OFFER: A Motif Dimensional Framework for Network Representation Learning
Dalian University of Technology(大连理工大学);Federation University Australia(澳大利亚联邦大学);University of South Australia(南澳大利亚大学)
为了更好地表示多元关系,本文研究了一种用于高阶图学习的模体维框架。通过OFFER可以提高图的学习效率。所提出的框架主要旨在加速和改善高阶图学习结果。我们从网络图案的维度应用加速过程。具体而言,节点和边的细化度分两个阶段进行:(1)使用节点的模体度来细化网络的邻接矩阵;(2)在学习过程中使用边的模体度来细化转移概率矩阵。为了评估所提出的框架的效率,四个流行的网络表示算法进行了修改和检查。通过对OFFER的性能评估,链接预测结果和聚类结果均表明,OFFER增强的图表示学习算法始终优于原算法,具有更高的效率。
2020-08-27 cs.LG cs.SI
Motif Iteration Model for Network Representation
随着Facebook、Twitter、LinkedIn、微博等社交网络信息的爆炸式增长,社会化媒体挖掘成为大数据领域最热门的研究领域之一,理解和表示社会化网络的结构是社会化媒体挖掘的关键。在本文中,我们提出的Motif迭代模型(MIM)表示的社会网络的结构。顾名思义,新模型基于基本网络图案的迭代。为了更好地体现模型的性质,通过研究三顶点无向网络模体的邻接矩阵,提出了一种启发式的贪心算法--顶点重排算法(VRA).该算法将网络的邻接矩阵映射到二值图像上,为网络结构可视化提供了一个新的视角。总之,该模型提供了一种有用的方法来建立图像和网络之间的联系,并提供了一种新的方式来表示社会网络的结构。
2017-10-03 cs.SI
Dimensionality of social networks using motifs and eigenvalues
我们考虑社交网络的维度,并开发旨在预测该维度的实验。我们发现,一个社会网络模型的节点和链接采样从一个$m$维度量空间与幂律分布的影响区域最适合的样本从现实世界的网络时,$m$规模与网络的节点数的几何。这支持了对数维假设,我们提供了两个不同的社交网络,Facebook和LinkedIn的证据。此外,我们采用了两种不同的方法来确认的假设:第一个使用的模体计数的分布,第二个利用本征值分布。
2014-05-01 cs.SI physics.soc-ph
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
Unifying Homophily and Heterophily Network Transformation via Motifs
University of Sheffield(谢菲尔德大学)
高阶邻近度(HOP)是大多数网络嵌入方法的基础,因为它对节点嵌入的质量和下游网络分析任务的性能有重要影响。大多数现有的HOP定义是基于homophily将紧密且高度互连的节点紧密地放置在嵌入空间中,或者基于heterophily将遥远但结构相似的节点在嵌入后放置在一起。在现实世界的网络中,两者可以共存,因此只考虑其中之一可能会限制预测性能和可解释性。然而,没有一个普遍和普遍的解决办法可以兼顾这两个方面。在本文中,我们提出了这样一个简单而强大的框架,称为同质性和异质性保持网络变换(H2NT)来捕获HOP,灵活地统一同质性和异质性。具体而言,H2NT利用基序表示将网络转换为具有混合假设的新网络,通过微观级和宏观级行走路径。H2NT可以用作增强器,与任何现有的网络嵌入方法集成,而不需要对后面的方法进行任何改变。由于H2NT可以稀疏化具有模体结构的网络,因此在集成时还可以提高现有网络嵌入方法的计算效率。我们在节点分类、结构角色分类和模体预测上进行了实验,以显示优于最先进方法的预测性能和计算效率。特别是,基于DeepWalk的H2 NT在基序预测精度方面实现了24%的提高,同时与原始DeepWalk相比减少了46%的计算时间。
2020-12-27 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
Motif-Based Visual Analysis of Dynamic Networks
