以下新发现的与空间问题相关的友谊度:根据距离的朋友数量遵循双幂律(即,双帕累托定律)分布,表明在用户之间的特定地理距离(称为分离点)之外,与特定Twitter用户成为朋友的概率显著降低。我们的分析提供了更多的细粒度的社会关系在空间中,相比传统的结果,显示出均匀的幂律与距离。
2015-10-20 cs.SI physics.data-an
Authority-based Team Discovery in Social Networks
给定一个专家的社交网络,我们解决了发现一个专家团队的问题,该团队共同拥有完成给定项目所需的一组技能。大多数以前的工作排名可能的解决方案的通信成本,代表在专家网络中的边权重。我们的贡献是考虑到专家的权威,代表节点的权重。我们制定了几个问题,结合通信成本和权力,我们证明了他们是NP-难的,我们提出并实验评估贪心算法来解决这些问题。
2016-11-16 cs.SI
A Classification for Community Discovery Methods in Complex Networks
在过去的几年里,许多现实世界的网络被发现显示出所谓的社区结构组织。在文献中已经投入了大量的精力来开发方法和算法,这些方法和算法可以有效地突出网络的这种隐藏结构,传统上通过划分图来实现。由于网络表示可能非常复杂,并且在传统的图模型中可能包含不同的变体,因此文献中的每个算法都专注于其中一些属性,并显式或隐式地建立自己的社区定义。根据这一定义,它然后提取的社区,能够反映真正的社区的一些功能。本调查的目的是为社区发现问题提供一个手册。给出了什么是社交网络中的社区的Meta定义,我们的目标是根据他们自己对社区的定义来组织社区发现的主要类别。给定一个理想的定义的社区和一个问题的功能(网络的大小,方向的边缘,多维性,等等),这篇综述论文的目的是提供一套方法,研究人员可以专注于。
2012-06-15 cs.DS cs.SI physics.soc-ph
Deep graph convolution neural network with non-negative matrix factorization for community discovery
社区发现是图挖掘的一个重要任务。由于图数据的非结构性、高维性和稀疏性,很难得到合适的社区划分。提出了一种基于非负矩阵分解的深度图卷积神经网络(DGCN-NMF)用于社区发现。DGCN-NMF采用多个图卷积层来获得低维嵌入。在每一层中,最后一个输出和前一个输出的非负矩阵分解的结果被输入到当前层。输入图的社区划分可以通过端到端的方法输出。在实验数据集上对所提出的算法和比较算法进行了验证。实验结果表明,该算法优于比较算法的实验数据集。实验结果表明,DGCN-NMF是一种有效的社区发现算法。
2021-03-08 cs.SI
STEC-Net: A Spatiotemporal Graph Neural Framework for Community Discovery in Dynamic Social Networks
Southern Methodist University(南方卫理公会大学);Qilu Bank(齐鲁银行)
提出STEC-Net,一种集成图卷积网络、门控循环单元和自组织映射的时空图神经框架,用于动态社交网络中的社区发现,在多种动态网络上优于传统方法。
2026-05-22 cs.SI
A repository for discovery and reuse of higher-order network datasets
Faculty of Computer Science RWTH Aachen University(亚琛工业大学计算机学院)
针对高阶网络数据集分散难复用的问题,本文推出AHORN仓库,提供标准化数据集及多种功能,助力高阶网络数据集的发现与互操作复用。
2026-08-06 cs.DL cs.SI physics.data-an
Stochastic Solutions for Dense Subgraph Discovery in Multilayer Networks
