Explaining the emergence of complex networks through log-normal fitness in a Euclidean node similarity space
不同现象的网络-无论是全球生态，人类社会机构，人类大脑内，还是微观蛋白质相互作用-都表现出广泛一致的结构特征。为了解释这一点，我们提出了一个新的理论，其中链接概率建模的对数正态节点的健身（表面）因素和潜在的欧几里得空间嵌入节点的相似性（深度）因素。基于这一理论的建模在110个网络中的表现大大优于流行的幂律适应度和双曲几何解释。重要的是，该模型的度分布在小密度下类似于幂律分布，在大密度下类似于对数正态分布，为长期存在的关于无标度网络的性质和存在性的争论提供了一个和解的解决方案。验证这一理论，表面因子反演方法的经济世界城市网络和功能磁共振连接体的结果在几何上更对齐最近的邻居网络。这为理解、分析、解构和解释网络现象奠定了新的基础。
2020-10-06 cs.SI physics.soc-ph
Temporal Motif Participation Profiles for Analyzing Node Similarity in Temporal Networks
Case Western Reserve University（凯斯西储大学）
本文提出时间 motif 参与度谱（TMPPs）用于分析时间网络中节点相似性，通过模拟实验和案例研究展示其在揭示节点角色相似性方面的有效性。
2026-02-03 cs.SI physics.soc-ph
Axiomatic Ranking of Network Role Similarity
社交网络和其他复杂网络分析中的一个关键任务是角色分析：根据节点与其他节点的交互方式对节点进行描述和分类。如果两个节点与等价的邻居集交互，则它们具有相同的角色。最基本的角色对等是自守对等。不幸的是，已知的图自同构的最快算法是非多项式的。此外，由于精确的等效性可能很少见，因此更有意义的任务是测量任何两个节点之间的角色相似性。这个任务与SimRank试图解决的结构或基于链接的相似性问题密切相关。然而，SimRank及其大多数分支并不足够，因为它们不能完全识别同构或结构等效的节点。在本文中，我们解决两个问题。首先，角色相似性度量或度量的必要属性是什么？其次，我们如何才能得到一个角色相似性度量满足这些属性？对于第一个问题，我们证明了几个公理性质所需的角色相似性度量或度量：范围，最大相似性，自守等价，传递相似性，和三角不等式。对于第二个问题，我们提出了RoleSim，一个新的相似性度量与一个简单的迭代计算方法。我们严格证明，RoleSim满足所有的公理性质。我们还介绍了一个冰山RoleSim算法，可以保证发现所有对RoleSim分数不低于用户定义的阈值$θ$，而不计算RoleSim的每一对。我们证明了RoleSim在合成和真实数据集上的卓越解释能力。
2011-06-10 cs.SI physics.soc-ph
A study on the performance of similarity indices and its relationship with link prediction: a two-state random network case
相似性指数度量复杂网络中节点对的拓扑接近程度。许多相似性指数已被定义和研究，但结构上的相似性指数的性能的依赖性还没有得到充分的研究。在这项研究中，我们研究了相似性指标的性能和网络的结构属性之间的关系，采用两个状态的随机网络。两状态网络中的节点具有初始给定的二进制类型，并且连接概率由节点对的状态确定。相似性指数的性能影响链接的数量和内部连接与内部连接的比例。相似性指数根据其类型具有不同的特征。局部指数在小规模网络中表现良好，并且不依赖于结构是内部主导还是内部主导。相比之下，全球指数在大规模网络中表现更好，而一些此类指数在互主导结构中表现不佳。我们还发现，在模型网络和经验网络中，链接预测性能和相似性性能都是相关的。这种关系意味着，当节点类型的元数据不可用时，链接预测性能可以用作相似性指数性能的近似值。这种关系可能有助于为给定的网络找到合适的索引。
2018-09-05 cs.SI physics.soc-ph
Node similarity as a basic principle behind connectivity in complex networks
本研究通过Flickr网络数据发现，节点相似性是驱动社交网络通信的关键因素，并可作为网络形成模型解释从稀疏到密集连接社会的拓扑转变。
2015-01-07 cond-mat.stat-mech cs.SI physics.soc-ph
Manipulating Node Similarity Measures in Networks
节点相似性度量量化了网络中一对节点的相似程度。这些相似性度量结果是一个重要的基本工具，为许多现实世界的应用，如链接预测在网络中，推荐系统等。一类重要的相似性度量是局部相似性度量。如果两个节点在它们的相邻节点集之间有很大的重叠，则在局部相似性度量下它们被认为是相似的。通过去除边缘来操纵节点相似性度量是一个重要的问题。例如，这种类型的操纵阻碍了恐怖分子网络中链接预测的有效性。幸运的是，所有围绕操纵相似性度量制定的流行计算问题都是NP难的。在本文中，我们通过参数化复杂性的视角提供了这些问题的细粒度复杂性结果。特别地，我们证明了其中一些问题对于各种自然参数是固定参数可处理的（FPT），而其他问题仍然是棘手的W[1]-hard和W[2]-hard。最后，我们展示了我们提出的FPT算法在真实世界数据集以及使用Barabasi-Albert和Erdos-Renyi模型生成的合成网络上的有效性。
