Uncovering multi-order Popularity and Similarity Mechanisms in Link Prediction by graphlet predictors
本研究利用图元轨道度构建多阶链路预测子，设计融合多特征的监督学习模型，在550个跨领域网络中验证其性能，并揭示不同领域网络中流行度与相似性机制的主导作用差异，提升了链路预测的准确性与可解释性。
2024-10-07 cs.SI physics.soc-ph
Distance-based accessibility indices
本文试图开发一个合适的可达性指数的网络，每个环节都有一个值，这样一个较小的数字是首选，如距离，成本，或旅行时间。一个称为距离和的度量具有三个独立的特性：匿名性，适当选择的独立公理和优势保持，这要求距离任何其他节点不远的节点至少是可访问的。我们认为，在某些应用中，需要消除的独立性。因此，广义距离和，一个家庭的可达性指标，将建议。它是线性的，除了考虑顶点的距离外，还考虑顶点的可达性，并依赖于一个参数以控制其与距离和的偏差。广义距离和是匿名的，并且当其参数满足一个充分条件时满足优势保持。两个详细的例子表明，它的能力，以反映脆弱性的访问链接中断。
2017-10-26 cs.SI physics.soc-ph
A parameter free similarity index based on clustering ability for link prediction in complex networks
基于拓扑信息的复杂网络链接预测是一个具有挑战性的问题。在本文中，我们提出了一种新的相似性指数，这是有效的和参数的基础上，聚类能力。在这里，聚类能力被定义为具有相同度的节点的平均聚类系数。我们的想法的动机是，共同的邻居能够有助于形成一个链接的可能性，因为他们拥有一定的能力，他们的邻居聚集在一起，然后这里定义的聚类能力是衡量这种能力。在真实网络和模型网络上的实验数值模拟表明，与三个著名的基于共同邻居的相似性指数：CN，AA和RA相比，新的相似性指数的高精度和高效率。
2015-04-04 cs.SI physics.soc-ph
Robustness of Link-prediction Algorithm Based on Similarity and Application to Biological Networks
已经提出了许多算法来预测各种真实网络中的丢失链接。这些研究主要集中在这些算法的准确性和效率。然而，很少有人注意到他们的鲁棒性对噪声或不合理的链接存在于几乎所有的现实网络。在本文中，我们研究了几个典型的基于节点相似性的算法的鲁棒性，发现这些算法是敏感的噪声强度。此外，我们还发现它还依赖于网络的结构性质，特别是网络效率、聚类系数和平均度。此外，我们尝试通过链路加权的方法将未加权的网络转化为加权网络，然后利用链路的权重来表征其可靠性，以增强鲁棒性。结果表明，在生物网络中，适当的链路加权方案可以显著提高算法的鲁棒性和准确性，而计算量很小。
2013-02-24 cs.SI physics.soc-ph
Measure of Node Similarity in Multilayer Networks
网络中链接的权重通常与节点的相似性有关。在这里，我们引入了一个简单的可调措施，用于分析不同链接权重的节点的相似性。特别是，我们使用的措施来分析同质性在一组659名大一学生在一所大型大学。我们的分析基于使用配备定制数据汇集软件的智能手机获得的数据，并辅以基于手机的数据。社会联系的网络被表示为一个加权的多层网络，该网络由不同的电信渠道以及面对面的联系数据构成。我们发现，即使是联系紧密的个体，在基本人格特征方面也不比随机选择的个体对更相似。相比之下，一些社会人口统计变量有很大程度的相似性。我们进一步观察到，相似性可能存在于多层网络的一层中，同时在其他层中不存在。对于一个变量，如性别，我们的措施揭示了一个过渡，从节点之间的相似性连接的链接相对较低的权重到不相似的节点连接的最强的链接。最后，我们分析了网络中不同层次的重叠。
2016-06-02 cs.SI physics.soc-ph
Bounded link prediction for very large networks
