Current Flow Group Closeness Centrality for Complex Networks
与基于最短路径的贴近中心度相比,电流贴近中心度具有更好的区分能力。在本文中,我们将这一概念扩展到一组加权图的顶点,然后研究的问题,找到一个子集$S$的$k$顶点,以最大化其CFCC $C(S)$,从理论和实验。我们表明,该问题是NP-难的,但提出了两个贪心算法最小化的倒数$C(S)$证明保证使用单调性和超模块性。第一个是一个确定性算法的近似因子$(1-\frac{k}{k-1}\cdot\frac{1}{e})$和立方运行时间,而第二个是一个随机算法的$(1-\frac{k}{k-1}\cdot\frac{1}{e}-ε)$近似和近线性运行时间的任何$ε> 0$。在模型和真实网络上的大量实验表明,我们的算法是有效的和高效的,与第二个算法是可扩展的大规模网络与超过一百万个顶点。
2018-02-11 cs.DS cs.SI
Distributed Identification of Central Nodes with Less Communication
研究了利用贴近中心度进行复杂网络中心节点的分布式检测。在网络分析中,贴近中心性起着至关重要的作用。准确评估接近中心性需要对网络有完整的了解;对于大型网络,这可能效率低下,因此应该近似接近中心性。分布式任务如领袖选举可以有效地利用高度中心化节点的中心性信息,但完整的网络信息在本地是不可用的。本文通过修剪几乎肯定不是最中心的节点来改进You等人[24]的分布式中心性计算算法。例如,在一个大型网络中,离开节点不能发挥中心作用。这导致减少了为确定剩余节点的中心性而交换的消息的数量。我们的研究结果表明,我们的方法减少了网络中包含许多prunable节点的消息的数量。我们的研究结果还表明,减少消息的数量可能
2021-06-26 cs.SI
Using Time-Aware Graph Neural Networks to Predict Temporal Centralities in Dynamic Graphs
Center for Artificial Intelligence and Data Science (CAIDAS)(人工智能与数据科学中心(CAIDAS));Chair of Machine Learning for Complex Networks(复杂网络机器学习主席席位)
本研究提出使用De Bruijn图神经网络预测动态图中的时间路径中心性,在13个时间图上显著优于静态GCN、采样近似及两种最新时间感知方法,解决了时间中心性计算昂贵的问题。
2024-11-08 cs.LG cs.SI
COSINE: Compressive Network Embedding on Large-scale Information Networks
Department of Computer Science and Technology, Tsinghua University(清华大学计算机科学与技术系);Search Product Center, WeChat Search Application Department, Tencent(腾讯微信搜索应用部搜索产品中心)
最近,学习网络中节点的低维嵌入的方法激增。由于现实世界中存在许多大规模的网络,现有的方法在内存中存储大量的参数并在边缘之后更新它们是低效的。利用具有相似邻域的节点在嵌入空间中彼此接近的知识,提出了COSINE(COmpresSIve NE)算法,通过相似节点之间的参数共享,减少了内存占用,加快了训练过程。COSINE将图划分算法应用于网络,并根据划分结果建立节点间的参数共享依赖关系。COSINE算法通过相似节点间的参数共享,在训练过程中注入了更高层次结构信息的先验知识,使得网络嵌入更加高效。COSINE可以应用于任何嵌入查找方法,并以有限的内存和更短的训练时间学习高质量的嵌入。我们进行了多标签分类和链接预测的实验,其中基线和我们的模型具有相同的内存使用。实验结果表明,COSINE给出的基线上的分类和链接预测上的增长高达23%和25%。此外,使用COSINE的所有表示学习方法的时间从30%减少到70%。
2018-12-21 cs.LG cs.SI