网络分析在知识发现和数据采掘中发挥着重要作用。在近年来的许多实际应用中,我们对挖掘多层网络感兴趣,其中我们有许多称为层的边集,这些边集编码同一组顶点上的不同类型的连接和/或时间相关连接。在众多的网络分析技术中,稠密子图发现是一种重要的网络分析技术,其目的是发现网络中的稠密分支,在不同的领域有着广泛的应用。本文提出了一种新的多层网络中稠密子图发现的优化模型。我们的模型旨在找到随机解,即,在顶点子集族上的概率分布,而不是单个顶点子集,然而它也可以用于获得单个顶点子集。对于我们的模型,我们设计了一个基于LP的多项式时间精确算法。此外,为了处理大规模的网络,我们还设计了一个简单的,可扩展的预处理算法,这往往会显着减少输入网络的大小,并在一个显着的加速结果。计算实验验证了模型的正确性和算法的有效性。
2022-11-07 cs.DS cs.SI
The Clinical Trials Puzzle: How Network Effects Limit Drug Discovery
后基因组医学提供的知识深度带来了新药和多种疾病治疗的希望。为了探索这种能力实现的程度,我们从40年来的356,403项临床试验中提取了元数据,旨在为药物发现的创新实践提供机制见解。我们发现传统在创新中占主导地位,因为超过96%的记录试验集中在以前测试的药物靶点上,而测试药物仅针对12%的人类相互作用组。如果目前的模式持续下去,将需要170年才能靶向所有可药用蛋白质。我们发现了两个基于网络的基本机制,目前限制了目标的发现:优先连接,导致重复探索以前的目标蛋白质;和本地网络效应,限制探索与高度探索的蛋白质相互作用的蛋白质。我们建立在这些见解,以开发一个定量的基于网络的药物发现模型。我们证明,该模型能够准确地重建在临床试验中观察到的探索模式。最重要的是,我们表明,基于网络的搜索策略,可以扩大范围的药物发现,引导探索新的蛋白质,在人类相互作用组的探索区域的一部分。
2023-01-25 cs.SI q-bio.QM
SSBM: A Signed Stochastic Block Model for Multiple Structure Discovery in Large-Scale Exploratory Signed Networks
提出SSBM概率模型以发现符号网络中的社区、二部及其共存等多重结构,并结合MML准则与CEM算法实现无先验的模型选择和大规模可扩展学习。
2023-04-21 cs.SI
Service Discovery and Trust in Mobile Social Network in Proximity
面向服务的邻近移动社交网络(MSNP)允许参与者使用异构平台和设备与公共邻近的陌生人建立新的社交互动。这样的特征在发现延迟和可信度方面面临挑战。在由大量参与者组成的面向公共服务的MSNP环境中,搜索由其他MSNP参与者提供的特定服务的内容请求者将需要检索和处理大量的服务描述元数据(SDM)文件、相关联的语义元数据文件以及识别内容提供方的可信度。在资源受限的移动终端上执行这样的任务可能是耗时的,并且整体发现性能将受到影响并且将导致高延迟。本文分析了MSNP的服务发现模型,并提出了相应的解决方案,以提高MSNP的服务发现性能。本文首先介绍并分析了面向服务的MSNP的基本服务发现模型。后续,我们应用上下文感知的用户偏好预测方案,以提高语义服务发现过程的速度。随后,我们解决了MSNP中的可信性问题,并提出了一个方案,以减少可信服务发现MSNP的延迟。所提出的方案已经过测试和评估MSNP应用程序原型上运行的真实移动设备和MSNP仿真环境。
2015-04-07 cs.NI cs.SI
Finding events in temporal networks: Segmentation meets densest-subgraph discovery
在本文中,我们研究的问题,发现一个时间轴的时间网络中的事件。我们将事件建模为在网络活动间隔内发生的密集子图。我们制定的事件发现任务作为一个优化问题,在这里我们搜索的网络时间轴的分区为k个不重叠的间隔,使间隔跨越子图的最大总密度。输出是一系列密集的子图以及相应的时间间隔,捕获网络生命周期中最有趣的事件。我们的优化问题的一个简单的解决方案具有多项式,但运行时间复杂度高得惊人。我们适应现有的最新工作动态稠密子图发现和近似动态规划设计一个快速的近似算法。接下来,为了确保更丰富的结构,我们调整了问题的制定,以鼓励覆盖更大的节点集。这个问题即使对于静态图也是NP难的。然而,在静态图上,由于子模块性,简单的贪心算法会导致近似解。我们将这种贪婪方法扩展到时间网络的情况。然而,近似保证并不成立。然而,根据实验,该算法找到了良好的质量的解决方案。