在大型复杂网络中，链路预测方法的评估是一项艰巨的任务，因为计算成本过高。通过设置一个下界的共同邻居（CN）的数量，我们提出了一个新的框架，以有效地和精确地评估性能的CN为基础的相似性指数在非常大的异构网络的链接预测。具体来说，我们提出了一个快速算法的基础上的并行计算方案，以获得所有的CN值大于下界的节点对。此外，我们提出了一个新的测量，称为自我可预测性，量化的性能的CN为基础的相似性指标的链接预测，这在另一方面可以表明链接的可预测性的网络。
2015-06-22 cs.SI physics.data-an physics.soc-ph
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
Accuracy Test for Link Prediction in terms of Similarity Index: The Case of WS and BA Models
链路预测是一种利用给定网络的拓扑信息来推断网络中缺失链路的技术，以往的链路预测研究主要集中在提高给定经验系统的性能上，而对网络模型的链路预测研究较少。因此，在本文中，我们将链接预测应用于两个网络模型：Watts-Strogatz（WS）模型和Barabási-Albert（BA）模型。我们试图通过网络模型更好地理解准确性与每个网络参数（平均度，节点数和重新布线概率WS模型）之间的关系。使用六个相似性指标，精度和ROC曲线下面积（AUC）值作为准确性度量。我们观察到平均程度和准确性之间的正相关性，以及AUC值的大小独立性。
2015-03-10 cs.SI physics.data-an physics.soc-ph
Predicting missing links and their weights via reliable-route-based method
链接预测的目的是根据当前网络结构发现缺失的链接或预测未来关系的出现。对于非加权网络中的链接预测，人们已经提出了很多算法，但只有很少的算法被推广到加权网络中。到目前为止，如何预测链接的权重很重要，但很少研究。在这封信中，我们提出了一个可靠的路由为基础的方法来扩展未加权的局部相似性指数加权指数，并提出了一种方法来预测链接的存在和链接的权重。在不同真实网络上的实验表明，加权资源分配指标具有最好的链路存在性预测性能，而基于可靠路由的加权资源分配指标在权重预测上表现明显更好。进一步的分析表明，链接预测和权重预测都具有很强的相关性：聚类系数越大，预测精度越高。
2014-08-05 cs.IR cs.SI physics.soc-ph
Efficient Community Detection in Large Networks using Content and Links
在本文中，我们讨论了一个非常简单的方法相结合的内容和链接信息的图形结构的社区发现的目的，在网络分析中的一项基本任务。我们的方法取决于基本的直觉，即许多网络在链接结构中包含噪声，并且内容信息可以帮助加强社区信号。这使人们能够消除噪声的影响（假阳性和假阴性），这是特别普遍的在线社交网络和Web规模的信息网络。具体来说，我们引入了一个衡量网络中两个节点之间的信号强度，通过融合它们的链接强度与内容相似性。链路强度是基于链路是否可能（以高概率）驻留在社区内来估计的。通过余弦相似度或Jaccard系数来估计内容相似度。我们讨论了一个简单的机制，融合内容和链接的相似性。然后，我们提出了一个有偏的边缘采样过程，它保留了每个图节点的局部相关的边缘。可以使用标准的社区发现算法（例如Metis和Markov聚类）来聚类所得到的骨干图。通过对具有不同大小和特征的多个真实世界数据集（Flickr，Wikipedia和CiteSeer）的广泛实验，我们证明了我们的方法在最先进的学习和挖掘方法中的有效性和效率，其中一些方法还试图将链接和内容分析结合起来用于社区发现。具体来说，我们总是发现一个定性的好处时，结合内容与链接分析。此外，我们的有偏图采样方法实现了定量的好处，因为它通常比竞争方法快几个数量级。
2012-12-01 cs.SI physics.soc-ph
On neighbourhood degree sequences of complex networks
