Reentrant phase transitions in threshold driven contagion on multiplex networks
阈值驱动传染模型解释了信息、行为、系统性风险和流行病在社会、金融和生物网络上的级联传播。与经验观察不一致的是，这些模型预测，单层未加权网络在达到足够的连通性后会对全球级联产生抵抗力。我们研究了阈值驱动的传染权异质多重网络，并表明，他们可以保持敏感的全球级联在任何级别的连接，并与增加边缘密度通过交替阶段的稳定性和不稳定性的形式重入相变的传染。我们的研究结果为在高度连接但异质的网络中观察到大规模传染提供了一个新的理论解释。
2019-05-28 cs.SI physics.soc-ph
Multiplex Heterogeneous Graph Convolutional Network
Ocean University of China（中国海洋大学）；The University of Hong Kong（香港大学）；Shandong University of Science and Technology（山东科技大学）
异构图卷积网络在处理异构网络数据的各种网络分析任务（范围从链接预测到节点分类）中获得了极大的普及。然而，现有的研究大多忽略了多类型节点间的关系异构性以及节点嵌入时元路径中关系重要性的差异，难以捕捉不同关系间的异构结构信号。为了解决这一问题，本文提出了一种用于异构网络嵌入的多路异构图卷积网络（MHGCN）。我们的MHGCN可以自动学习有用的异构元路径的相互作用，通过多层卷积聚合在多个异构网络中的不同长度。此外，我们有效地集成多关系结构信号和属性语义到学习节点嵌入与无监督和半监督学习范例。在五个具有各种网络分析任务的真实世界数据集上进行的广泛实验表明，MHGCN在所有评估指标方面都优于最先进的嵌入基线。
2022-08-12 cs.AI cs.LG cs.SI
Containing rumors spreading on correlated multiplex networks
在迅速发展的在线社交网络上，谣言泛滥，引起了来自多个方面的关注。个人可以通过多种渠道传播谣言，因为他们可以在多个平台上活跃。然而，目前还没有系统的理论研究，谣言包含动力学的多元化网络尚未进行。在这项研究中，我们提出了一个家庭的包含策略的基础上的度积$\mathcal{K}$的每个用户的多路复用网络。然后，我们开发了一个异构的边缘为基础的隔间理论来理解包含动态。仿真结果表明，优先屏蔽$\mathcal{K}$大的用户的策略可以显著降低谣言爆发的规模，并提高谣言爆发的阈值。此外，随着偏好强度和度异质性的增加，在异构复用网络上可以获得更好的性能。此外，考虑层间度相关性$r_s$，该策略在$r_s=-1$、$r_s=1$和$r_s=0$的复用网络上性能最好.相反，如果我们倾向于使用小的$\mathcal{K}$而不是大的$\mathcal{K}$来阻塞用户，那么在除了均匀度分布的不相关复用网络之外的大多数复用网络上，其包含性能将比随机阻塞用户的性能更差。我们发现，阻塞偏好对均匀度分布的不相关复用网络的包含结果没有影响。我们的理论分析可以很好地预测谣言包含的结果和性能差异，在所有的情况下研究。本研究对多重网络中谣言动力学的系统理论研究将为该问题的进一步研究提供启示。
2019-12-24 cs.SI physics.soc-ph
Least Cost Influence Maximization Across Multiple Social Networks
近年来，在在线社交网络（OSN）中，最小成本影响（LCI）问题已成为核心研究课题之一。它的目的是确定最少数量的种子用户谁可以触发一个广泛的信息传播级联。现有的文献大多只研究单个网络的LCI问题。然而，现在的用户往往加入几个OSN，这样的信息可以同时在不同的网络传播。因此，为了获得最佳的种子用户集，在这种情况下，考虑重叠用户的作用至关重要。在这篇文章中，我们提出了一个统一的框架来表示和分析多重网络中的影响力扩散。更具体地说，我们通过无损和有损耦合方案将一组网络映射到单个网络来解决LCI问题。无损耦合方案保留了原始网络的所有属性，以实现高质量的解决方案，而有损耦合方案提供了一个有吸引力的替代方案时，运行时间和内存消耗的主要关注。在真实和合成数据集上进行的各种实验验证了耦合方案的有效性，这也为多重网络中的影响传播过程提供了一些有趣的见解。
