自我网络中邻域模式的自动发现系统

Ego Network Structure in Online Social Networks and its Impact on Information Diffusion

In the last few years, Online Social Networks (OSNs) attracted the interest of a large number of researchers, thanks to their central role in the society. Through the analysis of OSNs, many social phenomena have been studied, such as the viral diffusion of information amongst people. What is still unclear is the relation between micro-level structural properties of OSNs (i.e. the properties of the personal networks of the users, also known as ego networks) and the emergence of such phenomena. A better knowledge of this relation could be essential for the creation of services for the Future Int…

社区是好社区

Neighborhoods are good communities

社交网络的社区是顶点的集合，集合内部的连接比外部的连接多。我们从理论上证明了社交网络的两个常见的性质，重尾度分布和大的聚类系数，意味着存在顶点邻域（也称为egonet），它们本身就是良好的社区。我们评估这些社区社区的一系列图。我们发现，社区社区的电导率通常与费德勒切割一样好。此外，附近社区的电导表现出类似的行为，网络社区配置文件计算与个性化的PageRank社区发现方法。后者需要扫过大量的起始顶点，这可能是昂贵的。然而，通过使用一个小的且易于计算的邻域社区集作为这些PageRank社区的种子，我们发现当在图中的任何地方播种时，社区都可以精确地捕获网络社区配置文件的行为，并且总工作量显着减少。

平等，探索社会凝聚力的人为基础的社区

Egomunities, Exploring Socially Cohesive Person-based Communities

在过去的几年里，人们对复杂网络中的重叠社区检测产生了极大的兴趣，这被理解为具有低出站密度的密集节点组。到目前为止，大多数用于计算这样的社区的方法源于不相交的社区发现领域，通过将模块化的概念扩展到重叠的上下文中，或者通过尝试将整个节点集分解为几个可能重叠的子集。在这份报告中，我们采取了正交的方法，引入了一个度量，凝聚力，植根于社会学的考虑。内聚度量化了一组给定节点的社区性，基于三角形（连接节点的三元组）和弱联系的概念，而不是仅使用边缘密度的经典观点。如果一组节点具有高密度的三角形，并且与网络的其余部分相交的三角形很少，则该节点具有高凝聚力。因此，我们引入了社区的数值表征：具有高凝聚力的节点集。然后，我们提出了一种新的方法来解决重叠社区的问题，通过引入自我社区的概念，这是主观的社区围绕一个给定的节点，特别是在其邻域内。我们建立在凝聚力，构建一个启发式算法，输出一个节点的自我社区，试图最大限度地提高他们的凝聚力。我们说明了我们的方法的相关性与Facebook的朋友之间的一个人的自我社区的详细描述。最后，我们通过描述自我社区的有前途的应用，如信息推理和兴趣推荐，并提出了一个可能的扩展加权网络的情况下的凝聚力。

Ego-based Entropy Measures for Structural Representations on Graphs

Machine learning on graph-structured data has attracted high research interest due to the emergence of Graph Neural Networks (GNNs). Most of the proposed GNNs are based on the node homophily, i.e neighboring nodes share similar characteristics. However, in many complex networks, nodes that lie to distant parts of the graph share structurally equivalent characteristics and exhibit similar roles (e.g chemical properties of distant atoms in a molecule, type of social network users). A growing literature proposed representations that identify structurally equivalent nodes. However, most of the exi…

NScale：云中以邻居为中心的大规模图分析

NScale: Neighborhood-centric Large-Scale Graph Analytics in the Cloud

在大型图上执行复杂分析的兴趣越来越大，其中许多需要处理大量的多跳邻域或子图。例子包括自我网络分析，动机计数，个性化推荐等。现有的以顶点为中心的图处理框架不能很好地满足这些任务，其中用户程序只能直接访问单个顶点的状态。本文介绍了NSCALE，这是一种新型的端到端图处理框架，可以在云中的大规模图上分布式执行复杂的以子图为中心的分析。NSCALE使用户能够在子图级别而不是顶点级别编写程序。与大多数以前的图处理框架不同，它将用户程序应用于整个图，NSCALE允许用户声明性地指定感兴趣的子图。我们的框架包括一个新的图形提取和包装（GEP）模块，利用基于成本的优化器分区和包装的子图到内存中尽可能少的机器。然后，分布式执行引擎接管并并行运行用户程序，同时尊重各种子图的范围。我们的实验结果显示，与以顶点为中心的方法相比，性能有了数量级的提高，分析成本也大幅降低。

MUSE：面向异配图的多视图对比学习

MUSE: Multi-View Contrastive Learning for Heterophilic Graphs

针对异配图自监督学习效果受限问题，提出多视图对比学习模型MUSE，通过构建自我节点与邻域视图并利用信息融合控制器和交替训练方案，有效提升了节点分类与聚类性能。

预测社会群体中的危险行为

Predicting risky behavior in social communities

预测网络中个人的风险状况（例如，对特定疾病的易感性，或吸烟的可能性）由于各种原因而具有挑战性。例如，“地方”特征（如个人的人口统计信息）可能缺乏足够的信息，无法作出有意义的预测;在预测“风险”时，这尤其成问题，因为相关特征可能恰恰是个人不愿意在调查中透露的特征。第二，即使有这些特征，它们仍然可能遗漏关键信息，因为“风险”可能不仅是个人特征的函数，也是其朋友和社会群体特征的函数。在这里，我们预测个人的风险状况作为他们的本地功能和他们的朋友。我们没有直接对社交网络的影响进行建模（这被证明是困难的，因为友谊链接可能是稀疏的，并且可以部分观察到），而是通过发现网络中可能与风险行为相关的社交社区来对影响进行建模。其结果是一个模型，预测风险作为一个功能的本地功能，同时弥补其不足，并占社会影响，揭示社区结构的网络。我们通过预测来自Add健康数据集的青少年的危险行为以及Facebook自我网络中用户的家乡来测试我们的模型。与仅通过特征进行预测相比，我们的模型在作为整体进行测量时表现出更好的预测准确性，特别是当作为网络丰富度的函数进行测量时。"

