Analytical Models for Motifs in Temporal Networks: Discovering Trends and Anomalies
动态演化网络捕获诸如社交网络、通信网络和金融交易网络等领域中的时间关系。在这样的网络中，时间模体，这是重复的时间戳边缘/交易序列，提供有关网络的演变和功能的有价值的信息。然而，目前没有分析模型的时间图存在，也没有模型，将允许可扩展的建模时间基序频率随时间的推移。在这里，我们开发的时间活动状态块模型（TASBM），在时间图建模的时间图案。我们开发了有效的模型拟合方法，并推导出封闭形式的表达式预期的基序频率和它们的方差在一个给定的时间网络，从而使统计上显着的时间基序的发现。我们的TASMB框架可以准确地跟踪预期基序频率随时间的变化，并且可以很好地扩展到具有数千万条边/事务的网络，因为它不需要耗时生成许多随机时间网络，然后计算每个网络的基序计数。我们表明，TASBM是能够随着时间的推移，在金融交易，电话和电子邮件网络的网络时间活动的变化模型。此外，我们表明，偏离预期的基序计数计算我们的分析框架对应于异常的金融交易和电话网络。
2021-12-30 cs.SI
Temporal Motifs in Patent Opposition and Collaboration Networks
专利是反映公司和组织创新活动的知识产权。文献中有大量的研究分析了专利之间的引用和拥有专利的公司之间的合作关系。然而，专利权人之间的对抗关系并没有得到很好的研究。模拟这种关系的一个代理是专利异议，这是一种公司质疑专利有效性的法律活动。描述专利对抗、合作以及它们之间的相互作用有助于更好地理解公司的商业战略。在这种情况下，时间性很重要，因为对立和合作的顺序和频率是它们相互作用的特征。在本研究中，我们建构了一个两层的时间网络来模拟公司间的专利对抗与合作。我们利用时间母题从结构和时间的角度来分析对立和合作。我们首先描述了专利对抗中常见的主题，并调查了不同规模的公司攻击其他公司的频率。我们发现，大公司往往从事反对与多家公司。然后，我们分析了合作和反对之间的时间相互作用。我们发现，两个敌对的公司更有可能在未来合作，而不是两个合作的公司在未来相互反对。
2022-02-04 cs.SI physics.soc-ph
Analysing Collective Behaviour in Temporal Networks Using Event Graphs and Temporal Motifs
历史上，对网络行为的研究主要集中在个人行为（基于节点）或整个网络的聚合行为上。我们提出了一种新的方法来分解一个时间网络的宏观组件，并分析这些组件的行为，或集体的节点，跨时间。该方法利用时间网络中的所有可用信息（即没有时间聚合），使用时间主题和事件间时间将拓扑结构和时间结构相结合。这使我们能够创建一个时间网络的嵌入，以描述随着时间的推移和不同时间尺度的行为。我们使用从在线社交网络收集的数字通信数据的例子来说明这种方法。
2018-08-15 cs.SI nlin.AO physics.soc-ph
Motifs in temporal hypergraphs
Central European University（中欧大学）；Luiss University（鲁伊斯大学）
本文提出时间超图模体概念及精确枚举算法，通过动态规划加速并引入零模型，在多个真实数据集上揭示系统局部组织模式。
2026-09-14 cs.DS cs.SI physics.soc-ph
THyMe+: Temporal Hypergraph Motifs and Fast Algorithms for Exact Counting
群体互动出现在我们的日常生活中（电子邮件通信，按需乘车共享，在线社区上的评论互动，仅举几例），它们共同形成随时间演变的超图。给定这样的时间超图，我们如何描述它们的基本设计原理？如果它们的大小和时间跨度相差很大，我们如何比较它们的结构和时间特征？在这项工作中，我们定义了96个时间超图模体（TH-模体），并提出了它们的实例的相对出现作为上述问题的答案。TH-基序将短时间内出现的三个连接的超边之间的关系和时间动态进行分类。对于可扩展的分析，我们开发了THyMe+，一种快速准确的算法，用于计算大规模超图中TH基序的实例，并表明THyMe+最多快2,163倍，同时需要比基线更少的空间。使用它，我们调查了11个现实世界的时间超图从不同的领域。我们证明，TH-图案提供了重要的信息，有用的下游任务，并揭示有趣的模式，包括惊人的相似性时间超图从同一个域。
2021-09-17 cs.SI
A sampling framework for counting temporal motifs
图中的模式计数是网络科学任务的基础，并且有许多可扩展的方法来近似大型图中小模式（通常称为图案）的计数。然而，现代图数据集现在包含更丰富的结构，特别是纳入时间信息已成为网络分析的关键部分。时态基序是小的子图模式的概括，它包含了边的时态排序，是网络分析工具箱的一个新兴部分。然而，有没有快速估计的时间图案计数的算法，此外，我们表明，即使计数简单的时间星图案是NP-完全的。因此，需要快速和近似的算法。在这里，我们提出了第一个频率估计算法计数的时间图案。更具体地说，我们开发了一个采样框架，它位于现有精确计数算法之上的一个层，可以快速准确地估计时间基序计数。我们的研究结果表明，我们可以实现一到两个数量级的加速，在一些数据集上的准确性损失最小和可控。
2018-10-01 cs.DS cs.SI
Efficient Sampling Algorithms for Approximate Motif Counting in Temporal Graph Streams