2016-06-29 cs.SI physics.soc-ph
Pay Attention to Weak Ties: A Heterogeneous Multiplex Representation Learning Framework for Link Prediction
本文提出多关系感知图神经网络MRGNN，通过层内特征传播与层间注意力投票聚合机制学习多层网络节点表示，在四个多层网络上验证了其链路预测整体准确率优于现有方法，尤其擅长预测弱连接。
2024-10-21 cs.SI
Growing Multiplex Networks with Arbitrary Number of Layers
本文主要研究日益增长的多路复用网络的问题。目前，文献中关于增长型多重网络的联合度分布的结果都是两层网络的结果，且仅限于均匀增长的特殊情况，且仅限于状态状态（即无限大的极限）.在本文中，我们得到了非均匀增长的任意层数的多重网络在稳态下的联合度分布的封闭解。异构增长意味着每个传入节点在不同层中建立不同数量的链路。我们考虑的是均匀增长和优先增长。然后，我们扩展到任意时间的均匀增长机制的分析。我们得到了一个封闭形式的解的时间依赖的联合度分布的增长的多重网络与任意的初始条件。在整个过程中，理论研究结果与蒙特卡罗模拟证实。研究结果揭示了初始网络对不断增长的多重网络的瞬态动力学的影响，并朝着表征不断增长的多重网络的连接性的时间变化以及预测其未来的结构特性迈出了一步。
2015-10-07 cond-mat.stat-mech cs.SI physics.soc-ph
Influence Maximization for Fixed Heterogeneous Thresholds
影响力最大化是一个选择网络中影响者最优集合的NP难题。在这里，我们提出了两种新的方法，影响力最大化的基础上两个非常不同的指标。第一个度量，称为平衡指数（BI），计算速度快，并将最高值分配给两种类型的节点：那些对采用具有高阻力的节点和那些具有大出度的节点。这是通过线性组合节点的三个属性来完成的：它的度，对新观点的敏感性，以及它的激活对其邻居的影响。控制这三项之间的权重对性能有很大的影响。第二个指标，称为组性能指数（GPI），衡量性能的每个节点作为一个启动器时，它是随机选择的启动器集的一部分。在每个这样的选择中，分配给每个队友的分数与引起期望扩散的发起者的数量成反比。这两个指标适用于各种级联模型;这里我们在具有固定和已知阈值的线性阈值模型上测试它们。此外，我们还研究了网络度的重复性和阈值分布对包括我们在内的度量的级联大小的影响。结果表明，我们的两个指标提供强大的性能影响力最大化。
2018-03-08 cs.SI physics.comp-ph physics.soc-ph
Urban Analytics: Multiplexed and Dynamic Community Networks
在过去的十年中，城市经历了快速的增长，扩张和社区结构的变化。关键城市基础设施的许多方面都与其所服务的人类社区密切相关。城市社区是由多重重叠的因素组成的，这些因素可以分为文化、宗教、社会经济、政治和地理层面。在本文中，我们回顾了如何利用越来越多的异构移动大数据集来检测社区的互动结构，使用自然语言处理和机器学习技术。一些社区层和交互检测算法，然后审查，特别关注的鲁棒性，稳定性和因果关系的不断发展的社区。更好地了解结构动态和多重关系可以提供有用的信息，为城市规划政策提供信息，并塑造社会耦合的城市基础设施系统的设计。
2018-12-11 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
Multiplex congruence network of natural numbers