在社交网络中寻找重叠社区：一种严谨的方法

Finding Overlapping Communities in Social Networks: Toward a Rigorous Approach

社交网络中的“社区”通常被理解为一组节点，它们之间的连接比网络的其他部分更紧密。这是一个重要的概念，在大多数领域的网络出现：社会，技术，生物，等多年来，算法寻找社区隐含假设社区是不重叠的（导致使用基于聚类的方法），但有越来越多的兴趣在寻找重叠的社区。寻找社区的一个障碍是解决方案的概念通常是根据NP完全问题定义的，如集团或层次聚类。本文旨在启动一个严格的方法来寻找重叠社区的问题，其中“严格”意味着我们清楚地说明以下内容：（a）我们的算法所寻求的对象（b）关于底层网络的假设（c）（最坏情况下）运行时间。我们对网络的假设介于最坏情况和平均情况之间。平均情况分析需要网络的精确概率模型，目前还没有达成共识。然而，从社会学界长达50年的研究中，可以收集到一些关于网络参数的合理假设，这些研究集中在个体社区和以自我为中心的网络的研究上。因此，我们的假设在本质上有点“局部”。然而，他们足以允许严格的分析，恢复全局结构的算法的运行时间。我们的算法使用随机抽样类似的属性测试和算法的稠密图。然而，我们的网络不一定是稠密图，甚至在局部邻域中也不一定。我们的算法探索了以自我为中心和以社会为中心的网络之间的局部-全局关系，我们希望这将为计算机科学和社会学的未来工作提供一个富有成效的框架。

Local, global and scale-dependent node roles

This paper re-examines the concept of node equivalences like structural equivalence or automorphic equivalence, which have originally emerged in social network analysis to characterize the role an actor plays within a social system, but have since then been of independent interest for graph-based learning tasks. Traditionally, such exact node equivalences have been defined either in terms of the one hop neighborhood of a node, or in terms of the global graph structure. Here we formalize exact node roles with a scale-parameter, describing up to what distance the ego network of a node should be …

大型复杂网络的着色

Coloring Large Complex Networks

给定一个大型的社会或信息网络，我们如何将顶点划分为集合（即，颜色），使得由边链接的两个顶点不在同一集合中，同时最小化所使用的集合的数量。尽管图着色具有明显的实际重要性，但现有的工作还没有系统地研究或设计大型复杂网络的方法。在这项工作中，我们开发了一个统一的框架着色大型复杂网络，由两个主要的着色变量，有效地平衡准确性和效率之间的权衡。使用这个框架作为一个基本的基础上，我们提出了着色方法设计的规模和结构的复杂网络。特别地，该方法利用三角形、三角形核和其他egonet属性及其组合。我们系统地比较了各种网络（例如，社会、网络、生物网络），并且在几乎所有情况下都发现了相对于先前方法的显著改进。此外，获得的解决方案几乎是最优的，有时对于某些类别的图（例如，合作网络）。我们还提出了一个并行算法的问题着色的邻域子图，并提出了几个关键的意见。总体而言，着色方法被证明是（i）准确的解决方案接近最佳，（ii）快速和可扩展的大型网络，（iii）灵活的使用在各种应用程序。

Graph Neural Networks for User Identity Linkage

The increasing popularity and diversity of social media sites has encouraged more and more people to participate in multiple online social networks to enjoy their services. Each user may create a user identity to represent his or her unique public figure in every social network. User identity linkage across online social networks is an emerging task and has attracted increasing attention, which could potentially impact various domains such as recommendations and link predictions. The majority of existing work focuses on mining network proximity or user profile data for discovering user identit…

在Twitter上确定东方网络中的社区角色

Identification de rôles communautaires dans des réseaux orientés appliquée à Twitter

社区结构的概念在分析复杂网络时特别有用，因为与更经典的全局（整个网络）和局部（节点邻域）方法相比，它提供了一个中间层次。在此基础上，提出了节点的社区角色概念，用以描述节点在网络中的位置，该位置取决于节点在社区一级的连通性。然而，现有的方法仅限于无向网络，使用拓扑措施，不考虑社区相关的连接的所有方面，和他们的角色识别方法是不可推广到所有的网络。我们通过推广和扩展措施来解决这些限制，并使用无监督的方法来确定角色。然后，我们通过分析Twitter网络来说明我们的方法的适用性。我们展示了我们的修改如何允许发现一些特定的用户称为社会资本家在这个系统中占据非常特定的角色。- La notion de structure de communautés est particulièrement utile pour étudier les réseaux complex，car elle amène un niveau d'analysis intermediaire，par opposition aux plus classiques niveaux local（voisches des noeuds）et global（réseau entier）. Le concept de role communautaire permet de décrire le positionnement d'u…