Knowledge Graph Embeddings: A Comprehensive Survey on Capturing Relation Properties
Beihang University（北京航空航天大学）
该综述围绕知识图谱嵌入中的关系属性建模展开，系统梳理了对应不同关系特性的各类KGE模型，并针对稀疏、动态知识图谱等复杂场景提出了未来研究方向。
2025-03-21 cs.AI cs.CL cs.LG
Capturing and Anticipating User Intents in Data Analytics via Knowledge Graphs
UPC（巴塞罗那技术大学）
本文研究利用知识图谱捕捉用户意图，提升数据分析工具的用户体验，通过查询模板和链接预测方法实现灵活的推荐系统。
2024-11-01 cs.AI cs.DB cs.LG
CommPOOL: An Interpretable Graph Pooling Framework for Hierarchical Graph Representation Learning
University of Pittsburgh（匹兹堡大学）；Intel Labs（英特尔实验室）；Lehigh University（里海大学）
近年来，层次图池神经网络（HGPNN）的出现和蓬勃发展，这是有效的图表示学习方法的图级任务，如图分类。然而，当前的HGPNN没有充分利用图的固有结构（例如，社区结构）。此外，现有HGPNN中的池化操作难以解释。在本文中，我们提出了一个新的可解释的图池框架- CommPOOL，它可以捕获和保存图的层次社区结构的图表示学习过程。具体而言，CommPOOL中提出的社区池机制利用无监督方法以可解释的方式捕获图的固有社区结构。CommPOOL是一个通用而灵活的分层图表示学习框架，可以进一步促进各种图级任务。在五个公共基准数据集和一个合成数据集上的评估表明，与最先进的基线方法相比，CommPOOL在图分类的图表示学习中具有优异的性能，并且在捕获和保存图的社区结构方面具有有效性。
2020-12-10 cs.AI cs.LG
Capturing Intransitive Dominance in Tennis Forecasting: A Graph Neural Network Approach
School of Engineering Mathematics and Technology, University of Bristol（布里斯托大学工程数学与技术学院）
针对网球中常见的非传递性优势（A胜B，B胜C，C胜A），提出图神经网络模型，通过时间有向图建模历史比赛结果，捕捉被传递性评级系统忽略的预测信号，与加权Elo结合后显著提升预测性能。
2026-11-13 cs.LG
GraphSearchNet: Enhancing GNNs via Capturing Global Dependencies for Semantic Code Search
Nanyang Technological University（南洋理工大学）；Singapore Management University（新加坡管理大学）；University of Alberta（阿尔伯塔大学）；Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）
代码搜索旨在基于自然语言查询检索准确的代码片段，以提高软件生产率和质量。由于有大量可用的程序，例如（在GitHub或Stack Overflow上），识别和本地化精确的代码对于软件开发人员来说至关重要。此外，深度学习最近已被广泛应用于不同的代码相关场景，例如，漏洞检测，源代码总结。然而，自动化深度代码搜索仍然具有挑战性，因为它需要代码和自然语言查询之间的高级语义映射。大多数现有的基于深度学习的代码搜索方法依赖于顺序文本，将程序和查询作为令牌的平坦序列来馈送，以在没有充分考虑结构信息的情况下学习程序语义。此外，广泛采用的图神经网络（GNNs）已经证明了它们在学习程序语义方面的有效性，然而，它们也遭受在构造的图中捕获全局依赖的问题，这限制了模型学习能力。为了解决这些挑战，在本文中，我们设计了一种新的神经网络框架，命名为GraphSearchNet，使一个有效的和准确的源代码搜索，通过共同学习源代码和自然语言查询丰富的语义。具体来说，我们建议用双向GGNN（BiGGNN）为源代码和查询构建图，以捕获源代码和查询的局部结构信息。此外，我们通过利用多头注意力模块来补充BiGGNN遗漏的全局依赖关系，以提高模型的学习能力，从而增强BiGGNN。在Java和Python程序设计语言上的广泛实验证实了GraphSearchNet优于当前最先进的作品。
2023-02-13 cs.AI cs.SE
Adversarial Graph Augmentation to Improve Graph Contrastive Learning
Purdue University（普渡大学）；Georgia Tech（佐治亚理工学院）；Microsoft Research（微软研究院）