同余理论在物理、社会、生物和技术系统中有许多应用。同余算法已成为数据安全和计算机代数的基本工具。然而，对自然数之间同余关系的拓扑特征的研究却很少。在这里，我们探讨的同余关系在设置的多重网络，揭示了一些独特的和突出的性质的多重同余网络。分析结果表明，其中的每一层都是一个稀疏的、异构的、具有无标度拓扑结构的子网络。与直觉相反，尽管其无标度结构通常难以控制，但每一层都具有极强的可控性。另一个令人惊讶的特点是，可控性对关键节点的有针对性的攻击是鲁棒的，但容易受到随机故障，这也不同于正常的无标度网络。每一层产生的链根数较少的多链结构是其强可控性和反常特征的主要原因。多重同余网络为同时同余问题提供了一种图形化的解决方案，这可能在基于同时同余的密码学中具有意义。我们的工作也深入了解网络的设计，融合了异构和同构网络的优势，而不继承他们的局限性。
2016-03-18 cs.SI math.NT physics.soc-ph
Representation Learning for Attributed Multiplex Heterogeneous Network
Tsinghua University（清华大学）；DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）
网络嵌入（或图嵌入）已广泛应用于许多现实世界的应用中。然而，现有的方法主要集中在具有单一类型的节点/边的网络上，并且不能很好地扩展以处理大型网络。许多真实世界的网络由数十亿个节点和多种类型的边组成，每个节点都与不同的属性相关联。在本文中，我们形式化的问题的嵌入学习的属性多重异构网络，并提出了一个统一的框架来解决这个问题。该框架支持转换学习和归纳学习。我们也给出了所提出的框架的理论分析，显示其与以前的作品的连接，并证明其更好的表现力。我们在四种不同类型的具有挑战性的数据集上对所提出的框架进行了系统的评估：亚马逊，YouTube，Twitter和阿里巴巴。实验结果表明，使用从所提出的框架中学习的嵌入，我们可以实现统计上显著的改进（例如，5.99-28.23%的F1分数提升; p<<0.01，t检验）超过先前用于链接预测的现有技术方法。该框架也已成功部署在一个全球领先的电子商务公司，阿里巴巴集团的推荐系统。产品推荐的离线A/B测试结果进一步证实了该框架在实践中的有效性和效率。
2019-05-20 cs.LG cs.SI
Multiplex Structures: Patterns of Complexity in Real-World Networks
Jilin University（吉林大学）；Hong Kong Baptist University（香港浸会大学）
复杂网络理论旨在对由多个相互依赖的组件组成的复杂系统进行建模和分析。在复杂网络的所有研究中，拓扑结构分析是最基本的重要性，因为它代表了理解网络动力学以及综合或优化网络功能的自然途径。在过去的十年中，网络结构模式已经被广泛报道，如社区，多方，枢纽，权威，离群点，领结等。在这里，我们表明，大多数个人的现实世界的网络表现出多重结构。也就是说，大量已知甚至未知（隐藏）的模式可以同时存在于同一个网络中，而且它们可以相互重叠和嵌套，以协作方式形成异构，嵌套或分层组织，其中可以在不同的粒度级别上观察到不同的连接现象。此外，我们发现，隐藏在探索性网络的多重结构可以很好地定义，以及有效地识别在一个统一的框架内，由一组建议的概念，模型和算法。我们的研究结果提供了一个强有力的证据表明，大多数现实世界的复杂系统是由异质机制的组合，可以协同塑造他们无处不在的多重结构，我们目前观察。这一工作也为从揭示多重结构的新视角分析网络的不同来源提供了一种数学工具，这将有益于包括社会学、经济学和计算机科学在内的多个学科。
2010-09-14 cs.AI cs.SI physics.soc-ph
The generation and regulation of public opinion on multiplex social networks
信息传播和舆论发展是大多数社交媒体平台的基本要素，往往被描述为独特的人为事件。然而，人们往往忽视这两种现象之间的相互依存关系。信息传播是舆论形成的基础，舆论又推动信息传播。在我们的研究中，我们建模的信息和舆论之间的协同进化关系的异构多元化网络。这种模式考虑到了少数人的坚定意见和大多数人的波动意见。研究结果揭示了该模型中民意的平衡态以及主流民意与极端个体之间的线性关系。此外，我们提出了一个战略，调节舆论的立场，调整极端群体，这可以作为一个基础，实施卫生政策的舆论影响。