2020-02-25 cs.DS 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
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
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
SimCalib: Graph Neural Network Calibration based on Similarity between Nodes
Tsinghua University（清华大学）；The Chinese University of Hong Kong（香港中文大学）
本研究揭示GNN校准与节点相似性的理论关联，提出兼顾全局与局部节点相似性的SimCalib校准框架，在16个基准中的14个上实现SOTA性能，还探讨了过平滑与校准的潜在关系。
2023-12-19 cs.LG cs.SI
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
Modelling the Self-similarity in Complex Networks Based on Coulomb's Law
近年来，复杂网络的自相似性引起了人们的广泛关注。复杂网络的分形维数是一个尚未解决的问题。枢纽排斥在分形拓扑中起着重要的作用。本文在计算网络分形维数时，对复杂网络中节点间的排斥作用进行了建模。采用库仑定律定量描述网络中两个节点之间的排斥。提出了一种计算复杂网络分形维数的新方法。研究了Sierpinski三角形网络和一些实际的复杂网络。结果表明，新的复杂网络自相似性模型是合理有效的。
2014-04-01 cs.SI physics.soc-ph
Identification of influential nodes in network of networks
网络的网络（NON）研究的重点是研究现实世界中普遍存在的n个相互依赖的网络的性质。识别网络中的影响节点具有重要的理论和实际意义。然而，基于传统的方法很难描述NON的结构特性。本文提出了一种基于证据理论的网络中影响节点识别的新方法。该方法可以融合网络组件之间的各种关系，构建一个综合的相似性网络。相似度大的节点是网络中有影响力的节点。实验结果表明，该方法是合理的，具有一定的实用价值
2015-01-23 cs.SI physics.soc-ph
Love tHy Neighbour: Remeasuring Local Structural Node Similarity in Hypergraph-Derived Networks
Indian Institute of Science（印度科学院）
网络中的节点相似性问题已经激发了大量的节点对之间的此类度量，这些度量利用了底层的图结构。然而，高阶关系不能被单纯的图所丢失，因此，使用其扩展，即超图。在这样的设置中测量节点对之间的接近度需要修改相似性的拓扑度量，以免超图结构仍然未被充分利用。在这项工作中，我们提出了大量的超图为导向的节点对之间的相似性分数，从而提供了新的解决方案的链接预测问题。作为我们命题的一部分，我们提供了理论公式，以扩展基于图拓扑的分数超图。我们比较我们的分数与基于图的分数（超图到图的扩展）从国家的最先进的。使用现有的基于图的和建议的基于超图的相似性分数的组合作为分类器的功能预测链接比单独使用前者好得多。几个真实世界的数据集上的实验和定量以及定性分析相同的表现出的优越性，建议的相似性分数比现有的。
2021-10-30 cs.LG cs.SI
Analysis of the Neighborhood Pattern Similarity Measure for the Role Extraction Problem
在本文中，我们分析了一种间接的方法，称为邻域模式相似性的方法，来解决所谓的角色提取问题的大规模图。该方法是基于一个节点相似性矩阵的初步建设，允许在第二阶段分组在一起，与适当的聚类技术，被分配到具有相同的作用的节点。分析建立在理想图的概念上，其中具有相同角色的所有节点在结构上也是等效的。
2020-09-25 cs.SI
Reconstructing propagation networks with temporal similarity metrics
节点相似性是驱动真实网络增长的重要属性。在本文中，基于观察到的传播结果，我们应用节点相似性度量来重建传播网络。我们发现，重建精度的相似性度量的传播过程的感染率的强烈影响。此外，有一个范围内的感染率，其中一些相似性度量的重建精度下降到接近零。为了改进基于相似性的重建方法，我们最后提出了一个时间相似性度量，考虑到时间信息的传播。新方法的重建效果得到了显著改善。
2014-09-30 cs.SI physics.soc-ph stat.AP
NodeSim: Node Similarity based Network Embedding for Diverse Link Prediction