Score and Rank Semi-Monotonicity for Closeness, Betweenness and Harmonic Centrality
本文针对无向网络中中心性度量在加边后可能出现排名下降的问题,提出半单调性这一较弱条件,并证明紧密度、介数及调和中心性均满足该条件。
2023-11-29 cs.SI
Equalizing Closeness Centralities via Edge Additions
University of Utah(犹他大学);Haverford College(哈弗福德学院)
本文研究通过加边使节点对接近中心性均衡化的图修改问题,提出接近度比率改进和接近度差距最小化两个形式化版本,证明二者均为NP难,并给出前者6/11近似算法及后者不可近似性结果。
2026-10-06 cs.DS cs.SI
Closeness Centrality Algorithms For Multilayer Networks
本文针对多层网络中心性计算中聚合转换导致结构语义损失和效率低下的问题,提出基于解耦和组合函数的紧密度中心性直接计算方法,并设计两种启发式组合策略,在合成与真实图上验证了其准确性和并行高效性。
2023-08-13 cs.IT cs.SI math.IT
Externalities in Endogenous Sharing Economy Networks
本文研究了一对代理之间的链接形成对其他代理的资源可用性(即外部性)的影响,在社会云网络,一个特殊的情况下,内生共享经济网络。具体而言,我们研究了代理人之间的紧密度和网络规模如何影响外部性。我们猜想,并通过实验支持,代理经验的正外部性,增加其封闭性是必要的。但条件还不够。然后,我们表明,人口环网络,一个或多个代理经验的正外部性,由于代理的紧密度增加。此外,形成联系的代理人之间的初始距离对受益人的人数有直接影响,受益人的人数总是少于非受益人的人数。
2019-10-18 cs.GT cs.SI
Enhanced Pruning for Distributed Closeness Centrality under Multi-Packet Messaging
University of Kinshasa(金沙萨大学)
本文提出一种基于多包消息的增强剪枝方法,有效提升大规模网络中分布式接近中心性计算的通信效率和计算效率。
2025-12-12 cs.DC cs.SI
Distance entropy cartography characterises centrality in complex networks
Fondazione Bruno Kessler(布鲁诺·凯斯勒基金会)
我们引入距离熵作为一个复杂的网络中的给定节点和它的邻居之间的路径长度分布的均匀性的度量。距离熵定义了一种新的中心性度量,其性质研究了各种合成网络模型。通过耦合距离熵信息与接近中心,我们引入了一个网络制图,它允许一个单独的基础上,以减少退化的排名接近。我们将这种方法应用于经验的多元词汇网络编码的语言关系,以英语为母语的幼儿。我们发现,距离熵制图更好地预测儿童如何学习单词相比,接近中心。我们的研究结果突出了距离熵在复杂网络中从距离模式中获得洞察力的重要性。
2018-02-28 cond-mat.stat-mech cs.CL cs.SI
Local Search for Group Closeness Maximization on Big Graphs
在网络分析和图挖掘中,接近中心度是一种常用的度量,用来推断一个顶点的重要性。有效地计算单个顶点的贴近度受到了相当大的关注。而群贴近度最大化的NP-难问题则更具挑战性:目标是找到一个整体上处于中心的顶点群,并且最先进的算法还不能扩展到非常大的图。在本文中,我们提出了新的局部搜索算法的群体贴近度最大化。通过使用随机逼近技术和动态数据结构,我们的算法往往能够有效地执行局部最优决策。最终的结果是一个具有高(但不是最佳)接近中心性的组。我们比较我们的算法,目前国家的最先进的贪婪启发式加权和未加权现实世界的图形。对于具有数亿条边的图,我们的局部搜索算法只需要大约十分钟,而贪婪算法需要十多个小时。总的来说,我们的新算法快了一到两个数量级,具体取决于所需的组大小和解决方案质量。例如,在加权图和$k = 10$上,我们的算法产生更高质量的$12,4\%$的解决方案,同时也是$793,6\times$更快。对于未加权图和$k = 10$,我们在$99,4\%$中实现了最先进质量的解决方案,同时$127,8\times$更快。