2023-03-24 cs.SI physics.soc-ph
A Variance-aware Multiobjective Louvain-like Method for Community Detection in Multiplex Networks
本文主要研究多路复用网络中的社区发现问题，即，具有多个层的网络具有相同的节点集并且没有层间连接。特别是，我们寻找可以在各个层中一致地被识别为社区的节点组。为此，我们提出了一种新的方法，通过（a）同时更新各层模块化分数的平均值和方差，以及（b）根据基于过滤器的多目标优化方案重新制定贪婪搜索过程，来推广Louvain方法。与许多以前的模块化最大化策略，依赖于某种形式的聚合的各个层，我们的多目标方法的目的是最大限度地提高每个层上的个人模块化同时。我们报告的合成和现实世界的网络实验，显示的有效性和鲁棒性的建议的策略都在信息的情况下，其中所有层显示相同的社区结构，并在嘈杂的情况下，其中一些层只代表噪音。
2022-09-23 cs.SI
Non-linear growth and condensation in multiplex networks
不同类型的相互作用共存并共同进化，以塑造多元化网络的结构和功能。在这里，我们提出了一个一般类的增长模型中，通过一组非线性的优先连接规则的多路网络的各个层共同发展。我们表明，无论是数值和分析，通过调整非线性的水平，这些模型允许再现均匀或异质的程度分布，以及积极或消极的程度相关层。特别是，我们推导出了出现凝聚态的条件，其中每层中的一个节点吸引了所有边缘的大部分。
2014-07-24 cond-mat.dis-nn cond-mat.stat-mech cs.SI
k-core structure of real multiplex networks
多重网络是许多现实世界-生物，社会和技术-相互作用元素系统的方便数学表示，其中元素之间的成对相互作用具有不同的风格。以前的研究指出，现实世界的多路复用网络显示出显着的层间相关性-度-度相关性，边缘重叠，节点相似性-能够使它们对单个组件的随机和有针对性的故障具有鲁棒性。在这里，我们表明，层间的相关性也很重要，在其$\mathbf{k}$核心结构的表征，即组织在壳的节点越来越高的程度。理解$k$ -核心结构在网络上发生的传播过程的研究中是重要的，例如在识别有影响力的传播者和出现本地化现象。我们发现，如果网络的度分布是异质的，那么一个强大的$\mathbf{k}$核心结构是很好的预测显着正度度相关性。然而，如果网络度分布是均匀的，那么强的$\mathbf{k}$ -核心结构是由于节点相似性水平上的正相关。我们通过分析不同的现实世界的多路复用网络，引入新的技术来控制网络的层间相关性，而不改变其结构，并利用合成网络模型与可调水平的层间相关性，得出我们的结论。
2020-05-24 cs.SI physics.soc-ph
Statistical physics of exchangeable sparse simple networks, multiplex networks and simplicial complexes
可交换性是网络集合的期望统计特性，其要求在节点重新标记时的不变性。然而，将网络集合的稀疏性与交换性相结合是具有挑战性的。在这里，我们提出了一个统计物理框架和Metropolis-Hastings算法定义可交换的稀疏网络集成。该模型生成的网络异构度分布只执行全局约束，而现有的（不可交换的）指数随机图执行大量的本地约束。这个非常一般的理论框架来描述可交换网络在这里首先制定为不相关的简单网络，然后它被扩展到处理简单网络的度相关性，有向网络，二分网络和广义网络结构，包括多重网络和单纯复形。特别是在这里，我们制定和治疗不相关的和相关的可交换合奏的单纯复合物使用统计力学的方法。
2022-03-09 cond-mat.dis-nn cs.SI physics.soc-ph
Smart Information Spreading for Opinion Maximization in Social Networks