由于现实世界的图/网络数据中普遍存在的标签稀缺问题，图神经网络（GNN）的自监督学习非常需要。图对比学习（GCL）通过训练GNN以最大化相同图的不同增强形式的表示之间的对应关系，即使不使用标签，也可以产生鲁棒和可转移的GNN。然而，由传统GCL训练的GNN通常有捕获冗余图特征的风险，因此可能很脆弱，并在下游任务中提供低于标准的性能。在这里，我们提出了一种新的原则，称为adversarial-GCL（AD-GCL），它使GNN能够通过优化GCL中使用的对抗图增强策略来避免在训练过程中捕获冗余信息。我们将AD-GCL与理论解释配对，并设计了一个基于可训练边丢弃图增强的实用实例。我们通过与最先进的GCL方法进行比较来实验验证AD-GCL，并在无监督的情况下实现了高达$14\%$的性能增益，在传输中实现了$6\%$，在半监督学习设置中实现了$3\%$的性能增益，其中18个不同的基准数据集用于分子属性回归和分类以及社会网络分类。
2021-11-03 cs.AI cs.LG
Poincaré Heterogeneous Graph Neural Networks for Sequential Recommendation
Ant Group（蚂蚁集团）；Tianjin University（天津大学）；Shantou University（汕头大学）
顺序推荐通过捕捉用户行为演化的顺序模式来学习用户的偏好。正如许多研究所讨论的，SR的用户-项目交互通常呈现内在的幂律分布，这种分布可以上升到类层次结构。以往的方法通常通过在欧氏空间下经验性地对用户项进行分段来处理这种层次信息，这可能会导致真实在线场景中用户项表示的失真。本文提出了一种基于庞加莱的异构图神经网络PHGR，用于同时对SR场景数据中包含的序列模式信息和层次信息进行建模。具体来说，为了明确地捕捉层次信息的目的，我们首先构建一个加权的用户-项目异构图，通过排列所有的用户-项目交互，以提高从全局视图的感知域的每个用户。然后将全局表示的输出用于补充局部有向项-项齐次图卷积。通过定义一种新的双曲内积算子，将全局和局部图的表示学习直接在Poincaré球中进行，而不是常用的Poincaré球到欧氏空间的投影运算，从而缓解了一般双向平移过程中的累积误差问题.此外，为了显式地捕获序列依赖信息，我们在Poincaré球空间下设计了两种时间注意操作。对公共和金融行业数据集的实证评估表明，PHGR优于几种比较方法。
2022-05-16 cs.AI cs.IR cs.LG
Temporal Graph Representation Learning with Adaptive Augmentation Contrastive
Hangzhou Dianzi University（杭州电子科技大学）；Tianjin University（天津大学）
针对时序图表示学习易捕捉时序相关噪声的问题，提出结合先验与时序信息的自适应增强对比TGAC模型及三种拓扑修改增强策略，在真实网络上性能优于现有方法。
2023-11-07 cs.AI cs.LG
Capturing More: Learning Multi-Domain Representations for Robust Online Handwriting Verification
South China University of Technology（华南理工大学）；INTSIG Information Co. Ltd（INTSIG信息有限公司）；INTSIG-SCUT Joint Lab on Document Analysis and Recognition（INTSIG-SCUT文档分析与识别联合实验室）；SCUT-Zhuhai Institute of Modern Industrial Innovation（华南理工大学珠海现代工业创新研究院）
提出SPECTRUM时频协同模型，通过多尺度交互、自门控融合和距离验证器，利用多域表示提升在线手写验证的判别力，实验证明其优于现有方法。
2025-10-14 cs.AI cs.CV
Exploring Adaptive Structure Learning for Heterophilic Graphs
Department of Mathematical Sciences（数学科学系）；Indian Institute of Technology (BHU)（印度理工学院（BHU））
针对异质图中GCN局部聚合难捕捉长程依赖、固有结构与同类节点信息共享冲突的问题，提出在浅层GCN中通过参数化邻接矩阵的结构学习重连边以捕捉长程依赖，但该方法跨异质图通用性不足，节点分类表现受图结构影响。
2025-07-27 cs.LG
Exploring Consistency in Graph Representations:from Graph Kernels to Graph Neural Networks
Dartmouth College（达特茅斯学院）；University of California San Diego（加利福尼亚大学圣迭戈分校）
该研究针对图神经网络难捕捉一致图间相似性的问题，对比分析图核一致性特性提出跨层一致性损失，有效提升了多骨干多数据集的图分类性能。
2024-12-11 cs.AI cs.LG
Gibbs-Helmholtz Graph Neural Network: capturing the temperature dependency of activity coefficients at infinite dilution