网络拓扑是网络科学的一个基本方面，它使我们能够深入了解我们所居住的世界的复杂关系架构。我们提供了第一个具体的研究复杂网络中的邻域度序列。我们考虑如何明确地描述重要的物理概念，如相似性，异质性和组织在这些序列中，以及更新的概念层次复杂性，以反映以前未被注意的组织原则。我们还指出，邻域度序列与一个强大的子树核无标号图分类。我们研究了这些新定义的序列属性在一个全面的数组的图形模型和超过200个现实世界的网络。我们发现，这些指数既不高度相关，彼此也不与经典的网络指数。重要的是，我们发现各种各样的真实世界网络的序列比给定度分布的网络具有更大的相似性和组织性。值得注意的是，虽然生物、社会和技术网络都表现出一贯的大邻域相似性和组织性，但层次复杂性并不是现实世界网络的一贯特征。邻域度序列是描述复杂网络独特而重要的特征的一个有趣的工具。
2019-05-08 cs.SI physics.soc-ph
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
Temporal link prediction methods based on behavioral synchrony
针对时序网络链路预测忽略长期时间效应的问题，提出基于智能体行为同步性的预测方法，在四类网络数据集上验证平均准确率提升约2%-5%，并揭示了不同网络拓扑的演化模式。
2023-11-24 cs.SI physics.soc-ph
Multiscaling behavior in the volatility return intervals of Chinese indices
本文研究了两个中国指数连续1分钟波动超过某一阈值$q$的收益区间$τ$的概率分布。Kolmogorov-Smirnov（KS）检验表明，这两个指数在$τ$的分布中表现出多尺度行为，$τ$的分布服从拉伸指数形式$f_q(τ/< τ>)\sim e^{- a(τ/ < τ>)^γ}$，对于不同的阈值$q$，具有不同的相关指数$γ$，其中$<τ>$是对应于$q$某个值的平均返回间隔。一个扩展的自相似性分析的时刻提供了进一步的证据，多尺度的返回间隔。
2008-09-01 physics.soc-ph q-fin.ST
Structural measures of similarity and complementarity in complex networks
相似性原理，或称同质性原理，经常被用来解释复杂网络中观察到的模式，如传递性和三角形（3-圈）的丰富性。然而，从劳动分工到蛋白质-蛋白质相互作用（PPI）的许多现象都是由互补性（差异和协同作用）驱动的。在这里，我们表明，互补原理与四边形（4-圈）和密集的二部样子图的丰度。我们将这两个原则与它们的特征基序联系起来，并引入了两个系数族：（1）结构相似性，它概括了局部聚类和闭合系数，并捕获了相似性驱动结构的全谱;（2）结构互补性，类似地定义，但基于四边形而不是三角形。使用多个社会和生物网络，我们证明了系数捕获结构特性相关的有意义的领域特定的现象。我们表明，它们可以区分不同类型的社会关系，以及测量整个生命树的PPI网络的结构多样性不断增加。我们的研究结果表明，某些类型的关系更好地解释互补性比同质性，并可能有助于改善现有的链接预测方法。我们还介绍了一个Python包，实现了有效的算法来计算建议的系数。
2022-10-10 cs.SI physics.soc-ph
Coincidence Complex Networks
用于从理论和应用角度表示，表征和建模大量结构和现象。目前的工作描述了应用最近推出的实值Jaccard和重合相似性指数从数据集构建复杂的网络。更具体地说，只要两个节点的相似性大于给定阈值，它们就会链接。加权网络也可以通过将相似性指标作为权重来获得。结果表明，所提出的方法相比，余弦距离为基础的方法，可以大大提高性能，产生节点之间的连接的具体模式的详细描述。所提出的方法强调网络的模块化结构的令人印象深刻的能力也说明了相对于虹膜数据集和C.~ elegans神经元网络连接数据的显著结果。报告的方法和结果铺平了道路，一个显着的数量可能的理论和应用的发展。
2021-11-22 physics.soc-ph
Relationship Profiling over Social Networks: Reverse Smoothness from Similarity to Closeness