从通信网络中的用户交互到金融市场中的交易，各种各样的复杂系统都可以建模为由一组顶点和一系列带时间戳的有向边组成的时态图。时态基序是从静态图中的子图模式中概括出来的，除了拓扑结构外，静态图还考虑了边的排序和持续时间。时间模体出现次数的计算是时间网络分析的一个基本问题。然而，现有的方法要么不能支持时间图案或遭受性能问题。此外，它们不能在流模型中工作，其中边缘随着时间的推移而逐渐观察。在本文中，我们专注于通过随机抽样近似时间模体计数。首先，我们提出了两个采样算法的时间模体计数在离线设置。第一种是边缘采样（ES）算法，用于估计任何时间主题的实例数。第二种是一种改进的边缘-楔形采样（EWS）算法，该算法将边缘采样和楔形采样相结合，用于计算具有$3$顶点和$3$边缘的时间模体。此外，我们提出了两个算法来计算时间图案增量时间图流扩展ES和EWS算法称为SES和SEWS。我们提供了全面的分析，我们提出的算法的理论界限和复杂性。最后，我们对我们提出的算法在几个真实世界的时间图进行了广泛的实验评估。结果表明，ES和EWS具有更高的效率，更好的准确性，和更大的可扩展性比国家的最先进的采样方法在离线设置的时间模体计数。此外，SES和SEWS实现了三个数量级的加速ES和EWS，同时具有可比的估计误差的时间基序计数在流设置。
2022-11-22 cs.DS cs.SI
Motif Discovery Algorithms in Static and Temporal Networks: A Survey
模体是复杂系统的基本组成部分。代表复杂系统的网络的拓扑结构以及这些网络中的基序的频率和分布是交织在一起的。图和子图同构问题作为频繁子图挖掘的核心问题，其复杂性直接影响到模体发现算法的性能。为了应对这些复杂性，研究人员采用了不同的策略来进行候选生成和枚举，以及频率计算。在过去的几年里，人们对时态网络的分析和挖掘越来越感兴趣。与静态网络相比，这些网络会随着时间的推移以边、顶点或其属性的插入、删除或替换的形式发生变化。在本文中，我们提供了一个调查的主题发现算法在文献中提出的挖掘静态和时间的网络和审查相应的算法的基础上，他们采用的候选人生成和频率计算的策略。随着社交媒体平台、生物信息学应用、通信和交通网络中大量网络数据的产生以及分布式计算和大数据技术的发展，我们也对解决静态和时态网络挖掘中CPU和I/O受限问题的算法进行了综述。
2020-05-19 cs.SI math.CO physics.soc-ph
Scalable Motif Counting for Large-scale Temporal Graphs
Ocean University of China（中国海洋大学）；Massachusetts Institute of Technology（麻省理工学院）；The University of Hong Kong（香港大学）
时间图分析中的一个基本问题是对小的连通子图模式（即，基序），这有益于广泛的现实世界应用，诸如异常检测、结构预测和网络表示学习。然而，现有的工作集中在精确的时间模体是不可扩展的大规模时间图数据，由于其沉重的计算成本或固有的并行性不足。在这项工作中，我们提出了一个可扩展的并行框架，精确计数的时间图案在大规模的时间图。我们首先分类的时间图案基于其独特的属性，然后设计定制的算法，提供有效的策略，以准确地计算每个类别的主题实例。此外，我们紧凑的数据结构，即三重和四重计数器，使我们的算法能够直接识别每个类别的时间模体实例，根据边缘信息和边缘之间的关系，从而显着提高计数效率。基于所提出的计数算法，我们设计了一个分层的并行框架，具有节点间和节点内的并行策略，并充分利用现代CPU的多线程能力，并发地计算所有的时间图案。在16个真实世界的时态图数据集上进行的大量实验证明了我们提出的时态基序计数框架的优越性和能力，与最先进的方法相比，实现了高达538* 的加速比。我们的方法的源代码可在https://github.com/steven-ccq/FAST-temporal-motif上获得。
2022-04-20 cs.LG cs.SI
Using Motif Transitions for Temporal Graph Generation
University at Buffalo（布法罗大学）
提出模体转移模型（MTM），通过将新事件建模为时序模体转移过程来生成合成时序网络，在保留全局和局部时序图统计量及运行时间上优于基线。
2023-06-19 cs.AI cs.SI
Insights and caveats from mining local and global temporal motifs in cryptocurrency transaction networks
本文利用时间模体分析比特币和NFT交易网络，揭示全局模体计数存在误导性，并发现用户模体分布呈重尾、关键参与者签名多样，以及时间分段和完成时间能暴露隐藏的异常活动与行为动态。
2024-10-04 cs.SI
An Efficient Procedure for Mining Egocentric Temporal Motifs
时态图是对随时间变化的实体之间的关系数据进行建模的结构。由于数据的复杂结构，挖掘统计上显著的时态子图，也称为时态模体，是一项具有挑战性的任务。在这项工作中，我们提出了一个有效的技术提取时间网络中的时间图案。我们的方法是基于自我为中心的时间邻域，即多层结构的自我节点为中心的新概念。该结构的每个时间层由自我节点的一阶邻域组成，并且顺序层中的相应节点由边连接。这种方法的优势在于可以将这些结构编码为唯一的位向量，从而绕过了在搜索时间图案时的图同构问题。这使得我们的算法挖掘更大的图案相对于替代方法。此外，通过把重点放在一个特定的节点的相互作用的时间动态，我们的模型允许挖掘的时间图案，这是显而易见的解释。一些复杂的网络上的社会互动的实验证实了所提出的方法的优势，替代非自我中心的解决方案。以自我为中心的程序确实更有效地揭示了不同社会环境之间的相似性和差异，独立于用于收集数据的不同技术，而这些技术反而影响了标准的非以自我为中心的措施。
2021-10-04 cs.DS cs.SI
Efficient Sampling Algorithms for Approximate Temporal Motif Counting (Extended Version)
Hunan University（湖南大学）；National University of Singapore（新加坡国立大学）；Singapore Management University（新加坡管理大学）；Alibaba-Zhejiang University Joint Research Institute of Frontier Technologies（阿里巴巴-浙江大学前沿技术联合研究院）