在现实世界的复杂网络中，了解其演化的动力学一直是科学界的极大兴趣。预测未来的链接是社会网络分析的一项重要任务，因为随着时间的推移，链接的添加或删除会导致网络的演变。在网络中，如果链路的两个端节点属于同一个社区，则链路可以被分类为社区内链路，否则为社区间链路。现有的链接预测方法主要集中在实现社区内链接预测的高精度。在这项工作中，我们提出了一个网络嵌入的方法，称为NodeSim，它捕捉节点和社区结构之间的相似性，同时学习网络的低维表示。嵌入是使用建议的NodeSim随机游走学习的，它有效地探索了不同的邻域，同时在节点的上下文中保持更接近的相似节点。我们使用不同的链接预测验证了所提出的嵌入方法的有效性。我们提出了一个机器学习模型的链接预测，同时考虑节点的嵌入和他们的社区信息来预测两个给定的节点之间的链接。在几个真实网络上的大量实验结果表明，所提出的框架对社区间和社区内链接预测都是有效的。
2021-02-01 cs.SI
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
Forward Backward Similarity Search in Knowledge Networks
相似性搜索是GitHub、DBLP、Wikipedia等社交和知识网络中的一个基本问题，现有的网络相似性度量方法由于只从查询节点的角度考虑相似性而受到限制。然而，由于现实世界的网络拓扑结构的复杂性，忽略目标节点的偏好往往会导致奇怪或不直观的性能。在这项工作中，我们提出了一个双视角的相似性度量称为向前向后相似性（FBS），有效地计算拓扑相似性的角度来看，查询节点和候选节点的角度。我们的方法的有效性进行了评估，传统的定量排名指标和大规模的人类判断四个大型现实世界的网络。该方法符合人类的偏好，并优于其他相似性搜索算法的社区重叠和链接预测。最后，我们展示了五位著名研究人员在学术合作网络上的前5名排名，以说明我们的方法如何比其他方法更直观地捕捉语义。
2016-11-28 cs.IR cs.SI
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
Using Network Embeddings for Improving Network Alignment
网络（或图）对齐算法旨在揭示图之间的结构相似性。特别地，局部网络对齐算法（LNA）在两个或更多个网络之间找到相似性的局部区域。这样的算法通常基于用于生长比对的种子节点的集合。几乎所有的LNA算法都使用基于上下文信息的一组顶点作为种子节点（例如，生物网络对齐中的一组生物相关），这可能会导致偏差或数据循环问题。最近，我们证明了在种子节点的选择中使用拓扑信息可以提高比对的质量。我们使用了一些常见的方法，全局对齐算法的基础上捕捉节点之间的拓扑相似性。同时，已经证明，使用网络嵌入方法（或表示学习）可以比其他方法更好地捕获节点之间的结构相似性。因此，我们建议使用网络嵌入来学习节点之间的结构相似性，并使用这种相似性来改进LNA扩展我们以前的算法。我们为LNA定义了一个框架。
2020-08-11 cs.SI
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
Experimental analyses on 2-hop-based and 3-hop-based link prediction algorithms
链路预测是网络科学中一个重要而又具有挑战性的课题。大多数已知的方法是基于相似性的，其为节点对分配相似性指数，并且假设相似性较大的两个节点具有通过链路连接的较高概率。基于相似性的方法，特别是那些只基于局部信息的方法，由于其简单、可解释性和高效率，已经在不同的领域得到了成功的应用。在这个研究领域，一个直观的共识是，两个节点共享共同的邻居是很可能有一个链接，而最近的一些证据认为，3跳路径的数量更准确地预测丢失的链接比共同的邻居的数量。在本文中，我们在128个真实网络上对基于2跳和基于3跳的相似性指数进行了广泛的实验比较。我们的结果表明，基于3跳的索引表现略好，获胜率约为55.88%，但哪一个索引是最好的仍然取决于目标网络。总的来说，Cannistraci-Hebb指数类在所有考虑的候选人中表现最好。
2019-08-31 cs.SI physics.soc-ph
Graphlet characteristics in directed networks
一些网络结构特征最近成为特别密集的研究主题，包括度分布，社区结构和顶点中心性的各种度量，仅举几例。顶点可能具有与它们相关联的属性;例如，蛋白质-蛋白质相互作用网络中的蛋白质的属性、用户的社交网络配置文件或作者在合著网络中的出版历史。在网络中，如果两个顶点具有相似的属性（特征，属性），则它们可能被认为是相似的，或者它们可以仅基于网络结构被认为是相似的。这种类型的相似性被称为结构相似性，以区别于属性相似性，社交相似性，文本相似性，功能相似性或网络中发现的其他相似性类型。在这里，我们通过计算（1）为每个顶点计算一个结构特征向量，称为签名向量，基于与顶点相关的小图的数量，以及（2）为网络计算其小图相关矩阵，测量小图依赖性，从而揭示网络的未知组织原则。我们发现，现实世界的网络通常具有非常不同的结构特征，从而导致不同的graphlet相关矩阵。特别地，计算了40名健康受试者的大脑有效网络的graphlet相关矩阵，并解开了常见的（存在于超过70%的受试者中）依赖关系。因此，对于楔形的2节点小图和3节点小图发现负相关，并且仅对于三角形的3节点小图发现正相关。有向网络中的Graphlets特征可以进一步显着增加我们对现实世界网络的理解。