意见最大化的目标是使社交网络中的个体对产品、意识形态或任何实体的正面看法最大化。到目前为止，意见最大化主要是在社会网络中寻找一组有影响力的节点来快速传播内容。在本文中，我们提出了一种新的方法来解决这个问题，意见最大化是通过有效的信息传播。在我们的模型中，多个源不断地向网络中注入信息，而具有异构社会学习能力的规则节点通过八卦机制将信息传播给他们的熟人。其中一个信源采用智能信息传播，其余信源随机传播信息。我们的社会互动和意见的演变模型作为一个动态贝叶斯网络（DBN），使用它的意见最大化制定为一个顺序决策问题。由于这个问题是棘手的，我们开发了多个变种的集中式和分散式学习算法，以获得近似的解决方案。通过在合成网络和真实网络中的模拟，我们证明了两个关键结果：1）所提出的方法比随机传播的性能要好得多，2）即使智能源（传播所需内容）位于网络中的不利位置，它也可以胜过位于有利位置的竞争随机源。
2019-01-01 cs.SI physics.soc-ph
Multiplex Networks with Intrinsic Fitness: Modeling the Merit-Fame Interplay via Latent Layers
我们考虑了具有内在适应度和层间耦合的多路网络的增长问题。该模型包括两个层，一个包含健身和另一个附件是优先的。在第一层中，附着概率与适应度值成比例，在第二层中，与两层中的度之和成比例。我们提供了分析封闭形式的解决方案的联合分布的健身度。我们还推导出封闭形式的表达式的预期值的程度作为一个功能的健身。该模型强调了目前日益增长的多元化网络模型中存在的两个缺点：连接的同质性和适应度的同质性。在本文中，我们将讨论和分析一个在两种意义上都是异质的增长模型。
2015-06-20 cond-mat.stat-mech cs.MA cs.SI
Misinformation spreading on correlated multiplex networks
众多不断扩大的在线社交网络为错误信息的传播提供了快速渠道，这可能对社会经济系统产生严重影响。这一问题已引起多个领域的研究者的关注，但迄今为止，还没有系统的理论研究来观察虚假信息在相关多路网络中的传播。在这项研究中，我们提出了一个基于多元化网络的错误信息传播模型，考虑到事实上，每个人都可以从多个平台获得错误信息。随后，我们开发了一个异构的边基分区理论来理解我们提出的模型的传播动力学。此外，我们建立了一个基于稳定性分析的分析方法，以获得错误信息爆发的阈值。在这些理论的基础上，我们最后分析了不同的动力学和结构参数对错误信息传播动力学的影响。结果表明，当$β$超过一定值，即误报爆发阈值$β_c$时，误报爆发规模$R(\infty)$随着有效传输概率$β$的增大而不断增大.大的平均度、强的度异质性或正的层间相关性将降低$β_c$，加速错误信息的爆发。此外，对于小（大）的$β$值，增加程度异质性或更正的层间相关性都将增大（减小）$R(\infty)$。系统的理论分析结果与数值模拟结果吻合较好。我们提出的模型和准确的理论分析将作为一个有用的框架，以了解和预测的传播动态的错误信息的多元化网络，从而铺平了道路，以解决这一严重问题。
2019-09-01 cs.SI physics.soc-ph
Detectability of communities in heterogeneous networks
社区是刻画真实网络结构的基本实体。识别网络中社区的标准方法是基于被称为“模块性”的质量函数的优化。虽然模块化一直是一个激烈的研究活动的中心，并提出了许多方法，其最大化，它还没有太多的必要条件，社区需要满足，以检测与模块化最大化的方法。在这里，我们开发了一个简单的理论来建立这些条件，并成功地将其应用于各种网络模型。我们的主要结果是，在度分布的异质性有助于模块正确地恢复网络的社区结构，在现实的情况下，度指数$γ< 2.5$的无标度网络，模块总是能够检测社区的存在。
2013-07-04 cond-mat.stat-mech cs.SI physics.soc-ph
Zealotry and Influence Maximization in the Voter Model: When to Target Zealots?