在社交网络上，虽然节点具有丰富的属性，但我们往往缺乏每个链接形成的“语义”-因此我们错过了导航和组织复杂社交世界的“路标”。如何在没有标签的情况下识别关系语义？基于普遍的同质性原则，我们提出了新的问题，基于属性的关系轮廓（ARP），轮廓的亲密度w.r.t.潜在的关系（例如，同学）基于用户之间在相应属性上的相似性（例如，教育），并且作为输出，学习一组社交亲和力图，其中每个链接通过其承载关系的概率来加权。作为需求，ARP应该是系统的和完整的，以分析每个关系的每个链接--我们的挑战在于有效地建模同质性。我们提出了一个新的反向平滑原则，通过观察同质性的相似性-接近性对偶与基于图的半监督学习中众所周知的平滑性假设一致-只有推理的方向是反向的。为了实现噪声社会图的平滑度，我们进一步提出了一种新的整体紧密度建模方法，通过将紧密度从边缘扩展到路径来捕获“高阶”平滑度。在三个真实数据集上的大量实验证明了ARP的有效性。
2017-10-03 cs.SI physics.soc-ph
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
Link prediction via linear optimization
链接预测是网络科学中的一个基本挑战，它已经在指导实验室实验、挖掘药物靶点、在社交网络中推荐朋友、探索网络进化机制等方面得到应用。通过一个简单的假设，即两个节点之间存在链接的可能性可以通过相邻节点贡献的线性总和展开，我们得到的最佳似然矩阵的解析解，这表明显着更好的性能，在预测丢失的链接比国家的最先进的算法，不仅简单的网络，但加权和有向网络。令我们惊讶的是，即使是来自解决方案的一些退化的局部相似性指数也优于众所周知的局部指数，这在很大程度上细化了我们的知识，例如，两个节点之间的3跳路径的数量的直接计数比2跳路径的数量更准确地预测丢失的链路（即，公共邻居的数量），而在以前的研究中，如局部路径指数和Katz指数所示，较长路径上的统计总是被认为是互补的，但不如较短路径上的统计重要。
2018-04-30 cs.SI physics.data-an physics.soc-ph
C-Rank: A Link-based Similarity Measure for Scientific Literature Databases
随着使用科学文献数据库的人数的增加，对文献检索服务的需求也在稳步增长。最流行的检索服务之一是找到一组与正在考虑的论文相似的论文，这需要计算论文之间的相似性的度量。科学文献数据库呈现出两个不同于一般数据库的有趣特征。首先，老论文引用的论文往往由于技术和经济原因而不被数据库收录。其次，由于一篇论文引用了之前发表的论文，很少有论文引用最近发表的论文。这两个特征导致所有现有的相似性度量在以下情况中的至少一种情况下失败：（1）测量旧的但相似的论文之间的相似性，（2）测量最近的但相似的论文之间的相似性，以及（3）测量两个相似的论文之间的相似性：一个旧的，另一个最近的。在本文中，我们提出了一种新的基于链接的相似性度量称为C-Rank，它使用在链接和外链接，而不考虑方向的参考。此外，我们讨论了最合适的规范化方法的科学文献数据库，并提出了一种评估方法来衡量相似性措施的准确性。我们使用了一个数据库，其中包含来自DBLP的真实论文及其从Libra抓取的参考信息，并将C-Rank的性能与现有的相似性度量进行了比较。实验结果表明，C-Rank比现有的相似性度量方法具有更高的准确率。
2011-09-06 cs.DL cs.IR physics.soc-ph
Uncovering missing links with cold ends
为了评估丢失链接预测的性能，已知数据被随机分为两部分，训练集和探测集。我们认为，这种直接和标准的方法可能会导致可怕的偏见，因为在真实的生物和信息网络中，丢失的链接更有可能是连接低度节点的链接。因此，我们研究如何发现丢失的链接与低度节点，即在探针集的链接是较低的度产品比随机抽样。对10个局部相似性指数和4个不同的真实网络的实验分析表明，Leicht-Holme-Newman指数[E. A. Leicht，P. Holme，and M. E. J. Newman，Phys.Rev.E73，026120（2006）]表现最好，尽管已知如果探测集是所有链路的随机采样，则它是最差的索引之一。我们进一步提出了一个参数依赖的指数，这大大提高了预测精度。最后，我们展示了三种真实抽样方法的相关性。