2016-03-22 cs.SI physics.soc-ph
Mining Essential Relationships under Multiplex Networks
在大数据时代，海量数据集往往承载着同一组节点之间的不同关系，对这些异构关系的分析可以为我们提供一个窥视节点间本质关系的窗口。本文首先提出了一个新的度量“相似率”，用来描述节点对之间的相似性在整个网络中的变化率;其次，我们尝试用这个新的度量来揭示节点对之间的本质关系，这些本质关系往往是隐藏的，很难得到。通过对印尼恐怖分子数据集的实验研究，这种新的度量相似率函数很好地为我们提供了一种从大量外观中发现本质关系的方法。
2015-11-30 cs.SI physics.soc-ph
HetFS: A Method for Fast Similarity Search with Ad-hoc Meta-paths on Heterogeneous Information Networks
Fudan University（复旦大学）；Shanghai Key Laboratory of Data Science（上海数据科学重点实验室）
HetFS提出一种针对异构信息网络即席元路径查询的快速相似性搜索方法，结合路径信息与节点内容，在精度和效率上优于现有HGNN与路径方法，并适用于链接预测、节点分类和聚类等下游任务。
2025-02-22 cs.IR cs.LG cs.SI
Geometric detection of hierarchical backbones in real networks
层次渗透在真实网络的结构中，其节点可以根据不同的特征进行排名。然而，网络是远离树状结构和层次排序的检测仍然是一个挑战，阻碍了小世界属性和大量的循环，特别是聚类的存在。在这里，我们使用无向网络的几何表示来实现对层次结构的丰富解释，该层次结构集成了定义节点的受欢迎程度和它们之间的相似性的特征，使得节点与不太受欢迎的邻居越相似，关系的层次负载就越高。几何的方法使我们能够衡量的节点和链接的层次结构中的一个统一的框架内的本地贡献。此外，我们提出了一个链接过滤方法，相似性过滤器，能够提取层次骨干包含的链接，代表统计上显着的偏差相对于几何异构网络的最大熵空模型。我们应用我们的几何方法来检测真实网络中不同领域的相似骨干，发现骨干在所有尺度上都保持局部拓扑特征。有趣的是，我们还发现，相似性骨干有利于在进化动力学建模社会困境中的合作。
2020-09-02 cs.SI physics.soc-ph
Similarity Modeling on Heterogeneous Networks via Automatic Path Discovery
异构网络被广泛用于对真实世界的半结构化数据进行建模。在这种网络上学习的关键挑战是在网络结构和内容下对节点相似性进行建模。为了处理网络结构，大多数现有的作品假设一个给定的或可重复的一组元路径，然后利用它们来计算基于元路径的邻近度或网络嵌入。然而，给定元路径的专家知识并不总是可用的，并且随着所考虑的元路径的长度增加，可能路径的数量呈指数增长，这使得路径搜索过程非常昂贵。另一方面，虽然网络节点周围通常有丰富的内容，但它们几乎没有被利用来进一步改进相似性建模。在这项工作中，正确的模型节点的相似性，在内容丰富的异构网络，我们建议自动发现有用的路径对节点的结构和内容信息。为此，我们将连续强化学习和深度内容嵌入结合到一个新的半监督联合学习框架中。具体而言，监督强化学习组件探索一小组示例相似节点对之间的有用路径，而无监督深度嵌入组件捕获节点内容并在整个网络上启用归纳学习。这两个组件在闭环中联合训练，以相互增强。在三个真实异构网络上的实验证明了该算法的优越性。
2019-09-29 cs.SI
Constructing Graph Node Embeddings via Discrimination of Similarity Distributions
Skolkovo Institute of Science and Technology (Skoltech)（斯科尔科沃科学技术研究所（斯科尔科沃理工学院））；Moscow Institute of Physics and Technology（莫斯科物理技术学院）；Institute for Information Transmission Problems of RAS（俄罗斯科学院信息传输问题研究所）
图中无监督学习节点嵌入问题是现代网络科学的重要研究方向之一。在这项工作中，我们提出了一个新的框架，这是旨在找到嵌入图中的节点之间的\textit{discriminating distributions of similarities (DDoS)}。通过最大化相似和不相似节点的解码相似性的分布之间的\textit{earth mover distance}来实现总体思想。由此产生的算法生成的嵌入，在现实世界的图中的链接预测的问题，这给一个国家的最先进的性能。
2018-10-06 cs.LG cs.SI stat.ML
A similarity-based community detection method with multiple prototype representation