2019-11-08 cs.DS cs.SI
Generalized Erdos Numbers for network analysis
在本文中,我们考虑的概念,在一个加权的网络,可以定义的拓扑结构,即使在没有一个度量节点之间的“接近度”。广义埃尔德斯数(GENs)满足许多期望的性质,作为当节点之间共享有限资源时的拓扑接近性的度量,因为它们是实值的和非局部的,并且可以用于创建非对称的连通矩阵。我们表明,它们可以用来定义一个个性化的衡量网络中节点的重要性与自然的解释,导致一个新的全球衡量中心性,是高度相关的页面排名。GEN的相对不对称性(由于其非度量定义)也与随机游走中节点之间的平均首次通过时间的不对称性有关,我们使用GEN的线性化形式来开发空间网络中“接近”的连续模型。作为其实用性的一个例子,我们部署它们来描述静态网络的结构,并显示它如何与网络上的动态在这种情况下,如流行病的传播。
2015-07-15 cs.SI physics.soc-ph
Compressive Network Analysis
Stanford University(斯坦福大学);Peking University(北京大学);Johns Hopkins University(约翰斯·霍普金斯大学)
现代数据采集通常会产生大量的网络数据。虽然已经提出了许多方法和模型来分析这类数据,但网络数据的研究在很大程度上与经典的统计学习和信号处理理论脱节。在本文中,我们提出了一个新的网络数据建模框架,它连接了两个看似不同的领域:网络数据分析和压缩感知。从非参数的角度来看,我们使用一个大字典来建模一个观察到的网络。特别是,我们认为网络集团检测问题,并显示我们的制定与一个新的代数工具,即在齐次空间中的Randon基追求之间的连接。这样的连接使我们能够确定严格的恢复条件集团检测问题。虽然本文主要是概念性的,但我们也开发了实用的近似算法来解决经验问题,并在现实世界的数据集上证明了它们的实用性。
2011-04-24 cs.DM cs.LG cs.SI
Centrality Measures in Interval-Weighted Networks
中心性度量在网络科学中用于评估顶点的中心性或它们在网络中所占据的位置。有大量的中心性措施,根据一些标准。然而,加权网络的最著名的中心性度量,度中心性,接近中心性和介数中心性的推广仅假设边权重是常数。本文提出了一种方法来概括度,贴近度和介数中心考虑到封闭区间(区间加权网络- IWN)的形式的边权重的变化。我们将我们的中心性措施的方法,以两个现实世界的IWN。第一个是葡萄牙大陆的通勤网络,在23个NUTS 3地区之间。第二个重点是2003年至2015年28个欧洲国家之间的年度商品贸易。
2021-06-18 cs.SI physics.soc-ph
Forecasting managerial turnover through e-mail based social network analysis
本研究提出一种基于电子邮件社会网络分析的方法来比较主动离职和决定留任的管理者的沟通行为。收集了18个月的电子邮件,我们分析了866名经理的沟通行为,其中111人离开了一家大型全球服务公司。我们通过计算社交网络指标(如介数和接近中心性)和内容分析指标(如情感性和所用语言的复杂性)来比较沟通模式的差异。为了研究管理者脱离的出现,我们根据所检查的电子邮件数据的时间进行了区分。我们观察了经理离职前第5个月和第4个月的沟通情况,发现他们的网络结构和语言使用都有显著变化。研究结果表明,平均而言,辞职的管理者有较低的亲密中心性和较少的参与对话。此外,选择辞职的经理人倾向于从离职前5个月开始改变他们的沟通行为,增加他们的程度和亲密中心性,他们的语言的复杂性,以及他们在中间中心性和他们需要发送给同事的“轻推”的数量的振荡。
2021-05-19 cs.CL cs.SI physics.soc-ph