2011-10-03 cs.IR cs.SI physics.data-an
Link Prediction with Node Clustering Coefficient
如何有效、准确地预测不完备复杂网络中的缺失链仍然是一个具有挑战性的问题。最近提出的CAR（Cannistrai-Alanis-Ravai）索引显示了本地链接/三角形信息在提高链接预测精度方面的作用。利用第二级链接（即公共邻居之间的链接）的信息，可以改进大多数经典的相似性指标。然而，计算2级链接的数量使得CAR索引不够有效。受利用局部连接/三角形信息的思想的启发，我们提出了一种新的具有更多局部结构信息的相似性指数。在我们的方法中，局部链接/三角形结构信息可以直接通过公共邻居的聚类系数来传达。聚类系数在估计共同邻居贡献方面具有良好效果的原因是它利用了共同邻居的邻居之间存在的链接，并且这些链接与该共同邻居的候选链接具有相同的结构位置。来自五个不同领域的十个真实世界的网络被用来测试我们的方法对经典的相似性指标和最近提出的CAR指标的性能。两个估计：精度和AUP，用于评估链接预测算法的准确性。一般来说，我们的新指标只能与CAR竞争，但它是一个很好的补充，CAR的网络与不太高的LCP-corr，这是一个措施，以估计之间的相关性的数量的共同邻居和共同邻居之间的链接数。此外，该指数也比CAR指数更有效。
2016-01-16 cs.SI physics.soc-ph stat.AP
Link Prediction via controlling the leading eigenvector
链接预测是网络科学中的一个基本挑战。在众多的方法中，基于相似性的算法以其简单、可解释、高效和良好的性能而备受青睐。在本文中，我们证明了最基本的局部相似性指标共同邻居（CN）可以线性分解的目标网络的邻接矩阵的特征向量，每个特征向量的贡献是成比例的相应特征值的平方。由于在许多真实网络中，最大特征值和第二大特征值之间存在巨大的差距，因此CN索引由前导特征向量主导，并且可能忽略其他特征向量中包含的许多有用信息。因此，我们提出了一个无参数的算法，确保领导的特征向量和次特征向量的贡献相同。在真实网络上的大量实验表明，该算法的预测性能明显优于文献中表现良好的局部相似性指标。进一步提出了一种可以调整前导特征向量贡献的算法，该算法具有较好的精度和较低的计算复杂性，优于现有的参数可调算法。
2021-06-30 cs.SI physics.soc-ph
Community Detection in Complex Networks using Link Prediction
社区发现和链接预测在网络分析中具有重要意义，它们从不同的角度对网络的拓扑结构提供了非常有价值的见解。针对链接预测能否提高社区划分的准确性这一问题，提出了一种新的社区发现算法，该算法引入了链接预测.对于链接预测，我们提出了两个新的索引来计算每对节点之间的相似性，其中一个旨在添加丢失的链接，另一个试图删除虚假的边缘。在基准数据集上进行了大量的实验，并将该算法的结果与两类基线进行了比较。总之，我们提出的算法是有竞争力的，揭示了链接预测确实提高了社区发现的精度。
2017-07-10 cs.SI physics.soc-ph
Hidden space reconstruction inspires link prediction in complex networks
链接预测是众多学科中的一个基本挑战，其目的是根据不完全的观测信息识别网络中的潜在链接，具有广泛的应用，从发现缺失的蛋白质-蛋白质相互作用到预测网络的演化。其中最有影响力的方法依赖于相似性指数的共同邻居或其变化的特点。我们构造了一个隐藏空间映射到欧氏空间的网络连接结构的基础上，完全网络。与节点的真实地理位置相比，我们重建的位置与真实位置是一致的。我们的隐藏空间中的节点之间的距离可以作为一种新的相似性度量在链接预测。此外，我们混合我们的隐藏空间方法与其他国家的最先进的相似性方法，大大优于现有的方法的预测精度。因此，我们的隐藏空间重建模型提供了一个新的角度来理解网络结构，特别是投下了新的光链接预测。