社区对于理解社交网络中的图结构具有重要意义。一些现有的社区发现算法使用单个原型来表示每个组。在实际应用中，这可能无法充分模拟不同类型的社区，因此限制了社交网络上的聚类性能。针对这一问题，提出了一种基于相似性的多原型社区发现方法。在SMP中，每个社区中的顶点具有不同的权重来描述它们的代表性程度。这种机制使每个社区能够由多个节点表示。节点的中心性用于计算原型权重，而相似性用于指导我们划分图。计算机生成的和真实世界的网络上的实验结果清楚地表明，SMP执行良好的检测社区。此外，与现有的社区发现模型相比，该方法借助原型权值，能够提供更丰富的社区内部结构信息。
2015-08-25 cs.SI physics.soc-ph
NetSimile: A Scalable Approach to Size-Independent Network Similarity
给定一组k个网络，可能具有不同的大小，并且节点或边没有重叠，我们如何在不解决节点对应问题的情况下快速评估它们之间的相似性？类似地，我们如何从每个图中提取少量描述性的数字特征，有效地作为图的“签名”？有这样的功能将使丰富的图形挖掘任务，包括聚类，离群值检测，可视化等，我们提出NetSimile -一种新颖的，有效的，可扩展的方法来解决上述问题。NetSimile具有以下可取的属性：（a）它给出了大小不变的相似性分数。(b)它是可扩展的，对于“签名”向量提取的边缘数量是线性的。(c)它不需要解决节点对应问题。我们提出了大量的实验，从不同的领域的合成和真实的图形，并显示NetSimile的优势，基线竞争对手。我们还展示了NetSimile如何实现几个挖掘任务，如聚类，可视化，不连续性检测，网络迁移学习和跨网络的重新识别。
2012-09-12 cs.SI physics.soc-ph stat.AP
A parameterised model for link prediction using node centrality and similarity measure based on graph embedding
The University of Sydney（悉尼大学）；Faculty of Engineering（工程学院）；School of Project Management（项目管理学院）
针对现有图神经网络在短路径网络和自我网络上链接预测性能不佳的问题，提出NCSM模型，通过在定制GNN层中整合节点中心性与相似性度量作为边特征，有效利用拓扑信息，在五个基准数据集上超越现有最先进模型。
2023-09-11 cs.LG cs.SI
Role model detection using low rank similarity matrix
计算有意义的节点簇对于分析大型网络至关重要。在本文中，我们采用新的聚类方法，以提高计算时间。我们利用邻接矩阵的性质，以获得更好的角色提取。我们还定义了一个新的非递归相似性度量，并将其结果与Browet的相似性度量进行了比较。我们将以线性时间复杂度展示不同角色的提取。最后，我们用实际的数据结构对算法进行了测试，并分析了算法的局限性。
2017-01-28 cs.SI physics.soc-ph
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
Temporal similarity metrics for latent network reconstruction: The role of time-lag decay
在研究一条信息的传播或一项创新的扩散时，我们往往缺乏关于底层传播网络的信息。基于观测到的扩散过程重建隐藏的传播路径是一个具有挑战性的问题，最近引起了不同研究领域的关注。为了解决这个重建问题，通常用于链接预测文献中的静态相似性度量的基础上，我们引入新的节点节点的时间相似性度量。新的指标将多个独立传播过程的时间序列作为输入，其假设是，如果两个节点经常在相似的时间点被感染，则它们更有可能被连接。这个假设是通过引入一个时滞函数来实现的，该函数惩罚了远处的感染时间。我们发现，这个时滞的选择强烈影响的指标的重建精度，取决于网络的聚类系数，我们提供了一个广泛的比较分析的静态和时间的相似性指标网络重建。我们的发现揭示了复杂网络中节点对之间相似性的概念。
2019-04-04 cs.SI physics.data-an
Social Network Community Detection Based on Textual Content Similarity and Sentimental Tendency
共享出行逐渐成为微博等社交平台上讨论的热点话题之一。及时对社交网络中共享出行的评价内容进行更深层次的网络社区发现，可以有效地对共享出行相关的舆论导向进行研究分析，具有很大的应用前景。现有的社区发现算法一般从空间距离的角度来度量网络中节点的相似性。提出了一种基于文本内容相似度和情感倾向的社区发现算法（CTST），同时考虑了网络结构和节点属性。将网络社区用户的内容相似度和情感倾向作为节点属性，在此基础上构建无向加权网络进行社区发现。本文用实际数据进行了实验，并对实验结果进行了分析。实验结果表明，社区发现结果模块化程度高，效果较好。
2022-06-22 cs.SI
A Hybrid Similarity-Aware Graph Neural Network with Transformer for Node Classification