Otto-von-Guericke University（奥托·冯·格里克大学）；Technische Universität Chemnitz（开姆尼茨工业大学）
本研究针对无限稀释活度系数的温度依赖预测问题，提出结合Gibbs-Helmholtz表达式与图神经网络的GH-GNN模型，在大规模二元体系数据集上性能优于传统机理模型，并明确了适用域标准，相关成果已开源。
2022-12-16 cs.LG physics.chem-ph
UniGO: A Unified Graph Neural Network for Modeling Opinion Dynamics on Graphs
Wuhan University（武汉大学）；Electronic Information School（电子信息学院）
本文提出统一图神经网络框架 UniGO，通过粗化—细化机制整合多种观点融合规则并缓解过度平滑，结合合成数据预训练实现真实观点演化预测。
2025-02-17 cs.AI cs.SI
Learning From Graph-Structured Data: Addressing Design Issues and Exploring Practical Applications in Graph Representation Learning
McGill University（麦吉尔大学）
本文综述了图表示学习与GNNs的最新进展，提出了配备高阶池化函数的GNN以提升节点级和图级任务性能，并构建了以GNN为核心的分子图生成模型，能同时生成原子-键结构与精确原子位置，在多种数据集上表现卓越。
2024-11-09 cs.AI cs.LG
GRIT: Graph Transformer For Internal Ice Layer Thickness Prediction
Department of Computer Science and Engineering（计算机科学与工程系）；Lehigh University（莱斯大学）；Department of Civil and Environmental Engineering（土木与环境工程系）
GRIT是一种结合图神经网络与注意力机制的图变换器，用于预测雷达图像中内部冰层厚度，通过映射浅深层关系，实现比基线更低的预测误差。
2025-07-10 cs.LG
Scaling Graph Transformers: A Comparative Study of Sparse and Dense Attention
Technical University of Munich（慕尼黑技术大学）
针对传统图神经网络难以捕获节点长程依赖的问题，本文比较图Transformer中密集与稀疏两种注意力机制的权衡及适用场景，概述其设计挑战，为图Transformer的扩展提供参考。
2025-08-24 cs.AI cs.LG
CTAGE: Curvature-Based Topology-Aware Graph Embedding for Learning Molecular Representations
针对分子图难以表达三维空间信息且现有方案增加计算成本的问题，本文提出CTAGE嵌入，利用k跳离散Ricci曲率注入拓扑结构信息并提升分子性质预测性能。
2024-01-18 cs.AI cs.LG q-bio.QM
VGCN-BERT: Augmenting BERT with Graph Embedding for Text Classification
University of Montreal（蒙特利尔大学）
近年来，基于神经网络的文本分类方法取得了很大的进展。特别是，使用注意力机制的模型，如BERT，已被证明具有捕获句子或文档中的上下文信息的能力。然而，它们捕捉语言词汇的全局信息的能力是有限的。后者是图卷积网络（GCN）的优势。本文将BERT的性能与词汇图卷积网络（VGCN）相结合，提出了VGCN-BERT模型。局部信息和全局信息通过BERT的不同层相互作用，允许它们相互影响并共同构建用于分类的最终表示。在多个文本分类数据集上的实验中，我们的方法优于单独的BERT和GCN，并取得了比以往研究更高的有效性。
2020-04-12 cs.CL cs.LG stat.ML
Bosonic Random Walk Networks for Graph Learning
图神经网络（GNNs）的发展使得图结构数据的机器学习取得了很大进展。这些网络通过在图节点上传播信息来操作，同时捕获图的结构。最近，量子计算技术也取得了巨大进展。在这项工作中，我们探讨了多粒子量子行走在图中扩散信息的应用。我们的模型是基于学习的运营商，管理图上的量子随机游走的动力学。我们证明了我们的方法对分类和回归任务的有效性。
2020-12-31 cs.LG
Probabilistic Weather Forecasting with Hierarchical Graph Neural Networks
Linköping University（林雪平大学）；University College London（伦敦大学学院）
针对确定性天气预报难以刻画混沌系统不确定性的问题，提出融合潜变量与图框架的 Graph-EFM，实现高效空间一致集合采样，并在全球及区域预报中取得低误差与可靠不确定性估计。