许多数据分析问题依赖于动态网络,例如社交或通信网络分析。由于底层的大规模数据包含难以捉摸的拓扑变化,因此提供这种动态网络的长序列的可扩展概述仍然具有挑战性。我们提出了两个互补的基于像素的可视化,它反映了所选子网络(图案)的出现,并提供了一个动态网络的时间可扩展的概述:网络级的人口普查(图案的重要性配置文件)与节点级的子网络度量(graphlet度向量)视图,以揭示结构变化,趋势,状态和离群值。网络普查捕捉显着发生的图案相比,他们的预期发生在随机网络和暴露在一个动态网络的结构变化。子网络度量显示属于动态网络的单个网络中的节点的局部拓扑邻域。链接的基于像素的可视化允许在不同大小的网络中探索图案,以分析动态网络内和动态网络之间的变化结构,例如,以可视化方式分析网络拓扑的形状和变化率。我们描述了视觉模式的识别,也考虑了不同的重排序策略,以强调视觉模式。我们证明了这种方法的实用性,基于真实世界的大规模动态网络,如不断发展的社交网络的Reddit或Facebook的用例分析。
2022-08-25 cs.HC cs.SI
Representation Learning of Graphs Using Graph Convolutional Multilayer Networks Based on Motifs
School of Mathematical Science, Beihang University(北京航空航天大学数学科学学院);Key Laboratory of Mathematics Informatics Behavioral Semantics, Ministry of Education(教育部数学、信息与行为语义重点实验室);Peng Cheng Laboratory(鹏城实验室);Beijing Advanced Innovation Center for Big Data and Brain Computing, Beihang University(北京航空航天大学大数据与脑机智能北京高精尖创新中心)
图结构是一种常用的数据存储模式,事实证明,图中节点的低维嵌入表示在各种典型任务中极其有用,例如节点分类,链接预测等。然而,大多数现有方法都是从二元关系(即,边)并且没有利用更高阶的局部结构(即,图的图案)。在这里,我们提出了mGCMN -一种新的框架,它利用节点特征信息和图的高阶局部结构来有效地为以前看不见的数据生成节点嵌入。通过研究我们发现,不同类型的网络具有不同的关键基序。在引文网络和社会网络数据集上进行的大量实验证明了该方法相对于基线方法的优势。同时,分类准确率的提高与聚类系数的提高呈正相关关系。认为利用高阶结构信息能真正体现网络的潜力,将大大提高图神经网络的学习效率,促进全新学习模式的建立。
2020-07-31 cs.LG cs.SI
Motifs for processes on networks
对网络中的模体的研究可以帮助研究人员揭示生物学、社会学、经济学和许多其他领域的网络结构和功能之间的联系。对网络的实证研究已经将反馈环、前馈环和其他一些小结构确定为“基序”,它们在现实世界的网络中频繁出现,并可能通过各种机制对这些系统中的重要功能做出贡献。然而,这些机制是未知的许多这些图案。我们建议区分“结构基序”(即,图)和网络上的“进程基序”(我们将其定义为行走的结构化集合),并将进程基序视为网络上进程的构建块。使用稳态协方差和稳态相关性在一个多变量的Ornstein-Uhlenbeck过程的网络作为例子,我们证明了结构图案和过程图案之间的区别,使人们有可能获得定量的洞察机制,有助于网络上的动力系统的重要功能。
2021-05-11 cs.SI math.DS nlin.AO
Motifs in Temporal Networks
网络是在各种领域中对复杂系统进行建模的基本工具,包括社会和通信网络以及生物学和神经科学。网络中的小子图模式,称为网络模体,对于理解这些系统的结构和功能至关重要。然而,在时间网络中,其中包含许多节点之间的时间戳链接的网络图案的作用,还没有很好地理解。在这里,我们开发了一个概念的时间网络的基本单元的时间网络的图案,并提供了一个通用的方法来计算这样的图案。我们定义的时间网络图案的时间边缘序列上的诱导子图,设计快速算法计数的时间图案,并证明其运行时的复杂性。与基线方法相比,我们的快速算法实现了高达56.5倍的加速比。此外,我们使用我们的算法来计算各种网络中的时间图案。结果表明,来自不同领域的网络具有显着不同的模体计数,而来自相同领域的网络往往具有相似的模体计数。我们还发现,不同的模体发生在不同的时间尺度,这提供了进一步的见解的结构和功能的时间网络。