提出SIGNNet框架，结合图卷积网络与Transformer，通过基于分数的机制和Personalized PageRank节点采样解决过度挤压与可扩展性问题，并引入结构感知多头注意力机制，在多个数据集上显著提升了节点分类准确率。
2025-04-03 cs.SI
Supervised Link Prediction in Co-Authorship Networks Based on Author Node-Based Features
本文提出一种综合监督学习框架，融合研究兴趣相似性、所属机构相似性、研究绩效指标聚合和节点相似性四个度量，在 ArnetMiner 和 DBLP 大型合著网络上实现高效链接预测。
2025-09-22 cs.SI
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
NED: An Inter-Graph Node Metric Based On Edit Distance
Boston University（波士顿大学）
节点相似性是图分析中的一个基本问题。然而，不同图中的节点（图间节点）之间的节点相似性还没有得到很多关注。图间节点相似性在基于现有图的知识学习新图（图上的迁移学习）中是重要的，并且在生物、通信和社交网络中具有应用。在本文中，我们提出了一种新的距离函数，用于测量图间节点的相似性与编辑距离，称为NED。在NED中，两个节点根据它们的局部邻域结构进行比较，这些邻域结构表示为无序的k-相邻树，而不依赖于标签或其他假设。由于无序树的树编辑距离的计算问题是NP-完全的，我们提出了一个修改的树编辑距离，称为TED*，用于比较邻居树。TED* 是一个度量距离，作为原始树编辑距离，但更重要的是，TED* 是多项式可计算的。作为一种度量距离，NED承认有效的索引，提供可解释的结果，并在许多数据分析任务上表现得比现有方法更好，包括图形去匿名化。最后，NED的效率和有效性的实证证明使用现实世界的图表。
2016-02-16 cs.DB cs.LG cs.SI
Popularity versus Similarity in Growing Networks
受欢迎程度是有吸引力的--这是偏好依恋的基础公式，也是对不断发展的网络中出现扩展的流行解释。如果新的连接优先于更受欢迎的节点，那么节点的连接数量的分布遵循在许多真实网络中观察到的幂律。优先连接已经在包括Internet在内的一些真实网络中得到了直接验证。优先连接也可以是基于节点适应度、排名、优化、随机游走或复制的不同底层过程的结果。在这里，我们表明，受欢迎程度只是吸引力的一个方面。另一个维度是相似性。我们开发了一个框架，新的连接，而不是喜欢流行的节点，优化流行度和相似性之间的某些权衡。该框架承认一个几何解释，其中流行的偏好出现从局部优化。与偏好连接相反，优化框架准确地描述了技术（互联网）、社会（信任网络）和生物（大肠杆菌代谢）网络的大规模进化，并以惊人的精度预测了其中新链接的概率。因此，开发的框架可以用于预测新的链接在不断发展的网络，并提供了一个不同的角度优先连接作为一种新兴的现象。
2013-04-18 cond-mat.stat-mech cs.NI cs.SI
Fundamental dynamics of popularity-similarity trajectories in real networks
该研究分析真实网络双曲嵌入中的节点流行度与相似性轨迹，发现其具有由小 Hurst 指数表征的自相似、可预测次扩散动力学，并将其归因于网络隐藏几何。
2024-06-17 cs.SI physics.soc-ph
Return to basics: Clustering of scientific literature using structural information
学者们经常使用相关性度量来估计两个不同项目之间的相似性（例如，文件、作者和机构）。这种相关性测量通常基于重叠参考文献（$\textit{i.e.}$，书目耦合）或引文（$\textit{i.e.}$，共同引用），然后可以与聚类分析一起使用，以找到研究领域之间的边界。不幸的是，计算相关性度量是具有挑战性的，特别是对于大量的项目，因为计算复杂性大于线性。我们提出了一种替代方法，用于确定使用直接引用的相关性措施的启发研究前沿。我们的新方法简单地将一个节点复制成两个不同的节点：引用节点和引用节点。然后，我们将典型的聚类方法应用到修改后的网络。引用节点的集群应该模仿那些从书目耦合相关性网络，而集群的被引节点应该像那些从共引相关性网络。在验证测试中，我们提出的方法与传统的基于相关性的方法表现出很高的相似性。我们还发现，所提出的方法的聚类结果优于那些传统的基于相关性的措施与基于自然语言处理的分类相似。
2020-04-10 cs.DL cs.SI physics.soc-ph
Modeling and Measuring Graph Similarity: The Case for Centrality Distance
复杂网络拓扑结构的研究已经吸引了研究者们几十年的时间，今天我们已经对许多不同的复杂网络的类型和重现特性有了相当好的了解。然而，令人惊讶的是，今天对比较复杂图形的模型知之甚少，并定量地测量它们的相似性。本文提出了一种复杂网络的自然相似性度量：中心性距离，即两个图之间关于给定节点中心性的差异。中心距离允许考虑网络中不同节点的特定角色，并有许多有趣的应用。作为一个案例研究，我们考虑了更详细的接近中心，并表明，接近中心距离可以有效地区分随机生成的和实际的两个动态社交网络的进化路径。