2017-03-25 cs.SI physics.data-an physics.soc-ph
A novel similarity measure for mining missing links in long-path networks
网络信息挖掘是对网络拓扑结构的研究，它回答了大量基于应用的问题，涉及到一个真实系统的结构演化和功能。例如，这些问题可以与真实系统如何进化或个人如何在社交网络中相互作用有关。虽然真实系统的演化似乎是有规律的，但捕获整个演化过程中的模式并不是微不足道的。链接预测是网络信息挖掘的重要技术之一，它可以帮助我们了解真实系统的演化规律。链接预测的目的是发现缺失的链接或量化已知网络结构中不存在的链接出现的可能性。目前，广泛存在的链路预测方法几乎都集中在短路径网络，通常有无数的紧密的三角形结构。然而，这些算法在高度稀疏或长路径网络上的性能较差。在这里，我们提出了一个新的指标，是与结构等价和最短路径长度（$SESPL$）的原则，以估计在长路径网络中的链路存在的可能性。通过对548个真实网络的测试，我们发现$SESPL$在长路径网络中比其他基于相似性的预测器更有效。我们还利用$SESPL$预测器和嵌入式方法的性能，通过机器学习技术，和$SESPL$的性能可以达到44.09\%，超过$GraphWave$和$Node2vec$ 7.93\%。最后，根据所有相似性预测器之间的最大信息系数矩阵（$MIC$），$SESPL$是一个新的独立于传统相似性特征空间的特征。
2021-10-11 physics.data-an physics.soc-ph
SimBins: An information-theoretic approach to link prediction in real multiplex networks
现实世界网络的实体通过不同类型的连接（即层）连接。多路复用网络中的链路预测的任务是基于层内和层间相关性来找到丢失的连接。我们的观察证实，在广泛的现实世界的多重网络，从社会到生物和技术，一个层的连接概率和其他层的相似性之间存在正相关。因此，设计了一种基于相似性的自动通用复用链路预测方法- SimBins -，该方法基于复用网络中观察到的层间相关性来量化连接不确定性的量。此外，SimBins通过合并跨层链路重叠的影响来增强目标层的预测质量。应用于不同领域的各种数据集，SimBins被证明是强大的，优于比较方法在大多数实验情况下，在链接预测的准确性。此外，讨论了SimBins对基本相似性度量施加较小的计算开销，使其成为一种潜在的快速方法，适用于大规模复用网络。
2020-12-04 cs.SI physics.data-an physics.soc-ph
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
Percolation of Interdependent Networks with Inter-similarity
真实数据表明，相互依赖的网络通常涉及相互相似性。互相似性意味着一对相互依赖的节点在两个网络中都有邻居，这些邻居也是相互依赖的（Parshani et al \cite{PAR10B}）。例如，耦合的全球港口网络和全球机场网络是相互类似的，因为在这两个网络中存在许多对通过直达航班和直达航运线链接的节点（相邻城市）。在同一个城市的两个网络中的节点被认为是相互依赖的。如果一个网络中的两个相邻节点依赖于另一个网络中的相邻节点，我们称这些链路为公共链路。系统中公共链接的比例是相互相似性的度量。以往的仿真结果表明，互相似性对减少级联故障有显著的作用，但目前缺乏对互相似性对级联过程影响的理论认识。在这里，我们映射的级联过程中的相互相似性的渗透网络组成的组件的共同链接和非共同链接。这就把相似系统的渗流问题转化为一系列子网络上的正则渗流问题，并可以解析求解。我们应用我们的分析的情况下，共同链接的网络是一个Erdens-Rényi（ER）网络的平均度$K$，和两个网络的非共同链接也是ER网络。我们表明，对于一个完全耦合的ER网络对，对于任何$K\geq0$，虽然级联减少与增加$K$，相变仍然是不连续的。我们的分析可以推广到任何一种相互依赖的随机网络系统。