2016-12-29 cs.SI physics.soc-ph stat.ML
Deriving pairwise transfer entropy from network structure and motifs
转移熵是一种用于量化神经成像和复杂系统数据集中的定向统计依赖性的既定方法。网络中从源节点到目标节点的成对(或双变量)传递熵不仅取决于本地源-目标链路权重,还取决于链路嵌入的更广泛的网络结构。使用离散时间线性耦合高斯模型,这使我们能够推导出每个链接的网络拓扑结构的传输熵,这种关系进行了研究。它示出解析的有向链路的权重的依赖性只是一个第一近似,有效的弱耦合。更一般地说,传递熵随着源节点的入度而增加,随着目标节点的入度而减小,表明枢纽节点和低度节点之间的信息传递是不对称的。此外,转移熵与涉及共同亲本或从源到目标的多次行走的加权基序计数成正比,这在具有高聚类系数的网络中比在随机网络中更丰富。我们的研究结果也适用于格兰杰因果关系,这是等价于高斯变量的转移熵。此外,随机布尔网络上的类似经验结果表明,转移熵对入度的依赖性扩展到非线性动力学。
2020-05-04 cs.IT cs.SI math.IT
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
Evolution of Directed Triangle Motifs in the Google+ OSN
模体是网络的基本构建块和显著特征。虽然在许多网络中已经发现了特征模体分布,但今天对网络模体的演化知之甚少。本文研究了社交网络中最重要的模体--三角形,以及有向三角形模体如何随时间变化。我们选择的主题是最大的在线社交网络之一,Google+。Google+有两个显著的特点,使它特别有趣:(1)它是一个有向网络,产生了丰富的三角形图案集,(2)它是一个年轻而快速发展的网络,其在OSN空间中的作用仍然没有完全理解。为了这项研究的目的,我们在六周的时间内对网络进行了爬行,收集了几个快照。我们发现,一些三角形类型显示出显着的动态,例如,对于某些特定的初始类型,多达20%的实例会演变为其他类型。由于OSN在观测时间段内的快速增长,出现了许多新的三角形。我们还观察到,许多三角形演变成连接较少的图案(边缘较少),这表明生长也伴随着修剪。我们补充拓扑研究,也考虑公开的用户简档数据(主要是地理位置)。相应的结果揭示了三角形模体的语义。事实上,我们发现,在更对称的三角形图案的用户住得更近,表明更多的个人关系。相比之下,图案中的不对称链接通常指向具有高程度的遥远用户(名人)。
2015-02-17 cs.SI physics.soc-ph
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
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
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
Characterizing Urban Lifestyle Signatures Using Motif Properties in Network of Places
城市居民的生活方式可以揭示关于城市动态和复杂性的重要见解。尽管对城市生活方式模式的分析研究越来越多,但人们对城市规模的生活方式模式的特征知之甚少。这一限制主要是由于当人类运动数据被聚合以保护用户隐私时,在表征生活方式模式方面的挑战。在这项研究中,我们基于聚集的人类访问数据来构建一个地方网络。然后,我们研究了地方网络中的子图签名,以绘制和描述城市规模的生活方式模式。来自美国哈里斯县、达拉斯县、纽约县和布劳沃德县的基于位置的数据被检查,以揭示城市的生活方式特征。为了进行模体分析,从人类访问网络中提取了没有位置属性的两节点、三节点和四节点模体。其次,同质化的节点在基元编码的位置类别从NAICS代码。多个统计措施,包括网络指标和基序属性,进行量化,以表征生活方式的签名。结果表明:基于地点网络中的模体分布和属性,可以很好地描述和量化城市环境中人们的生活方式,地点网络中的模体在数量和距离上表现出稳定性,在周末和工作日表现出周期性,表明城市生活方式的稳定性;人类的访问网络和生活方式模式在不同的大都市地区表现出相似性,这意味着生活方式特征的普遍性穿越城市这些发现为城市研究中的城市生活方式特征提供了更深入的见解,并为数据知情的城市规划和管理提供了重要见解。