User Profile Relationships using String Similarity Metrics in Social Networks
本文回顾了社会网络中的亲密度和互动水平的问题,通过排名用户的相似性得分的基础上。这种相似性是基于社会,地理,教育,专业,共同的兴趣,喜欢的页面,共同感兴趣的团体或社区以及共同的朋友来衡量的。该技术通过提供一个合适的匹配框架,能够考虑所有用户档案的属性,并通过新的字符串度量方法找到相似性,解决了用户简档的全局匹配问题。它能够发现最大可能数量的与目标用户简档相似的简档,这是现有技术无法检测到的。属性手动分配权重,字符串和语义相似性度量用于比较属性值,从而预测最相似的配置文件。基于简档的相似性显示了用户之间的确切关系,用户简档之间的相似性反映了用户之间的亲密度和交互性。
2014-08-13 cs.SI
On Decay Centrality
我们建立了一个衰减中心性和两个广泛使用的和计算成本较低的中心性措施,即程度和接近度之间的关系。我们发现,对于较低的衰减参数的值,具有最大衰减中心性的节点也具有最大程度,而对于较高的衰减参数的值,它们也最大化接近。对于中间值,我们提供了足够的条件,允许比较不同节点的衰减中心性,我们通过数值模拟表明,在绝大多数网络中,具有最大衰减中心性的节点的特征在于衰减参数的阈值,低于该阈值,它们属于具有最大程度的节点集,高于该阈值,它们属于具有最大接近度的节点集。我们还提出了一个简单的经验法则,确保一个接近最优的选择,具有很高的概率。
2017-01-04 cs.SI physics.soc-ph
Hybrid Centrality Measures for Binary and Weighted Networks
现有的社会网络分析中心性度量方法考虑了参与者的重要性,并考虑了参与者在网络中的特定结构位置。这些现有度量建议了行动者的特定属性(即,受欢迎程度、可访问性和经纪行为)。在这项研究中,我们提出了新的混合中心性措施(即,度-度、度-接近度和度-中间度),通过结合现有的度量(即,度、接近度和中间度),并提出更好地理解参与者在给定网络中的重要性的建议。本文还提出了加权网络的广义测度集。我们对合著网络数据集的分析表明,我们提出的新的中心性度量(特别是加权网络)与传统的中心性度量相比,与学者的表现具有显着的相关性。因此,它们是有用的措施,可以用来代替传统的措施,以显示在网络中的演员的突出。
2012-02-10 cs.DL cs.SI physics.soc-ph
Scale-dependent measure of network centrality from diffusion dynamics
图中心性的经典度量捕获节点重要性的不同方面,从局部(例如,度)到全局(例如,接近)。在这里,我们利用扩散和几何之间的联系,介绍了多尺度中心性措施。如果节点由于图中的有效边界和不均匀性而破坏了扩散的度量性,则该节点被定义为中心节点。我们的措施自然是多尺度的,因为它是计算相对于图邻域内的扩散的变化的时间范围。我们发现,节点的中心性可以在不同的尺度上有很大的不同。特别是,我们的测量与程度相关(即,集线器)以小规模和紧密性(即,桥),也揭示了复杂网络中多中心结构的存在。通过检查跨尺度的中心性,我们的措施,从而提供了一个节点的重要性相对于网络上的本地和全球进程的评估。
2020-07-21 cs.SI physics.soc-ph
Modeling and Measuring Graph Similarity: The Case for Centrality Distance
复杂网络拓扑结构的研究已经吸引了研究者们几十年的时间,今天我们已经对许多不同的复杂网络的类型和重现特性有了相当好的了解。然而,令人惊讶的是,今天对比较复杂图形的模型知之甚少,并定量地测量它们的相似性。本文提出了一种复杂网络的自然相似性度量:中心性距离,即两个图之间关于给定节点中心性的差异。中心距离允许考虑网络中不同节点的特定角色,并有许多有趣的应用。作为一个案例研究,我们考虑了更详细的接近中心,并表明,接近中心距离可以有效地区分随机生成的和实际的两个动态社交网络的进化路径。
2014-06-20 cs.DS cs.SI physics.soc-ph