2024-10-26 cs.LG stat.ML
Navigating the Dynamics of Financial Embeddings over Time
Capital One（第一资本）
金融交易构成实体之间的连接，并通过这些连接，一个大规模的异构加权图制定。在这个不断更新的互动迷宫中，存在着各种基于相似性的模式，可以提供对金融体系动态的洞察。在当前的工作中，我们提出了在可扩展的动态设置中应用图表示学习，作为以有意义和鲁棒的方式捕获这些模式的一种手段。我们继续对潜在轨迹进行严格的定性分析，以从所提出的表示及其随时间的演变中提取真实世界的见解，据我们所知，这是金融领域的第一次。潜在空间的变化与已知的经济事件有关，特别是最近的COVID-19疫情对消费模式的影响。捕获这些模式表明通过合并潜在图表示为金融建模增加了价值。
2020-07-01 cs.LG cs.SI stat.ML
A Spatio-Temporal Hybrid Quantum-Classical Graph Convolutional Neural Network Approach for Urban Taxi Destination Prediction
University of Electronic Science and Technology of China（电子科技大学）；Henan University（河南大学）；Henan Academy of Sciences（河南省科学院）
本文提出一种结合量子计算和经典深度学习的混合时空图卷积网络，用于提升城市出租车目的地预测的精度和稳定性。
2025-12-15 cs.AI quant-ph
TempGNN: Temporal Graph Neural Networks for Dynamic Session-Based Recommendations
Samsung Research, Samsung Electronics（三星电子三星研究院）
提出TempGNN框架，利用动态会话图上的时序嵌入算子捕捉物品转移的结构与时间动态，在两个真实电商数据集上取得最先进性能。
2023-10-20 cs.AI cs.IR
Toward Robust Graph Semi-Supervised Learning against Extreme Data Scarcity
Arizona State University（亚利桑那州立大学）；Microsoft Research（微软研究院）
图神经网络在基于图的Web挖掘中的成功高度依赖于大量的人工标注数据，这在实践中是很难获得的。当标记节点较少时，如何提高标记节点的鲁棒性是实现可复制和可持续的图半监督学习的关键。尽管自训练对于半监督学习来说是很强大的，但是它在图结构数据上的应用可能会失败，因为（1）没有利用较大的感受野来捕获长距离节点交互，这加剧了将特征标签模式从标记节点传播到未标记节点的困难;以及（2）有限的标记数据使得在不显式地捕获底层语义结构的情况下学习不同节点类的良好分离的决策边界具有挑战性。为了解决捕获信息结构和语义知识的挑战，我们提出了一种新的图数据增强框架AGST（Augmented Graph Self-Training），它是用两个新的（即，结构和语义）增强模块。在这项工作中，我们研究了这种新的框架是否可以在低数据环境下学习一个鲁棒的图预测模型。在有限标记节点数据的不同场景下，我们对半监督节点分类进行了综合评估。实验结果表明，新的数据增强框架的独特贡献的节点分类与标记的数据很少。
2022-12-11 cs.LG
Learning Long Range Dependencies on Graphs via Random Walks
Max Planck Institute of Biochemistry（马克斯·普朗克生物化学研究所）
针对消息传递GNN长程依赖捕捉弱、图Transformer易简化图结构的问题，提出结合随机游走长程信息与局部消息传递的NeuralWalker框架，在19个基准数据集上实现显著性能提升。
2024-10-07 cs.LG stat.ML
PM2.5-GNN: A Domain Knowledge Enhanced Graph Neural Network For PM2.5 Forecasting
School of Systems Science, Beijing Normal University（北京师范大学系统科学学院）
在预测PM2.5浓度时，需要考虑复杂的信息来源，因为浓度在很长一段时间内受到各种因素的影响。在本文中，我们确定了一组关键领域的知识PM2.5预测和开发一种新的基于图形的模型，PM2.5-GNN，能够捕捉长期的依赖关系。在一个真实的数据集上，我们验证了所提出的模型的有效性，并考察了其捕获细粒度和长期影响PM2.5过程的能力。拟议的PM2.5-GNN亦已在网上部署，以提供免费预报服务。
2021-10-11 cs.LG eess.IV eess.SP
Graph Neural Network and Transformer Integration for Unsupervised System Anomaly Discovery