2014-06-20 cs.DS cs.SI physics.soc-ph
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
Deep Kernel Supervised Hashing for Node Classification in Structural Networks
Beijing Institute of Technology（北京理工大学）；Huazhong University of Science and Technology（华中科技大学）
结构网络中的节点分类已被证明是有用的，在许多现实世界的应用。随着网络嵌入的发展，节点分类的性能得到了很大的提高。然而，现有的基于网络嵌入的方法在低维空间中存在线性不可分问题，难以捕捉节点的实际类别特征，同时也无法将网络结构信息和节点标签信息同时融入到网络嵌入中。为了解决上述问题，在本文中，我们提出了一种新的深度核监督哈希（DKSH）方法来学习节点的哈希表示用于节点分类。具体来说，首先提出了一种深度多核学习，将节点映射到合适的Hilbert空间，以处理线性不可分问题。然后，而不是只考虑两个节点之间的结构相似性，一个新的相似性矩阵的设计，合并网络结构信息和节点标签信息。在相似性矩阵的监督下，学习到的节点的哈希表示同时很好地保留了学习到的希尔伯特空间中的两种信息。大量的实验表明，该方法显着优于国家的最先进的基线在三个真实世界的基准数据集。
2021-04-03 cs.LG cs.SI
Graph Partitioning and Graph Neural Network based Hierarchical Graph Matching for Graph Similarity Computation
Chongqing University（重庆大学）；Zhejiang University（浙江大学）；Harbin Institute of Technology（哈尔滨工业大学）
图相似性计算旨在预测一对图之间的相似性得分，以促进下游应用，例如找到与查询化合物或Fewshot 3D动作识别相似的最相似的化合物。近年来，基于神经网络的图相似度计算模型被提出，这些模型或基于图级交互，或基于节点级比较。然而，当图中的节点数量增加时，不可避免地会带来表示能力的降低或计算成本的增加。受此观察的启发，我们提出了一种基于图划分和图神经网络的模型，称为PSimGNN，以有效地解决这个问题。具体地说，每个输入图被划分成一组子图，以直接提取局部结构特征。其次，设计了一种新的带有注意力机制的图神经网络，将每个子图映射为一个嵌入向量。这些子图对中的一些被自动选择用于节点级比较，以补充具有细粒度信息的子图级嵌入。最后，粗粒度的子图之间的相互作用信息和细粒度的比较信息之间的不同子图预测最终的相似性得分。在具有不同图大小的图数据集上的实验结果表明，PSimGNN在使用近似图编辑距离（GED）作为图相似性度量的图相似性计算任务中优于最先进的方法。
2021-01-05 cs.LG cs.SI stat.ML
Adaptive Similarity Function with Structural Features of Network Embedding for Missing Link Prediction
链接预测是数据科学的一个基本问题，通常需要揭示控制网络微观动力学的机制。在这方面，使用从网络嵌入中获得的特征来预测链接已经引起了广泛的关注。虽然已经提出了基于边缘特征或基于节点相似性的方法来解决链接预测问题，但是由于网络的独特结构特性，特别是当网络稀疏时，仍然存在许多技术挑战。从图挖掘的角度来看，我们首先给出经验证据的启发式和学习边缘功能之间的不一致。然后，我们提出了一种新的链接预测框架，AdaSim，通过引入一个自适应相似性函数，使用基于随机游走的网络嵌入获得的功能。通过优化基于图的目标函数来获得节点特征表示。我们不使用二元运算符生成边缘特征，而是仅利用网络的节点特征执行链接预测。我们定义了一个灵活的相似性函数与一个可调参数，这作为一个惩罚的原始相似性度量。通过监督学习学习最优值，从而适应数据分布。为了评估我们提出的算法的性能，我们进行了广泛的实验，11个不同的网络的现实世界。实验结果表明，AdaSim取得了更好的性能比国家的最先进的算法，并对不同的稀疏网络的鲁棒性。
2021-11-13 cs.SI
Social-Similarity-aware TCP with Collision Avoidance in Ad-hoc Social Networks
Ad-hoc社交网络（ASNET）探索移动设备用户之间的社交连接，正在成为当今互联网最重要的形式之一。在这种情况下，资源稀缺的环境中的中间结点的最大带宽利用率是具有挑战性的任务之一。传统的传输控制协议（TCP）使用往返时间机制来在用户之间共享带宽资源。然而，它没有探索节点之间的社会感知属性，并且不能有效区分无线网络中的各种类型的分组丢失。本文提出了一种社会感知的拥塞避免协议TIBIAS，利用中间结点之间的社会属性相似性匹配来提高ASNET的资源利用率。TIBIAS通过TCP执行有效的数据传输。在带宽资源分配过程中，优先考虑ASNET链路上不同TCP连接之间兴趣相似度的最大匹配。TIBIAS不需要在较低层或接收器节点上进行任何修改。实验结果表明，TIBIAS协议在链路利用率、拥塞窗口的不必要减少、吞吐量和重传率等方面均优于现有协议。