2013-08-08 cond-mat.stat-mech physics.soc-ph
Effective and Efficient Similarity Index for Link Prediction of Complex Networks
对不完整网络（如蛋白质-蛋白质相互作用网络）或进化网络（如网络社会中的友谊网络）中非常可能但尚未存在的链接的预测可以被视为进一步实验的指导方针或对网络用户有价值的信息。在本文中，我们引入了一个局部路径指数来估计两个节点之间的链接存在的可能性。我们提出了一个在生成链接时密度和噪声强度可控的网络模型，并收集了六个真实网络的数据。大量的数值模拟模型的网络和真实的网络证明了高的有效性和效率的本地路径索引相比，两个著名的和广泛使用的索引，共同的邻居和Katz指数。事实上，本地路径索引提供了具有竞争力的准确预测的Katz指数，而需要更少的CPU时间和内存空间，因此，这是一个强大的候选人的潜在的实际应用中的数据挖掘的巨大规模的网络。
2009-08-26 physics.data-an physics.soc-ph q-bio.QM
Correlation and Network Topologies in Global and Local Stock Indices
本研究考察了KOSPI 200中的30个全球指数和145个韩国本地指数的相关性和网络结构在2000-2012年的13年期间发生的变化。计算各指标间的相关性。结果表明，虽然全球指数的平均相关性随着时间的推移而增加，但除危机期间发生剧烈变化外，局部指数呈下降趋势。在2000-2002年的危机期间，地方指数的平均相关性超过了全球指数，这意味着由于互联网泡沫的不利影响，在这一时期，地方指数之间存在着很强的相关性结构。通过设定阈值和确定网络拓扑结构，在观测时间窗内构造阈值网络。由于这两个市场的金融危机，观察到网络拓扑结构发生了重大变化。Jaccard相似性也确定使用TN的共同链接。金融网络的TN与时间的演变并不一致，全球指数的连续TN比连续本地指数的TN更相似。最后，Jaccard相似性确定了由于两个市场的危机而导致的市场状态的变化。
2014-02-07 physics.soc-ph q-fin.ST
Link Prediction in Real-World Multiplex Networks via Layer Reconstruction Method
链路预测问题的大量研究致力于寻找单层（单纯形）网络中的丢失链路。所提出的链接预测方法根据观察到的网络结构计算未连接节点对之间的相似性度量。然而，将相似性概念扩展到多重网络是一个双重挑战。现实世界的多路复用网络的层不具有相同的组织，但也不是完全不同的组织。因此，应该确定多路复用网络的层有多相似。另一方面，需要知道相似层如何在具有缺失链路的目标层上的链路预测任务中做出贡献。特征向量能够很好地反映网络的结构特征。因此，多路复用网络的两个层是相似的。结构特征，如果它们共享相似的特征向量。实验表明，现实世界的多路复用网络的层是类似的w.r.t.结构特征和相似性的价值远远超出了它们的随机同行。此外，它表明，丢失的链接是高度可预测的，如果他们的添加或删除不显着改变网络的结构特征。否则，如果变化很大，结构特征的类似副本可能会有所帮助。基于这一概念，层重建方法（LRM）找到最好的重建所观察到的结构的目标层与其他类似层的结构特征。在不同学科的实际复用网络上的实验表明，该方法充分利用了网络中的信息冗余，即使在高丢失率的情况下，链路预测的性能也能保持鲁棒性。
2019-06-22 cs.SI physics.data-an physics.soc-ph
Predicting Missing Links via Local Information
网络的缺失链预测在现代科学中具有重要的理论意义和实际意义。在本文中，我们实证研究的基础上，节点相似性的链接预测的一个简单的框架。我们比较了九个著名的本地相似性措施在六个真实的网络。结果表明，最简单的措施，即共同的邻居，具有最好的整体性能，和Adamic-Adar指数表现第二好。提出了一种新的相似性度量，动机的资源分配过程中发生的网络，并显示出具有更高的预测精度比共同的邻居。研究发现，如果只使用最近邻的信息，许多链接被分配相同的分数。因此，我们设计了另一种新的措施，利用信息的次近邻，它可以显着提高预测精度。