在本文中，我们研究了复杂网络上存在有偏见的选民（或狂热者）的选民模型中的影响最大化问题。在什么条件下，一个预算有限的外部控制者应该以狂热者为目标，以最大限度地发挥其对系统的影响力为目标？我们的分析，分析和数值结果的基础上，显示了丰富的图表的偏好和程度的依赖性分配给狂热者和正常代理人的预算不同。我们发现，当我们有一个大的预算或低水平的狂热，最优策略应该给更大的分配给狂热和分配与节点度呈正相关。相比之下，对于低预算或高度偏见的狂热者，最优策略为正常代理提供更高的分配，并为狂热者提供一些剩余分配，并且对这两种类型代理的分配随着节点度的增加而减少。我们的研究结果强调，代理属性的异质性强烈影响的影响最大化异构网络的策略。
2020-08-23 cs.SI physics.soc-ph
Reconstructing Sparse Multiplex Networks with Application to Covert Networks
University of Texas at Arlington（德克萨斯大学阿灵顿分校）；Zhejiang University（浙江大学）；California State University, San Bernardino（加州州立大学圣贝纳迪诺分校）；Ohio University（俄亥俄大学）；Rensselaer Polytechnic Institute (RPI)（伦斯勒理工学院（RPI））
网络结构为理解网络的动态行为提供了重要信息。然而，现实世界的网络的完整结构往往是不可用的，因此，它是至关重要的发展方法来推断一个更完整的网络结构。在本文中，我们集成的配置模型生成随机网络的期望最大化聚合（EMA）的框架，以重建的完整结构的多路复用网络。我们验证了所提出的EMA框架对几个现实世界的多路复用网络，包括隐蔽和公开的随机模型。结果发现，EMA框架一般实现最佳的预测精度相比，EM框架和随机模型。随着层数的增加，EMA相对于EM的性能改善降低。可以利用推断出的复用网络来通知监控隐蔽网络的决策，以及分配有限的资源用于收集额外的信息，以提高重建精度。对于执法机构来说，推断出的完整网络结构可用于制定更有效的隐蔽网络阻断策略。
2023-01-10 cs.LG cs.SI
Efficient exploration of multiplex networks
有效的技术来导航网络与本地信息的基本采样大规模的在线社会系统和检索资源的对等系统。偏置随机游动，即其运动对相邻节点的属性有偏置的游动，已经被大量利用来设计智能局部策略以探索网络，例如通过构建最大混合轨迹或通过允许节点的几乎均匀采样。在这里，我们介绍和研究有偏随机游走的多重网络，图形中的节点是相关的，通过不同类型的链接组织在不同的和相互作用的层，我们提供了分析解决方案，其长期的属性，包括固定的占用概率分布和熵率。我们专注于度偏置随机游走和区分两类行走，即那些其转移概率取决于一些参数，这是广泛的层数，和那些其运动取决于内在的多重属性的相邻节点。我们分析了多重网络的结构对步行者稳态行为的影响，我们发现异质度分布以及层间度相关性和边缘重叠的存在决定了多重网络可以在多大程度上有效地探索有偏见的步行。最后，我们表明，在现实世界中的多路传输网络，有效的导航和弹性之间的权衡链路故障导致系统的扩散特性是定性不同的适当随机复用图。这一事实表明，多重性是现实世界系统建模中的一个重要组成部分。
2016-04-01 cond-mat.stat-mech cs.SI physics.soc-ph
Influence Maximization in Hypergraphs
复杂网络中的影响力最大化，即，近年来，通过为给定的传播过程选择K个种子节点来最大化受影响节点的大小已经引起了极大的关注。然而，超图中的影响力最大化问题，即利用超边来表示两个以上节点之间的相互作用，仍然是一个悬而未决的问题。本文提出了一种自适应的基于度的启发式算法，即，启发式度折扣（HDD），迭代地选择具有低影响重叠的节点作为种子，以解决超图中的影响力最大化问题。我们进一步扩展算法从普通的网络作为基线，并比较所提出的算法和基线的真实数据和合成超图的性能。结果表明，HDD在有效性和效率方面都优于基线。此外，在合成超图上的实验表明，HDD具有很高的性能，特别是在度分布不均匀的超图上。
2022-06-03 cs.SI
Representation learning in multiplex graphs: Where and how to fuse information?