2020-08-09 cs.NI cs.SI
Free Energy Node Embedding via Generalized Skip-gram with Negative Sampling
Rice University（莱斯大学）；U.S. Army’s DEVCOM Army Research Laboratory（美国陆军DEVCOM陆军研究实验室）
广泛建立的一组无监督节点嵌入方法可以被解释为由两个不同的步骤组成：i）基于感兴趣的图定义相似性矩阵，然后ii）对这样的矩阵进行显式或隐式因式分解。受此观点的启发，我们对框架的两个步骤提出了改进建议。一方面，我们建议编码节点的相似性的基础上的自由能距离，它之间的最短路径和通勤时间的距离插值，从而提供了额外的灵活性。另一方面，我们提出了一种基于损失函数的矩阵分解方法，该方法将负采样的skip-gram模型推广到任意相似矩阵。与基于广泛使用的$\ell_2$损失的因子分解相比，该方法可以更好地保留与较高相似性分数相关的节点对。此外，它可以使用高级自动微分工具包轻松实现，并通过利用GPU资源高效计算。在真实数据集上进行的节点聚类、节点分类和链接预测实验证明了结合基于自由能的相似性以及所提出的矩阵分解的有效性。
2022-09-10 cs.LG cs.SI
Detecting Communities in Complex Networks using an Adaptive Genetic Algorithm and node similarity-based encoding
针对现有遗传算法编码缺陷，提出基于节点相似性的MST编码及自适应遗传算法，结合相似性与模块度优化，提升社区检测的收敛速度与有效性。
2022-01-24 cs.CY cs.NE cs.SI
Semi-supervised Community Detection via Structural Similarity Metrics
Harvard University（哈佛大学）
针对度异质网络中新节点的社区标签估计问题，提出基于结构相似性度量的半监督算法，聚合有标签与无标签信息，实验优于现有方法并给出误分类误差界。
2023-06-01 cs.LG cs.SI stat.ME
Search Efficient Binary Network Embedding
The University of Sydney（悉尼大学）；Florida Atlantic University（佛罗里达大西洋大学）；Australian Artificial Intelligence Institute（澳大利亚人工智能研究所）；University of Technology Sydney（悉尼科技大学）
传统的网络嵌入主要关注于学习每个节点的连续向量表示，保留网络结构和/或节点内容信息，使得现成的机器学习算法可以容易地应用于向量格式的节点表示以进行网络分析。然而，学习的连续向量表示对于大规模相似性搜索是低效的，这通常涉及在连续向量空间中找到通过距离或相似性测量的最近邻居。在本文中，我们提出了一个搜索效率的二进制网络嵌入算法称为BinaryNE学习每个节点的二进制代码，通过同时建模节点上下文关系和节点属性关系，通过一个三层神经网络。BinaryNE通过基于随机梯度下降的在线学习算法学习二进制节点表示。学习的二进制编码不仅减少了表示每个节点的内存使用，而且还允许快速逐位比较，以支持比使用欧几里得距离或其他距离度量更快的节点相似性搜索。大量的实验和比较表明，BinaryNE不仅提供了超过25倍的搜索速度，但也提供了可比的或更好的搜索质量比传统的连续矢量为基础的网络嵌入方法。BinaryNE学习的二进制代码在节点分类和节点聚类任务上也具有竞争力。本文的源代码可在https://github.com/daokunzhang/BinaryNE上获得。
2022-12-29 cs.LG cs.SI
Fast and Accurate Network Embeddings via Very Sparse Random Projection
Stony Brook University（石溪大学）；University of California, Los Angeles（加州大学洛杉矶分校）
我们提出了FastRP，一个可扩展的和高性能的算法学习分布式节点表示图。FastRP比DeepWalk和node 2 vec等最先进的方法快4,000倍以上，同时在多个实际网络上的各种下游任务中实现了相当甚至更好的性能。我们观察到，大多数网络嵌入方法包括两个组成部分：构建一个节点相似性矩阵，然后应用降维技术，这个矩阵。我们表明，这些方法的成功应归功于正确的构造这个相似性矩阵，而不是降维方法。FastRP是一种可扩展的网络嵌入算法。FastRP的两个关键特性是：1）它显式地构造一个节点相似性矩阵，该矩阵捕获图中的传递关系，并基于节点度对矩阵项进行规范化; 2）它利用非常稀疏的随机投影，这是一种可扩展的无优化降维方法。结合这两种设计选择的额外好处是，它允许节点嵌入的迭代计算，因此不需要显式构建相似性矩阵，这进一步加快了FastRP。FastRP的优势还在于其易于实现，并行化和超参数调整。源代码可在https://github.com/GTmac/FastRP上获得。
2019-08-30 cs.LG cs.SI