从通信网络中的用户交互到金融市场中的交易，各种各样的复杂系统都可以建模为时态图，它由一组顶点和一系列带时间戳的有向边组成。时态图中的时态基序是从静态图中的子图模式中推广而来的，它除了考虑结构外，还考虑了边的排序和持续时间。时间模体出现次数的计算是时间网络分析的一个基本问题。然而，现有的方法要么不能支持时间图案或遭受性能问题。在本文中，我们专注于通过随机抽样近似时间模体计数。首先，我们提出了一个通用的边缘采样（ES）算法估计的任何时间主题的实例数。此外，我们设计了一个改进的EWS算法，边缘采样与楔形采样的混合计数的时间图案与3顶点和3边缘。我们提供了全面的分析，我们提出的算法的理论界限和复杂性。最后，我们进行了广泛的实验在几个真实世界的数据集上，结果表明，我们的ES和EWS算法具有更高的效率，更好的准确性，和更大的可扩展性比国家的最先进的采样方法的时间模体计数。
2020-07-28 cs.DS cs.LG cs.SI
ITeM: Independent Temporal Motifs to Summarize and Compare Temporal Networks
Pacific Northwest National Laboratory（太平洋西北国家实验室）；Washington State University（华盛顿州立大学）
网络是表示各种复杂系统的基本和灵活的方式。许多领域，如通信，引用，采购，生物学，社交媒体和运输，可以建模为一组实体及其关系。时间网络是一般网络的特殊化，其中系统的时间演化与实体和关系的结构一样重要。我们提出了独立的时间模体（ITeM）的时间图从不同的领域进行表征。ITeM是边不相交的时间图案，可以用来模拟图的结构和演化。对于给定的时间图，我们生成ITeM频率的特征向量，并将此分布应用于测量时间图相似性的任务。我们表明，ITeM具有更高的准确性比其他基序频率为基础的方法。我们定义了各种指标的基础上ITeM，揭示了显着的时间网络的属性。我们还提出了重要性采样作为一种有效地估计ITeM计数的方法。我们评估我们的方法合成和真实的时间网络。
2020-08-06 cs.AI cs.SI
Stochastic Event Prediction via Temporal Motif Transitions
University at Buffalo（布法罗大学）
STEP通过时间模式转换和泊松过程建模，实现连续时间序列预测，提升事件预测精度和效率。
2026-03-06 cs.LG cs.SI
odeN: Simultaneous Approximation of Multiple Motif Counts in Large Temporal Networks
计算小连通子图（称为时间基序）的出现次数已成为分析时间网络的基本要素，时间网络的边用它们所代表的事件的时间进行注释。研究时间模体的主要复杂性之一是即使用有限数量的顶点或边也可以构建大量的模体。因此，由于在许多应用中，基序被用于探索性分析，用户需要迭代地选择和分析代表网络的不同方面的几个基序，导致效率低下，耗时的过程。这个问题在大型网络中加剧，其中即使是单个基序的分析也需要计算。作为一种解决方案，在这项工作中，我们提出并研究了同时计数多个时间图案的出现次数的问题，所有这些时间图案都对应于相同的（静态）拓扑结构（例如，三角形）。考虑到对于大型时间网络计算精确的计数是不可行的，我们提出了odeN，一个基于采样的算法，提供了一个准确的近似的所有计数的图案。我们提供了分析界所需的样本数odeN计算严格的，概率的，相对的近似。我们广泛的实验评估表明，odeN能够在最先进的方法所需的时间的一小部分时间内近似时间网络中的图案的计数，并且它还报告了比这些方法更准确的近似值。
2021-08-19 cs.DS cs.SI stat.ML
TME-BNA: Temporal Motif-Preserving Network Embedding with Bicomponent Neighbor Aggregation
Zhejiang University（浙江大学）
演化的时间网络是许多现实动态系统的抽象，例如，社交网络和电子商务。时间网络嵌入的目的是将每个节点映射到用于下游任务的时间演进低维向量，例如，链接预测和节点分类。时态网络嵌入的难点在于如何联合利用拓扑和时间信息来捕捉时态网络的演化。针对这一挑战，我们提出了一种基于双组分邻域聚合的时间基元保持网络嵌入方法，称为TME-BNA。考虑到时间模体对于理解时间网络的拓扑规律和功能特性至关重要，TME-BNA基于时间模体构造额外的边特征，以显式地利用具有时间信息的复杂拓扑结构.为了捕捉节点的拓扑动态，TME-BNA利用图神经网络（GNNs）根据连接边的时间戳分别聚合历史和当前邻居。在三个公共时态网络数据集上进行了实验，结果表明了TME-BNA的有效性。
2021-10-26 cs.LG cs.SI
Temporal motifs reveal homophily, gender-specific patterns and group talk in mobile communication networks
电子通信记录提供了关于人类交互的时间方面的详细信息。以往的研究表明，个体的交流模式具有复杂的时间结构，这种结构具有系统范围的影响。在本文中，我们使用移动电话记录表明，涉及多个人的互动模式具有非平凡的时间结构，不能推断出从网络演示，其中只考虑互动频率。我们应用最近推出的方法，时间图案，以确定在时间网络中的节点有额外的属性，如性别和年龄的互动模式。然后，我们开发了一个空模型，允许识别各种类型的节点之间的差异，使这些差异是独立的网络的基础上的互动频率。我们发现性别相关的差异，在通信模式，并显示存在的时间同质性，类似的个人参与互动模式的趋势超出了预期的网络结构的基础上。我们还表明，时间模式不同的密集和稀疏的网络部分。因为这个结果与边的权重无关，所以它可以被认为是Granoblutter假设在时间网络中的扩展。
2013-02-11 cs.SI physics.data-an physics.soc-ph
Scalable Temporal Motif Densest Subnetwork Discovery
针对时间网络中高阶模体稠密子网络发现的空白，提出两种带概率保证的随机近似算法，可高效处理数十亿边规模的网络，性能优于基线，能揭示金融网络的突发事件与用户社区等结构。
2024-06-25 cs.DS cs.SI
Evaluation and Comparison of Diffusion Models with Motif Features