Georgia Institute of Technology（佐治亚理工学院）；University of Pennsylvania（宾夕法尼亚大学）；Rose-Hulman Institute of Technology（罗斯-霍曼理工学院）；University of California, Berkeley（加利福尼亚大学伯克利分校）
本研究提出一种无监督异常检测方法，结合图卷积提取多跳拓扑结构表示与Transformer建模时序行为，通过可学习联合嵌入融合特征实现端到端检测，在真实云监控数据上优于现有模型。
2025-08-13 cs.LG
FHGE: A Fast Heterogeneous Graph Embedding with Ad-hoc Meta-paths
School of Computer Science, Fudan University（复旦大学计算机科学学院）；School of Software, Fudan University（复旦大学软件学院）；Shanghai Key Laboratory of Data Science（上海数据科学重点实验室）
FHGE提出一种无需重新训练的快速异构图嵌入方法，通过分割与重建模块及双重注意力机制，高效生成元路径引导的嵌入，适用于即席查询和实时图分析。
2025-02-22 cs.LG
TIDFormer: Exploiting Temporal and Interactive Dynamics Makes A Great Dynamic Graph Transformer
Renmin University of China（中国人民大学）；Huawei Shenzhen, Guangdong China（华为深圳，广东中国）
提出TIDFormer，通过高效利用时间和交互动态，并设计可解释的自注意力机制，在多个动态图数据集上超越现有模型。
2026-06-02 cs.LG
Global Context Enhanced Anomaly Detection of Cyber Attacks via Decoupled Graph Neural Networks
Stiftung Universität Hildesheim（希尔德斯海姆大学基金会）
针对现有GNN异常检测模型无法捕捉非线性网络信息的问题，提出解耦GNN架构，分离节点表示与分类器学习，通过双模块聚合特征生成全局上下文增强嵌入，在AUC指标上优于现有模型。
2024-09-04 cs.CR cs.LG
Bayesian Graph Neural Networks for Molecular Property Prediction
University College London（伦敦大学学院）
用于分子性质预测的图神经网络经常被数据低估，并且在测试时不能推广到新的支架。一个潜在的解决方案是贝叶斯学习，它可以捕捉我们在模型参数中的不确定性。本研究使用QM9回归数据集对应用于定向MPNN的一组贝叶斯方法进行基准测试。我们发现，捕获读数和消息传递参数的不确定性产生增强的预测精度，校准和下游分子搜索任务的性能。
2020-11-25 cs.LG q-bio.BM
Geometric Relational Embeddings
Universität Stuttgart（斯图加特大学）；Institut für Künstliche Intelligenz (KI) der Universität Stuttgart（斯图加特大学人工智能研究所）
针对向量表示难以捕捉关系数据复杂符号属性的问题，提出几何关系嵌入范式，通过多种模型捕捉网络、知识图谱及本体中的复杂结构、逻辑约束与高阶结构，有效保留数据的离散符号特性。
2024-09-18 cs.AI cs.LG cs.SI
A temporal graph dissimilarity measure capturing epidemic spreading behavior
ISI Foundation（ISI基金会）；Politecnico di Torino（都灵理工大学）；Aix Marseille Univ, Univ Toulon, CNRS, CPT, Turing Center for Living Systems（艾克斯-马赛大学，土伦大学，法国国家科学研究中心，理论物理中心，图灵生命系统中心）
本研究提出EATGD这一可微时序图不相似性度量，结合嵌入距离与拓扑时间特征，经SIR模拟校准后可捕捉流行病相关图差异，适用于机器学习流程与生成模型训练。
2026-10-14 cs.LG cs.SI
Capturing High-order Structures on Motif-based Graph Nerual Networks
针对图神经网络浅层嵌入难捕获高阶结构、深层嵌入易出现图平滑的问题，提出基于网络模体的新框架，融合局部与深层全局信息，在链路预测和节点分类任务上实现性能提升。
2023-12-13 cs.SI
Models for Capturing Temporal Smoothness in Evolving Networks for Learning Latent Representation of Nodes
Indiana University Purdue University（印第安纳大学普渡大学）；Nanyang Technological University（南洋理工大学）；Wheaton College（惠顿学院）