2018-09-13 cs.DS cs.SI
Using Social Network Information in Bayesian Truth Discovery
Nanyang Technological University(南洋理工大学)
我们调查的问题,真理发现的基础上,从多个代理人谁可能是不可靠的或有偏见的意见。我们考虑的情况下,代理人的可靠性或偏见是相关的,如果他们属于同一个社区,这定义了一组代理人有类似的意见,关于一个特定的事件。对于不同的事件,智能体可以属于不同的社区,而这些社区是先验未知的。我们将知识的代理人的社会网络在我们的真理发现框架和开发拉普拉斯变分推理方法来估计代理人的可靠性,社区和事件状态。我们还开发了一个随机变分推理方法,将我们的模型扩展到大型社交网络。对真实数据的仿真和实验表明,当观测稀疏时,我们提出的方法比其他几种推理方法,包括多数投票,Truthfall,AccuSim,置信度感知的真相发现方法,贝叶斯分类器组合(BCC)方法和社区BCC方法表现得更好。
2019-04-29 cs.LG cs.MA cs.SI
Large Graph Exploration via Subgraph Discovery and Decomposition
我们正在开发一个交互式的图形探索系统,称为图形游乐场,使大型图形的意义。Graph Playground提供了一种快速且可扩展的边分解算法,该算法基于迭代顶点边剥离,可在几秒钟内分解百万边图。Graph Playground引入了一种新颖的图探索方法和3D表示框架,该框架同时揭示了(1)通过分解的层发现的特殊子图结构,(例如,准集团),以及(2)在跨层链接这样的子图模式中可能的顶点角色。
2018-08-13 cs.HC cs.SI
Micro-interventions in urban transport from pattern discovery on the flow of passengers and on the bus network
Universidade de Fortaleza(福塔莱萨大学)
在本文中,我们描述了一个大都市的案例研究,其中从数字传感器收集的数据中,我们试图了解使用公共汽车的人的流动模式,以及如何产生知识,以建议逐步应用到使用中的交通网络的干预措施。我们首先估计了公交车用户的始发地-目的地矩阵,这些矩阵来自关于公交车的车票验证和GPS定位的数据集。然后,我们代表了巴士的供应与他们的路线,通过巴士站作为一个复杂的网络,这使我们能够了解目前的情况下的瓶颈,特别是,应用社区发现技术,以确定集群的服务供应基础设施。最后,从叠加的人的流动在供应网络中的OriginDestination矩阵中表示,我们展示了如何微观干预可以通过一个例子,介绍了快速路线。
2016-06-14 cs.AI cs.SI
Incorporating network based protein complex discovery into automated model construction
University of Cambridge(剑桥大学)
我们提出了一种基于基因表达的癌症表型分析方法,通过无监督的计算图构建,结合网络生物学知识。计算图的结构构建是由蛋白质-蛋白质网络上的拓扑聚类算法驱动的,该算法将源自网络生物学研究的诱导偏差纳入蛋白质复合物发现中。这在结构上限制了假设空间在可能的计算图因子分解,其参数然后可以通过监督或无监督任务设置来学习。计算图的稀疏构造使得能够进行差异蛋白质复合物活性分析,同时还解释了每个个体蛋白质复合物中涉及的基因/蛋白质的个体贡献。在我们分析各种癌症表型的实验中,我们表明所提出的方法在所有任务中都优于SVM,全连接MLP和随机连接MLP。我们的工作引入了一种可扩展的方法,用于将大型交互网络作为先验知识纳入,以推动构建适合内省研究的强大计算模型。
2020-09-29 cs.LG cs.SI q-bio.MN