扩散模型模拟影响在网络中的传播。扩散模型的设计和评价一直是主观和经验的。当应用于由图表示的网络时，扩散模型生成影响在其上流动的边的序列，这样的序列形成时间网络。在大多数情况下，通过分析由扩散模型生成的时间网络来推断网络的统计属性或特征。为了分析真实的时间网络，模体已被提出作为一个可靠的功能。然而，目前还不清楚网络拓扑结构和扩散模型如何影响生成的时序网络的模体特征。本文采用模体特征对扩散模型生成的时间图进行评价，进而评价扩散模型本身。提出了定量评价具有模体的扩散模型的两个基准：稳定性和可分性，并在众多扩散模型上进行了测量。提出了一种基于模体的扩散模型相似性度量方法。实验结果表明，生成的时间网络的模体主要由扩散模型决定，而网络拓扑几乎被忽略。这一结果表明，更实用和可靠的扩散模型，必须精心设计，以捕捉真实的时间网络的传播模式。
2020-12-12 cs.NI cs.SI
PRESTO: Simple and Scalable Sampling Techniques for the Rigorous Approximation of Temporal Motif Counts
University of Padova（帕多瓦大学）
小图模式（称为网络模体）的识别和计数是网络分析中的基本要素，在从社交网络到神经科学的各个领域都有应用。已经设计了几种技术来计算静态网络中基序的出现，最近的工作集中在大型网络提供的计算挑战上。现代网络数据集包含丰富的信息，例如由网络边缘建模的事件发生的时间，这可以为网络建模的过程提供有用的见解。时序网络中的模体分析，称为时序模体，正在成为现代网络数据集分析的一个重要组成部分。最近已经设计了几种方法来计算时间网络中时间模体的实例数量，这比静态网络更具挑战性。这些方法要么是精确的，不适用于大型网络，要么是近似的，但只能对它们产生的估计提供弱保证，并且不能扩展到非常大的网络。在这项工作中，我们提出了一个有效的和可扩展的算法，以获得严格的近似时间图案的计数。我们的算法是基于一个简单但有效的采样方法，这使得我们的算法适用于非常大的数据集。我们广泛的实验评估表明，我们的算法提供的时间基序计数的估计是更准确的比国家的最先进的采样算法，显着降低运行时间比精确的方法，使时间基序的研究，大小大于在以前的作品中考虑的，十亿边缘网络。
2021-01-18 cs.DS cs.LG cs.SI
Using network motifs to characterize temporal network evolution leading to diffusion inhibition
网络模体是网络中过度表示的节点交互的模式，其先前已被用作构建块以理解社交网络的各个方面。本文利用模体模式来刻画社交网络中的信息扩散过程。我们研究信息级联的生命周期，以了解是什么导致级联再共享增长饱和，从而导致过期，我们称之为“扩散抑制”的事件。在试图了解是什么原因导致抑制，我们使用图案来剖析网络获得的信息级联加上历史扩散或社会网络链接的痕迹。我们的主要结果来自于对微博平台和Flixster电影评级的级联数据集的实验。我们观察了5节点无向基序的时间计数从级联时间网络导致抑制阶段。从分析中得出的经验证据使我们得出以下关于抑制前阶段的结论：（1）个体倾向于更多地从他们过去通过社交网络或先前的交互而认识的用户处采用信息，从而比具有线性链的非循环模式更频繁地创建包含三元组的模式，以及（2）用户需要多次曝光或多轮社会强化才能接受信息，结果信息开始缓慢传播，从而导致级联死亡。根据这些观察结果，我们使用基于基序的特征来预测抑制时网络的边缘基数。我们测试功能的图案模式，通过使用回归模型的个人模式和他们的组合，我们发现，图案的功能是更好的预测未来的网络组织比个人节点的中心。
2019-03-03 cs.SI
Accurate and Fast Estimation of Temporal Motifs using Path Sampling
University of Michigan（密歇根大学）；University of California, Santa Cruz（加州大学圣克鲁兹分校）
TEACUPS 通过时间路径采样技术实现了对时序 motif 的快速准确计算，显著提升了大规模网络分析效率。
2024-10-06 cs.DB cs.DS cs.IR
Network Classification in Temporal Networks Using Motifs
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；IBM UK（IBM英国公司）；Cardiff University（卡迪夫大学）
网络分类有多种应用，例如检测网络内的社区以及寻找代表现实世界不同方面的社区之间的相似性。然而，大多数现有的工作在这一领域集中在检查静态无向网络，而不考虑有向边缘或时间性。在本文中，我们提出了一种新的方法，利用特征表示网络分类的时间基序分布的网络和空模型进行比较，对随机图。实验结果表明，我们的方法提高了$10\%$的准确性相比，国家的最先进的嵌入方法在网络分类，任务，如分类网络类型，识别社区的电子邮件交换网络，并确定用户的应用程序切换行为。
2018-08-07 cs.LG cs.SI
Temporal Network Comparison using Graphlet-orbit Transitions
网络被广泛用于模拟现实世界的系统，并揭示其拓扑特征。在许多真实世界的网络中，已经计算了网络的度分布和最短路径长度等网络属性，其中大多数都被证明是无标度和小世界网络。小图和网络基序是子图模式，它们捕获的结构信息比前面提到的全局网络属性更丰富，这些局部特征通常用于网络比较。然而，过去关于小图和网络图案的工作几乎只适用于静态网络。许多系统更好地表示为时间网络，它不仅描述了系统在给定阶段的状态，还描述了它们是如何演化的。时间相关的信息在时间网络中至关重要，如果忽略这些数据，静态方法无法获得最佳结果。本文介绍了一种扩展的时间网络的graphlets。我们提出的方法枚举每个网络快照中的所有4节点图轨道，在这个过程中建立相应的轨道转移矩阵。我们的假设是，网络代表类似的系统有特征的轨道转换，更好地识别它们比简单的静态模式，这是评估一组真正的时间网络分为类别。为了进行时间网络比较，我们提出了一个轨道转移协议度量（OTA）。OTA正确地将一组静态网络图案和小图都不能充分地这样做的时间网络分组。此外，我们的方法产生可解释的结果，我们用它来揭示特征轨道转换，这可以被视为一个网络指纹。