Wroclaw University of Science and Technology（弗罗茨瓦夫科技大学）
本文研究多重图的无监督与自监督节点表示学习，通过比较图处理流程不同层级的信息融合方案，提出面向多重图的 GNN 架构改进思路。
2024-02-27 cs.LG cs.SI
Effects of Time Horizons on Influence Maximization in the Voter Dynamics
在本文中，我们分析了影响力最大化的选民模型中的一个积极的战略和一个被动的影响方在非平稳设置。因此，我们探索的战略影响者的时间视野上的最佳影响力分配的依赖。我们发现，在无向异构网络，在短时间内，影响力最大化时，针对低度节点，而在长时间内，影响力最大化时，控制枢纽节点。此外，我们表明，短期和中期的时间尺度影响最大化可以利用知识（瞬态）的意见配置。更详细地说，我们发现两个规则。首先，应该瞄准那些状态与战略影响者的目标不同的节点。其次，如果只有少数节点最初与战略影响者对齐，则应避免受到相反影响的节点，但当许多节点对齐时，最佳影响者应跟踪相反的影响。
2018-10-05 cond-mat.dis-nn cs.SI math.OC
Hierarchical Aggregations for High-Dimensional Multiplex Graph Embedding
University of Quebec at Montreal（蒙特利尔魁北克大学）
针对高维多路图嵌入中维度多、潜在结构复杂的问题，提出基于层次聚合的HMGE方法，通过非线性组合和互信息最大化实现无监督学习，在链接预测和节点分类任务上表现良好。
2023-12-28 cs.AI cs.LG cs.SI
Modularity based community detection in heterogeneous networks
异构网络是由不同类型的节点和链接这些节点的多种类型的边组成的网络。虽然社区发现已被广泛开发为分析仅包含一种类型节点的网络的有用技术，但针对异构网络开发的社区发现技术却很少。在本文中，我们提出了一个基于模块化的社区发现框架的异构网络。与现有的方法不同，所提出的方法具有灵活性，可以将社区的数量视为未知量。我们描述了一个Louvain型的最大化方法找到社区结构，最大化的模块化功能。我们的仿真结果表明，所提出的方法优于现有的方法。此外，所提出的模块度函数是一致的异构随机块模型框架下。DBLP四区域数据集和MovieLens数据集的分析证明了该方法的有效性。
2018-03-21 cs.SI physics.soc-ph stat.ME
Heterogeneous Influence Maximization in User Recommendation
Tencent（腾讯）；Shenzhen University（深圳大学）
本文提出HeteroIR和HeteroIM两个模型，结合推荐意愿建模与影响力最大化，在腾讯游戏平台A/B测试中分别提升8.5%和10%。
2025-08-19 cs.AI cs.IR cs.LG
Community Detection and Improved Detectability in Multiplex Networks
我们研究了在多重网络中，如社交网络，具有未知的任意异构结构的社区检测的广泛遇到的问题。为了提高可检测性，我们提出了一个生成模型，利用了多个层中单个社区的多样性，没有预先假设不同层之间的社区关系。我们的模型依赖于一个新的想法，将一个大的通用本地化社区标签的限制跨层，结合著名的随机块模型（SBM）在每一层。因此，我们建立了一个概率图形模型，在整个多路复用网络的贝叶斯先验的约束条件。我们从数学上证明了这些约束/先验促进了跨层相同社区的存在，而不会在各个社区之间引入进一步的相关性。进一步定制的约束，使稀疏的图形模型和数值高效的信念传播算法随后采用。我们进一步证明了通过数值实验，在不同的层之间的一致的社区的存在下，一致的社区是匹配的，并且检测能力比单个层提高。我们比较我们的模型与“相关模型”，利用社区层之间的相关性的先验知识。在这种相关性下获得了类似的可检测性改善，即使我们的模型依赖于比相关模型温和得多的假设。我们的模型甚至在一定的相关性和信噪比（SNR）范围内表现出更好的检测性能。在缺乏社区相关性的情况下，相关性模型自然会失败，而我们的模型则保持其性能。
2019-11-25 cs.LG cs.SI physics.soc-ph
Relating modularity maximization and stochastic block models in multilayer networks
描述网络中的大规模组织，包括多层网络，是网络科学中最突出的主题之一，对许多应用都很重要。一种类型的中尺度特征是群落结构，其中节点集内部密集连接，但与其他密集节点集稀疏连接。社区发现的两种最流行的方法是最大化被称为“模块化”的目标函数和使用随机块模型执行统计推断。推广工作纽曼单层网络（物理评论E 94，052315），我们表明，在多层网络中，最大化模块化是等价的，在一定条件下，最大化后验概率的社区分配下，适当选择的随机块模型。我们推导出各种类型的多层结构，包括时间，多路复用和多级网络的这种等价的版本。我们考虑的情况下，其中的关键参数是恒定的，以及它们在不同的层;在后一种情况下，这产生了一个新的，层加权版本的模块化函数。我们的研究结果还有助于解决一个长期存在的困难，多层模块化最大化算法，这需要规范的两套调谐参数，在实践中很难选择。我们展示了如何以一种基于经验的方式进行参数选择，并证明了我们的方法在合成网络和经验网络上的有效性。