在动态网络中，顶点的邻域在网络的不同时间快照中演化。对这种时间演变的准确建模可以帮助解决涉及现实生活中的社交和交互网络的复杂任务。然而，现有的模型用于学习潜在表示是不够的，以有意义的方式获得不同的时间戳的动态网络的顶点的表示向量。在本文中，我们提出了动态网络的潜在表示学习模型，通过考虑两种不同的时间平滑性来克服上述限制：（i）翻新，和（ii）线性变换。改进后的模型随时间跟踪顶点的表示向量，便于对网络进行基于顶点的时间分析。另一方面，基于线性变换的模型提供了一个平滑的过渡算子，该算子将所有顶点的表示向量从一个时间快照映射到下一个（未观察到的）快照，这有助于预测未来时间戳中的网络状态。我们验证了我们提出的模型的性能，采用它们来解决时间链接预测任务。在不同领域的9个真实网络上的实验验证了所提出的模型在预测演化网络动态方面明显优于现有模型。
2018-04-16 cs.LG cs.SI stat.ML
EGBTER: Capturing degree distribution, clustering coefficients, and community structure in a single random graph model
随机图模型是数据分析应用和纯数学发展的重要结构，因为它们提供了网络合成和原理分析的能力。已经开发了几种模型，其目的是忠实地保留重要的图度量和子结构。为了在一个随机图模型中捕获度分布、聚类系数和社区，我们提出了一个新的模型来解决网络建模能力进展中的缺点。Seshadhri等人的块两级Erd{Ign}s-R{é}nyi（BTER）模型，被设计为允许预期程度和聚类系数分布的规定，忽略了社区建模，而Bridges等人的广义BTER（GBTER）模型，旨在为BTER添加社区建模功能，努力同时忠实地表示所有三个特征。在这项工作中，我们适合BTER和两个GBTER配置几个真实世界的网络，并比较结果与我们的新模型，扩展GBTER（EGBTER）模型。我们的研究结果支持EBGTER增加了社区建模的灵活性，BTER，同时保持了令人满意的准确度和聚类系数。我们的见解和实证检验以前的模型，以及新的模型是新的文献贡献。
2018-08-03 cs.SI physics.soc-ph
Beyond Connectivity: Higher-Order Network Framework for Capturing Memory-Driven Mobility Dynamics
提出一种基于高阶马尔可夫链和de Bruijn图的高阶网络框架，通过编码路径时空顺序捕捉交通网络中记忆驱动的移动动态，三阶模型在预测精度与复杂度间达到最优平衡。
2025-07-10 cs.SI
Capturing Differences in Character Representations Between Communities: An Initial Study with Fandom
Carnegie Mellon University（卡内基梅隆大学）
本研究以《哈利·波特》相关两个同人社群及原作为对象，通过计算方法分析角色提及、共现网络中心性与语义关联，发现不同社群角色表征存在显著差异，验证了计算方法辅助跨社群叙事重构研究的潜力。
2024-09-17 cs.CL cs.CY cs.SI
Capturing Edge Attributes via Network Embedding
旨在学习节点的低维表示的网络嵌入已被用于各种图形相关任务，包括可视化、链接预测和节点分类。大多数现有的嵌入方法仅依赖于网络结构。然而，在实践中，我们经常有关于节点和/或它们的交互的辅助信息，例如，合作作者网络中的科学论文内容，或Twitter提及网络中的通信主题。在这里，我们提出了一种新的嵌入方法，使用网络结构和边缘属性来学习更好的网络表示。我们的方法使用一个可以充分捕获高度非线性交互的深度架构，联合最大限度地减少了高阶节点邻域，社会角色和边缘属性的重建误差。我们证明了我们的模型在各种现实世界的网络，包括协作网络和社交网络现有的最先进的方法的功效。我们还观察到，使用边缘属性通知网络嵌入在下游任务，如链接预测和节点分类产生更好的性能。
2018-05-22 cs.SI
Generating dynamic contact graphs with indirect links
图模型被广泛用于研究接触网络中的扩散过程。最近的数据驱动研究强调了间接链接的重要性，即当两个节点在不同时间访问同一地点时（SPDT），在确定网络结构和扩散动力学方面可能发生互动。然而，如何生成动态图与间接链接的扩散建模仍然是一个未解决的挑战。在这里，我们提出了一个动态的接触图模型，用于生成直接和间接链接的接触网络。我们的模型引入了多个同时活跃的副本的节点捕获间接传输链路的概念。SPDT图模型建立在活动驱动的时变网络建模基础上，用于使用简单的统计分布生成动态接触网络。该模型采用最大似然估计方法与大型城市规模的经验数据集拟合。最后，通过分析捕获使用社交网络应用程序的位置更新构建的经验图中观察到的网络属性的能力并模拟SPDT扩散过程来评估模型的性能。我们的研究结果表明，在目前的图模型，只包括直接的联系相比，我们的图模型与间接链接匹配的经验网络属性和扩散动力学更密切。
2019-11-10 cs.SI physics.soc-ph