2017-07-14 cs.SI physics.soc-ph
Temporal Motifs for Financial Networks: A Study on Mercari, JPMC, and Venmo Platforms
J.P. Morgan Chase AI；Department of Computer Science and Engineering, University at Buffalo（计算机科学与工程系，布法罗大学）；Amazon（亚马逊）；Optum Labs（Optum 实验室）；Mercari, Inc.（Mercari 公司）；Department of Mathematics and Computational, University at Buffalo（数学与计算系，布法罗大学）；Data-Enabled Science and Engineering Program, University at Buffalo（数据赋能科学与工程计划，布法罗大学）
本研究提出基于时间模体的方法，在Mercari、JPMC和Venmo三个金融网络中解决欺诈检测、友谊预测和商家识别等任务，实验证明其性能优于多种基线方法且运行高效。
2025-07-11 cs.AI cs.SI
Sequential Motifs in Observed Walks
复杂网络的结构可以通过计算和分析网络模体来表征。模体是在网络中重复出现的小的子图，如三角形或链。最近的工作已经将图案推广到时间和动态网络数据。然而，现有的技术没有推广到顺序或轨迹数据，其表示通过网络的节点移动的实体，例如通过运输网络移动的乘客。这些数据中的观测单位是根本不同的，因为我们分析轨迹的完整观测（例如，从机场A通过机场B到机场C的旅行），而不是对边的独立观察或图随时间的快照。在这项工作中，我们定义了连续图案的轨迹数据，这是小的，有向的，和边加权子图对应的模式在观察到的序列。我们绘制了一个连接的计数和分析的顺序图案和高阶网络（HON）模型。我们表明，通过映射边缘的HON，特别是一个$k$第阶DeBruijn图，顺序图案，我们可以计算和评估它们的重要性，在观察到的数据。我们用两个数据集测试我们的方法：（1）乘客浏览机场网络和（2）人们浏览维基百科文章网络。我们发现，最普遍和最重要的顺序图案对应于直观的模式，在真实的系统中的遍历，并经验表明，在观察到的高阶DeBruijn图的边缘权重的异质性有影响的顺序图案的分布，我们希望看到我们的空模型。
2022-01-03 cs.SI physics.soc-ph
Understanding Information Flow in Cascades Using Network Motifs
越来越多的应用程序考虑网络形成的过程中，使用子图作为生成网络拓扑结构的工具。因此，迫切的研究挑战之一是能够使用这些子图来理解信息级联的网络拓扑结构，这最终为信息如何随着时间的推移而传播的理论化铺平了道路。在本文中，我们第一次尝试使用网络图案，以了解它们是否可以被用来作为生成元素的扩散网络组织在级联生命周期的不同阶段。在这样做的时候，我们提出了一个基序解释为基础的算法，使用网络图案来衡量在何种程度上，他们可以代表的时间级联网络组织。我们从扩散的角度比较了级联生命周期的两个阶段-急剧增长的阶段和饱和之前的抑制阶段。我们对来自微博平台的一组级联和5节点基序的实验表明，只有少数特定的基序模式能够表征扩散过程，因此抑制区域的网络组织比高增长阶段更好。相比之下，我们没有发现令人信服的结果，为阶段的急剧增长。
2019-04-08 cs.SI physics.soc-ph
DYMOND: DYnamic MOtif-NoDes Network Generative Model
Purdue University（普渡大学）；Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室）
本文提出动态模体-节点网络生成模型DYMOND，利用时序模体活动和节点角色捕捉图结构动态变化，并改进时序评估指标，在真实网络上优于基线模型。
2023-08-01 cs.LG cs.SI
Flow Motifs Reveal Limitations of the Static Framework to Represent Human interactions
网络通常用于定义感染、信息或其他数量可能传播的底层交互结构。虽然标准的方法是将所有链接聚合到一个静态结构中，但一些研究表明，链接建立的时间顺序可能会改变传播的动态。在本文中，我们研究的时间顺序的流量限制的各种经验时间网络的影响。通过使用随机游走动力学，我们估计链路上的流量，并将原始的无向网络（时间和静态）转换为有向流网络。然后，我们引入流图案的概念和量化的分歧时，使用的时间和静态框架的图案的代表性。我们发现，接触的规律性和持久性的顶点（常见的电子邮件通信和面对面的互动）的结果在两个框架的流量限制上的差异不大。另一方面，在约会网站（和性网络）内的通信的情况下，顶点之间的流在时间框架中显著变化，使得静态近似很难表示联系人的结构。我们还观察到，具有3个和4个顶点的仅包含低流链路的集团比具有所有高流链路的相同集团更有代表性。这些低流量集团的代表性较高的时间框架。我们的研究结果表明，在集团连接的顶点之间的流量取决于它们被放置在拓扑环境中，并在建立链接的时间序列。团的结构本身并不能完全表征顶点之间的流动势。
2013-03-13 cs.SI physics.data-an physics.soc-ph
Triadic First-Order Logic Queries in Temporal Networks
本文首次提出面向大规模时序网络的阈值化一阶逻辑三元模体查询算法 FOLTY，其理论运行时间与最优时序三角形计数相当，并能在普通硬件上高效处理近 7000 万条边的图。
2025-07-23 cs.DB cs.DS cs.IR
Latent Sub-structural Resilience Mechanisms in Temporal Human Mobility Networks during Urban Flooding