2018-12-06 cs.SI math.PR physics.data-an
Multiplex Bipartite Network Embedding using Dual Hypergraph Convolutional Networks
The Australian National University（澳大利亚国立大学）；Alibaba Group（阿里巴巴集团）；National University of Singapore（新加坡国立大学）
二分网络是一种图结构，其中节点来自两个不同的域，并且仅存在域间交互作为边。存在大量的网络嵌入方法来从具有同构和异构节点和边类型的一般图中学习向量节点表示，包括一些可以专门建模二分网络的独特属性的方法。然而，这些方法不足以对多重二分网络（例如，在电子商务中），其具有多种类型的交互（例如，点击、查询和购买）和节点属性。大多数真实世界的多路二分网络也是稀疏的，并且具有不平衡的节点分布，这对建模具有挑战性。在本文中，我们开发了一个无监督的双超图卷积网络（DualHGCN）模型，该模型可扩展地将多路二分网络转换为两组同质超图，并使用谱超图卷积算子，以及内部和内部消息传递策略来促进域内和跨域的信息交换，以学习有效的节点嵌入。我们使用四个真实世界的数据集对DualHGCN进行链接预测和节点分类任务的基准测试。我们广泛的实验表明，DualHGCN显着优于国家的最先进的方法，是鲁棒的稀疏水平和不平衡的节点分布。
2021-02-12 cs.LG cs.SI
A new measure of modularity density for community detection
使用一个直观的概念是什么构成一个有意义的社区，一个新的度量制定检测无向，加权异构网络中的非重叠社区。这种度量，模块化密度，被证明是优于目前文献中的模块化密度的版本。与以前版本的模块密度相比，我们的度量的最大化被证明是没有偏见的，更好地检测弱分离社区，特别是在异构网络中。除了这些特征之外，我们的模块化密度的计算运行时间被发现与以前的变体相当或更快。我们的研究结果进一步表明，社区发现通过最大化我们的度量是数学相关的分区网络的归一化切割标准的最小化。
2019-08-22 cs.SI stat.ML
Overload-Based Cascades in Multiplex Flow Networks with Partial Functionality
Carnegie Mellon University（卡内基梅隆大学）
研究具有部分功能的多路复用流网络，通过跨层影响因子量化功能间资源竞争，用均值场分析得出最终系统规模递归方程，验证分析并研究级联动力学特征，提出容量分配策略提升鲁棒性。
2026-07-07 cs.SI cs.SY eess.SY
Representing Social Networks as Dynamic Heterogeneous Graphs
Muma College of Business University of South Florida
过去，现实世界社交网络的图形表示缺少两个重要元素：连接的多样性以及表示时间。为此，在本文中，我们提出了一种新的动态异构图表示的社交网络，其中包括时间在每个单一的组成部分，即，节点和边，每一种都是不同的类型，它们捕获了异质性。我们通过提出四个时间相关查询和深度学习问题来说明这种表示的强大功能，这些问题在常用的传统同构图表示中无法轻松处理。作为概念的证明，我们提出了一个新的社交媒体平台（Steemit），我们用它来说明动态查询能力以及预测任务，使用图神经网络（GNNs）的详细表示。实验结果表明了动态异构图表示对社交网络建模的强大功能。鉴于这是一个相对欠研究的领域，我们还说明了未来的工作机会，在查询优化以及新的动态预测任务异构图结构。
2022-09-12 cs.AI cs.SI
Influence Estimation and Maximization via Neural Mean-Field Dynamics
Georgia State University（佐治亚州立大学）；Shenzhen Research Institute of Big Data（深圳大数据研究院）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
我们提出了一种新的学习框架，使用神经平均场（NMF）动力学的推理和估计问题的异构扩散网络。我们的新框架利用Mori-Zwanzig形式主义来获得单个节点感染概率的精确演化方程，该方程使得具有记忆积分的延迟微分方程由可学习的时间卷积算子近似。直接使用信息扩散级联数据，我们的框架可以同时学习扩散网络的结构和节点感染概率的演化。参数学习和最优控制之间的联系也建立，导致一个严格的和可实现的算法训练NMF。此外，我们表明，投影梯度下降法可以用来解决具有挑战性的影响力最大化的问题，其中的梯度计算非常快，在每次迭代中集成NMF向前的时间只有一次。大量的实证研究表明，我们的方法是通用的和强大的基础扩散网络模型的变化，并显着优于现有的方法在合成和真实世界的数据的准确性和效率。
2021-06-03 cs.CE cs.LG cs.NA