2009-06-01 physics.data-an physics.soc-ph
Measuring node similarity using minimum cycles in networks
Kunming University of Science and Technology（昆明理工大学）
本文提出基于最小环的节点相似性度量方法，用于提升链接预测和社区检测的性能。
2026-01-29 physics.soc-ph
Bridgeness: A Local Index on Edge Significance in Maintaining Global Connectivity
网络中的边根据其不同的作用可以分为两类：一类是增强局部性的边，如簇内边;另一类是增强全局连通性的边，如连接两个簇的边。Onnela等人最近的一项研究揭示了移动通信中的弱联系效应。在这篇文章中，我们提供了文档网络的补充结果，也就是说，连接内容中不太相似的节点的边在保持全局连通性方面更重要。我们提出了一个名为桥接度的指标来量化边的重要性，在保持连通性，它只依赖于网络拓扑的局部信息。我们比较了桥度与内容相似性和其他一些结构指标，根据边渗流过程。在文档网络上的实验结果表明，在描述边缘重要性方面，桥接度优于内容相似度。此外，在不同网络上的大量数值结果表明，桥接性也优于一些著名的边缘重要性指标，包括Jaccard系数，度积和介数中心性。
2010-10-25 physics.soc-ph
Seasonal prediction of renewable energy generation in Europe based on four teleconnection indices
随着许多欧洲国家的电力结构中风能和太阳能的数量不断增加，了解和预测可再生能源发电在多个时间尺度上的变化对于确保可靠的电力系统至关重要。在季节尺度上，供求平衡主要由大尺度大气环流决定，而大气环流由于气候变化和自然变率而具有不确定性。在这里，我们采用四遥相关指数，这代表了大气条件之间的联系，在广泛分离的地区，在欧洲的季节尺度上描述的大尺度环流。对于第一次，我们将每个遥相关的风能和太阳能发电异常在国家和区域一级，我们表明，动态预测的遥相关指数可以预测可再生能源发电在国家一级的积极技能水平。该模型通过其对大气环流和遥相关状态的共同依赖，揭示了欧洲国家风能和太阳能发电的协变性。
2022-02-07 physics.ao-ph physics.soc-ph
Emergence and resilience of social networks: a general theoretical framework
我们介绍和研究的一般模型的社会网络的形成和演变的基础上的概念，优先链接形成相似的节点之间的连接和增加的相似性。该模型进行了研究，数值和分析的三个定义的相似性。与现实世界的社交网络一样，我们发现高连接和低连接阶段以及历史依赖性共存。我们认为，链接和相似性之间的正反馈，这是负责模型的行为也是一个重要的机制，在真正的社交网络。
2005-04-18 cond-mat.stat-mech physics.soc-ph
Propagation of Systemic Risk in Interbank Networks
本文利用一个从网络连通性信息定义银行资产负债表的模型，探讨了网络中金融传染的特征，该网络的连通性分布接近幂律。通过改变网络创建的参数，构建了多个银行间网络，其中债务和信用的集中度是在创建网络过程中从链路分布中获得的。分析了三种主要类型的银行间网络对传染的弹性：i）债务集中度大于信贷集中度，ii）信贷集中度大于债务集中度，iii）债务和信贷的集中度相似。我们还测试了连接性变化与链接浓度变化的影响。结果表明，与其他分析的网络相比，具有高集中度信用的连接网络（具有系统的大债权人节点）对传染具有更大的弹性。通过对文献中提出的系统性风险拓扑指数的评价，验证了这些指数能够很好地解释节点失效对系统的影响。在债务高度集中的网络中，拓扑指数与损失幅度之间存在明显的正相关关系。对于弹性更强的网络，这种相关性较小。
2014-10-09 nlin.AO physics.soc-ph q-fin.GN