在研究时间的人类网络的弹性，仅仅依靠全球网络的措施是不够的，潜在的子结构网络机制需要检查，以确定这些网络的影响和恢复的扰动，如城市洪水的程度。在这项研究中，我们利用高分辨率聚合基于位置的灾害相关数据来构建时间人类移动网络。使用构建的时间网络模型，我们研究的特点，如模体分布，模体的持久性和时间稳定性，和模体属性，揭示潜在的子结构机制，在灾害引起的扰动人类流动网络的弹性。结果表明，城市洪水的影响持续几个星期的子结构水平上的人的流动网络。不同网络类型的影响程度和恢复持续时间不同。此外，扰动影响持续在子结构水平，而全球拓扑网络属性可能表明网络已经恢复。研究结果强调了研究微观结构及其动态过程和属性的重要性，在理解时间人类移动网络（和其他时间网络）的弹性时，必须研究微观结构及其扰动影响和恢复。研究结果还可以为灾害管理人员，政府官员和交通规划人员提供见解，以更好地评估影响，并根据子结构和全球网络层面的人类流动网络的影响和恢复模式监测受影响社区的恢复情况。
2022-03-31 cs.SI
Identifying the global terror hubs and vulnerable motifs using complex network dynamics
恐怖主义在人们心中灌输恐惧，剥夺个人随心所欲的自由。恐怖主义已成为当今的国际威胁。在这里，我们研究的恐怖袭击事件发生在过去的半个世纪在全球范围内从开源，全球恐怖主义数据库，并开发其时空动态的视图。我们构建了一个复杂的全球恐怖主义网络，并研究其增长动力学，以及反社会网络的统计特性，这是相当有趣的。通常，每个国家都根据其任务规定和特定的政治概念及其应对恐怖主义威胁的政策，追求自己的国际安全愿景，其中自然包括使用战术措施和战略谈判，甚至是武力。我们研究了网络对有针对性的攻击和随机故障的恢复能力，这可以指导反恐机构设计打击恐怖主义的战略。然后，我们使用差异过滤器的方法来隔离网络的骨干，并确定全球恐怖主义的恐怖枢纽和脆弱的图案。我们还研究了在一些典型的情况下，如阿富汗，哥伦比亚，印度，以色列，巴基斯坦和英国的枢纽和图案的演变。我们在网络骨干中发现的恐怖枢纽和脆弱图案的动态非常重要，可以提供对其形成和传播的深刻见解，从而有助于对抗恐怖主义或制定可以阻止其传播的公共政策。
2019-10-21 cs.SI physics.soc-ph
A Motif-based Approach for Identifying Controversy
在社交媒体上讨论的话题中，有些会引发争议。最近的一些研究主要集中在识别社交媒体中的争议问题上，主要是基于文本内容的分析或依赖于全球网络结构。由于难以理解自然语言和研究全局网络结构，这些方法具有很强的局限性。在这项工作中，我们表明，它是可能的，以检测在社会媒体的争议，利用网络图案，即，用户交互的本地模式。所提出的方法允许对用户讨论及其随时间的演变进行独立于语言且细粒度且计算效率高的分析。利用模体模式的监督模型可以达到85%的准确率，与基线结构，基于传播和时间网络特征相比，提高了7%。
2017-03-15 cs.SI
Detecting Mixing Services via Mining Bitcoin Transaction Network with Hybrid Motifs
作为第一个允许人们使用匿名地址进行交易的去中心化点对点（P2P）加密货币系统，比特币近年来越来越受欢迎。然而，比特币的P2P和匿名性使得该平台上的交易非常难以追踪，从而引发了比特币生态系统中各种非法活动的出现。特别是混合服务，最初是为了提高交易的匿名性而设计的，现在已经被广泛应用于洗钱活动中，使得追踪非法资金变得更加复杂。具体而言，我们提供了一个基于特征的网络分析框架，以确定从三个层次，即网络级，帐户级和交易级的混合服务的统计特性。为了更好地描述不同类型地址的事务模式，我们提出了属性时间异构基序（ATH基序）的概念。此外，为了处理不完美的标签问题，我们将混合检测任务作为一个积极和无标签学习（PU学习）问题来处理，并通过利用所考虑的特征来构建检测模型。在真实比特币数据集上的实验证明了该检测模型的有效性，以及包括ATH基序在内的混合基序在混合检测中的重要性。
2021-08-07 cs.SI
Temporal Network Sampling
Intel Labs（英特尔实验室）；Texas A&M University（得克萨斯农工大学）；Adobe Research（奥多比研究院）
时间网络代表了一个流的时间戳边缘似乎无处不在，在现实世界中。然而，这些网络的巨大规模和连续性使其在分析和利用描述性和预测性建模任务方面具有根本性的挑战。在这项工作中，我们提出了一个具有无偏估计的时间网络采样的一般框架。我们开发在线，单通采样算法和无偏估计的时间网络采样。所提出的算法能够快速，准确，和内存效率的时间网络模式和属性的统计估计。此外，我们提出了一个时间衰减采样算法与无偏估计研究网络的发展，在连续的时间，其中的链接的强度是时间的函数，和图案的时间加权。与先前的$\bigtriangleup t$ -时间基序的概念相反，所提出的用于对时间加权基序进行计数的公式和算法对于预测网络中的任务是有用的，例如预测未来的链路，或者节点和链路的未来时间序列变量。最后，在不同领域的各种时态网络上的实验证明了所提出的算法的有效性。提供了详细的消融研究，以了解拟议框架的各个组成部分的影响。
2021-01-07 cs.DS cs.LG cs.SI
Weighted temporal event graphs
时间网络事件的时间及其相关性包含了网络功能的信息，它们影响着网络上发生的动态过程。为了从相关事件时间中提取信息，已经开发了诸如时间模体分析的技术。我们讨论了一个最近推出的，更一般的框架，映射到静态图的时间网络结构，同时保留信息的时间尊重路径和它们的后续事件之间的时间差。该框架建立在加权时间事件图：有向无环图（DAG），包含所有时间路径的叠加。我们向读者介绍时间事件图映射和相关的计算方法，并通过将框架应用于时间网络渗流来说明其用途。
2019-12-09 cs.SI physics.soc-ph
Characterizing Regional Importance in Cities with Human Mobility Motifs in Metro Networks
本文以个体移动模体为基本单元，提出两种地铁网络构建框架刻画城市区域重要性，并利用多城市大规模地铁数据验证其优于经典移动网络。
2024-05-07 cs.SI cs.SY eess.SY
Motif Counting in Complex Networks: A Comprehensive Survey
本综述系统梳理一般图、异质图和超图中的模体计数技术，分类比较算法策略，并展望可扩展实现、动态图适配及与LLM和GraphRAG集成等未来方向。
2025-03-25 cs.DB cs.SI
Temporal networks: slowing down diffusion by long lasting interactions
在复杂系统中，单元之间的相互作用以特定的顺序发生，从而影响信息的流动、疾病的传播和一般的动力学过程。我们研究了时间网络的拉普拉斯谱，并将其与相应的聚合网络的拉普拉斯谱进行了比较。首先，我们证明了时间网络的系综平均谱具有相同的本征模，但比聚合网络的本征值小。在没有边缘凝聚的大型网络中，预期的时间动态是聚合动态的时间重新缩放版本。即使对于单个顺序实现，扩散动力学在时间网络中也较慢。这些差异是由于相互作用的不可解释性造成的。我们用一个简单的时间主题，更大的网络模型和真正的时间网络来说明我们的分析结果。
2013-11-01 cs.SI physics.soc-ph
Statistically validated mobile communication networks: Evolution of motifs in European and Chinese data
大数据为研究包括社会在内的复杂系统提供了前所未有的机会。特别是，通信数据作为计算社会科学的主要来源，但它们必须被清理和过滤，因为它们可能包含由于记录错误以及与社交网络不直接相关的商业和营销活动等交互而导致的虚假信息。由通信数据构建的网络只能被视为社会关系网络的代理。在这里，我们应用系统的方法，基于多重假设检验，统计验证的链接，然后构建相应的Bonferroni网络，推广到有向的情况下。我们研究了两个大的手机记录数据集，一个来自欧洲，另一个来自中国。对于这两个数据集，我们比较原始数据网络与相应的Bonferroni网络，并指出显着差异的结构和基本的网络措施。我们的证据表明，Bonferroni网络提供了一个更好的代理网络的社会互动比原来的。通过使用过滤网络，我们调查了小的有向3-基序的统计和时间演化，并得出结论，封闭的通信三合会有一个形成的时间尺度，这是相当快的，通常在一天之内。我们还发现，开放式通信三合会优先发展到其他开放式三合会与更高比例的互惠电话。这些程式化的事实在两个数据集中都得到了观察。
2014-03-15 cs.SI physics.soc-ph
Inductive Representation Learning in Temporal Networks via Causal Anonymous Walks
Stanford University（斯坦福大学）；Purdue University（普渡大学）
时态网络是许多现实世界动态系统的抽象。这些网络通常根据某些规律发展，例如三元闭合定律，这在社交网络中是普遍的。时态网络的归纳表示学习应该能够捕捉到这样的规律，并进一步应用于遵循相同规律但在训练阶段尚未发现的系统。以前的工作在这方面依赖于网络节点的身份或丰富的边缘属性，通常无法提取这些法律。在这里，我们提出了因果匿名散步（CAWs）归纳表示一个时间网络。CAW通过时间随机游走提取，并作为时间网络图案的自动检索来表示网络动态，同时避免了耗时的选择和计数这些图案。CAWs采用了一种新的匿名化策略，该策略基于一组采样的行走，用节点的命中计数代替节点身份，以保持方法的归纳性，同时建立motif之间的相关性。我们进一步提出了一个神经网络模型CAW-N来编码CAW，并将其与具有恒定内存和时间成本的CAW采样策略配对，以支持在线训练和推理。CAW-N被评估为预测6个实时网络上的链接，并且在归纳设置中平均10%的AUC增益均匀优于以前的SOTA方法。CAW-N在6个网络中的4个中也优于先前的方法。
2022-10-31 cs.LG cs.SI stat.ML
Exploring the structure and function of temporal networks with dynamic graphlets
随着实时网络数据量的不断增加，如何有效地研究这些数据成为一个重要的问题。人们可以简单地将时间网络建模为单个聚合静态网络，或者一系列特定于时间的快照，其中每个快照都是相应时间窗口上的聚合静态网络。以这两种方式对时态数据建模的优点在于，人们可以使用现有的用于静态网络分析的成熟方法来研究所得到的聚合网络。在这里，我们开发了一种新的方法，更明确地研究时间网络数据。我们基于我们的方法，建立在良好的概念graphlets（子图），这已成功地用于在静态网络研究的许多情况下。在这里，我们将静态小图的概念提升到了一个新的水平，并开发了新的理论，以允许对时间网络进行基于小图的分析。我们的新概念的动态graphlets是完全不同的动态网络分析，是基于时间图案（统计上显着的子图）的现有方法。也就是说，这些方法受到许多限制。例如，它们只能处理有限复杂度的子图结构。此外，他们的主要缺点是，他们的结果严重依赖于一个零网络模型的选择，需要评估一个子图的重要性。然而，选择一个合适的零网络模型是一个不平凡的任务。我们的动态graphlet方法克服了现有的基于时序的方法的局限性。与此同时，当我们彻底评估我们的新方法来表征整个时间网络或单个节点的结构和功能的能力时，我们发现动态图方法优于静态图方法，这表明考虑时间信息是有帮助的。
2014-12-12 cs.SI physics.soc-ph q-bio.MN
Social Status and Communication Behavior in an Evolving Social Network
个人在多大程度上可以对在线社区中的信息传播和意见动态施加影响，这在很大程度上取决于他们的社会地位。因此，通过预测社区中有影响力的用户的社会地位来识别该社区中有影响力的用户的需求很高。此外，了解不同社会地位的人的行为，可以揭示社交网络中的互动动态。在本文中，我研究了一个不断发展的在线社交网络起源于一个在线社区的大学生和我解决的问题，预测用户的社会地位，表示为他们的PageRank，根据观察到的行为，即行为图案的重复出现的时间序列的频率。我表明，具有不同值的PageRank的个人表现出不同的行为，即使在最初的几周，因为在线社区的成立，它是可以预测未来的PageRank值的行为图案的频率与高精度。
2018-10-23 cs.SI physics.soc-ph
The Temporal Event Graph
时间网络越来越多地被用于模拟复杂系统的相互作用。大多数研究需要将边缘（或事件）的时间聚合成离散的时间步长来执行分析。在这篇文章中，我们描述了一个静态的，无损的，和唯一的时间网络表示，时间事件图（TEG）。TEG描述的时间网络的事件间的时间和两个事件的时间模体分布。通过统一考虑这些分布，我们提供了一种新的方法来描述时间网络中个人和集体的行为，并提供了网络的自然分解。我们说明了实用的TEG合成和真实的时间网络上提供的例子。
2017-06-07 cs.SI nlin.AO physics.data-an
Graph Metrics for Temporal Networks
时间网络，即，其中一组基本单元之间的相互作用随时间变化的网络可以根据时变图来建模，所述时变图是一组节点上的图的时间排序序列。在这样的图中，节点邻接性和可达性的概念关键取决于链接的确切时间顺序。因此，所有的概念和度量提出并用于静态复杂网络的特性必须重新定义或适当地扩展到时变图，以考虑因果关系的时间排序的影响。在本章中，我们将讨论如何表示时态网络，并回顾对链接随时间波动的图有效的行走、路径、连通性和连通分量的定义。然后，我们专注于时间节点的节点距离，我们讨论了如何在这类网络的持续性和时间的小世界行为。最后，我们讨论了经典的中心性度量，包括贴近度，介数和谱中心性，随时间变化的图的情况下，我们回顾了时间模体分析和时间图的模块度的定义的工作。
2013-06-03 cs.SI physics.soc-ph
Path homology and temporal networks
我们提出了一个算法来计算简单的有向图的路径同源性，并用它来拓扑分析各种小的有向图的路线上的分析，表现出这样的有向图作为底层图案的复杂的时间网络。所分析的有向图包括所有有向图、有向无圈图和顶点数不超过一定的无向图，以及一些特殊构造的情况。利用这种分析的信息，我们确定了小的有向图有助于路径同源性的尺寸$2$为三个时间网络，这些有向图网络行为。我们的结论是，路径同源性可以提供洞察时间网络结构，反之亦然。
2020-08-27 cs.SI math.AT
Tools for higher-order network analysis
Stanford University（斯坦福大学）
本文提出三种工具，利用高阶连接模式分析网络数据，包括基于网络动机的模块聚类、高阶闭合模式的聚类系数扩展以及时间网络中的动机定义与计数算法。
2018-02-19 cond-mat.stat-mech cs.NA cs.SI
Counting Balanced Triangles on Social Networks With Uncertain Edge Signs
Hong Kong Polytechnic University（香港理工大学）；Hong Kong University of Science and Technology（香港科技大学）；Shenzhen Institute of Computing Sciences（深圳计算科学研究院）
本文提出了一种在具有不确定边符号的社会网络中快速计算平衡三角形的方法，结合概率信息优化搜索空间，并通过采样方法提高效率。
2026-02-15 cs.DS cs.SI
TSAM: Temporal Link Prediction in Directed Networks based on Self-Attention Mechanism
PLA Strategic Support Force Information Engineering University（中国人民解放军战略支援部队信息工程大学）
图神经网络（GCN）的发展使得从演化的复杂网络中学习结构特征成为可能。尽管现实网络中有很多是有向网络，但现有的研究很少涉及有向网络和时态网络的性质。本文针对有向网络中的时间链接预测问题，提出了一种基于GCN和自注意力机制的深度学习模型TSAM。该模型采用自动编码器架构，利用图注意层来捕获邻域节点的结构特征，以及一组图卷积层来捕获模体特征。利用具有自注意力的图递归单元层来学习快照序列中的时间变化。我们在四个真实网络上进行了对比实验，以验证TSAM的有效性。实验结果表明，TSAM优于大多数基准在两个评价指标。
2020-08-23 cs.LG cs.SI stat.ML
Multivariate Spatiotemporal Hawkes Processes and Network Reconstruction
时空数据中往往存在着潜在的网络结构，网络分析工具可以对这些数据产生有趣的见解。在本文中，我们开发了一个非参数的方法，从时空数据集使用多变量霍克斯过程的网络重建。与以前的工作网络重建点过程模型，这往往集中在专门的时间信息，我们的方法使用时间和空间信息，并不假设一个特定的参数形式的网络动态。这导致了恢复底层网络的有效方法。我们使用合成网络和从现实世界的数据集（基于位置的社交媒体网络，犯罪事件的叙述，和暴力团伙犯罪）构建的网络来说明我们的方法。我们的研究结果表明，相比仅使用时间数据，我们的时空方法产生改进的网络重建，提供了有意义的后续分析的基础-如社区结构和主题分析-重建的网络。
2018-11-15 cs.SI eess.SP nlin.AO
Influence Maximization in Temporal Social Networks with a Cold-Start Problem: A Supervised Approach
NetEase（网易）
针对时序社交网络影响力最大化中的冷启动问题，提出基于模式的IPPs标记方法和张量化TGN模型，通过多关系时序图预测种子节点，离线实验提升精度效率，在线A/B测试验证冷启动解决效果与网络增长。
2025-04-15 cs.AI cs.SI
Maximum entropy temporal networks
University College London（伦敦大学学院）
本文提出最大熵方法用于时间网络建模，通过约束条件得到可解释的网络集合，包括全局时间过程和静态最大熵边概率，从而生成有效模型并提升对数似然。
2026-06-29 cs.SI physics.data-an