2022-04-05 cs.SI
Higher-order Graph Convolutional Networks
Worcester Polytechnic Institute(伍斯特理工学院);Adobe Research(奥多比研究院)
随着深度卷积网络在各种视觉和语音相关任务中的成功,研究人员已经开始研究这种众所周知的图形结构数据技术的推广。最近提出的一种称为图卷积网络的方法已经能够在节点分类任务中实现最先进的结果。然而,由于所提出的方法依赖于谱图卷积的局部一阶近似,因此无法捕获图中节点之间的高阶交互。在这项工作中,我们提出了一个基于图案的图形注意力模型,称为图案卷积网络(MCNs),它概括了过去的方法,通过使用加权多跳图案邻接矩阵来捕获高阶邻域。一种新的注意力机制被用来允许每个单独的节点选择最相关的邻域应用其过滤器。实验表明,我们提出的方法是能够实现国家的最先进的结果上的半监督节点分类任务。
2018-09-12 cs.LG cs.SI
Signed Graph Attention Networks
Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);University of Chinese Academy of Sciences(中国科学院大学)
图或网络数据在现实世界中无处不在,包括社交网络、信息网络、交通网络、生物网络和各种技术网络。图数据的非欧性质给图数据的建模和分析带来了挑战。最近,图神经网络(GNN)被提出作为处理图数据上的任务的通用且强大的框架,例如,节点嵌入、链接预测和节点分类。作为GNN的代表性实现,图注意力网络(GATs)已成功应用于真实数据集上的各种任务。然而,GAT被设计为只有正链路的网络,而不能处理既包含正链路又包含负链路的签名网络。在本文中,我们提出了签名图注意力网络(SiGATs),将GAT推广到签名网络。SiGAT将图基序并入GAT以捕获签名网络研究中的两个众所周知的理论,即,平衡理论和地位理论。在SiGAT中,模体为我们提供了灵活的结构模式,可以在签名网络上聚合和传播消息,以生成节点嵌入。我们评估所提出的SiGAT方法,将其应用到签署的链接预测任务。在三个真实数据集上的实验结果表明,SiGAT优于基于特征的方法,网络嵌入方法和最先进的基于GNN的方法,如符号图卷积网络(SGCN)。
2019-09-05 cs.LG cs.SI physics.soc-ph
Neural Link Prediction with Walk Pooling
Nanjing Normal University(南京师范大学);Universität Basel(巴塞尔大学)
图神经网络通过联合利用图拓扑结构和节点属性来实现链接预测的高精度。然而,拓扑是间接表示的;基于子图分类的最先进的方法用到目标链路的距离标记节点,因此,尽管存在拓扑信息,但它被池化所缓和。这使得利用与网络形成机制相关的环和基序等特征具有挑战性。我们提出了一个链接预测算法的基础上,一个新的池方案称为WalkPool。WalkPool结合了拓扑拓扑学的表达能力和神经网络的特征学习能力。它通过相邻路径的随机游走概率来概括一个假定的链路。它不是从原始图中提取转移概率,而是通过关注学习到的特征来计算"预测"潜在图的转移矩阵;这可以被解释为特征敏感的拓扑指纹。WalkPool可以利用无监督节点功能,或者与GNN和端到端训练相结合。它在所有常见的链接预测基准上都优于最先进的方法,包括homophilic和heterophilic,有和没有节点属性。将WalkPool应用于一组无监督GNN显著提高了预测准确性,这表明它可以用作通用图池方案。
2022-03-16 cs.LG cs.SI
Motifs in Triadic Random Graphs based on Steiner Triple Systems
传统上,节点之间的成对关系被认为是复杂网络的基本构建块。然而,在过去的十年中,某些子网络模式(所谓的模体)的过剩引起了人们的高度关注。有人假设,这些图案,而不是链接,作为网络结构的构建块。虽然网络的拓扑结构和系统的一般属性之间的关系,如它的功能,它对扰动的鲁棒性,或它在传播信息的效率是网络科学的中心主题,仍然缺乏健全的生成模型需要测试子图图案的功能作用。我们的工作旨在克服这一限制。我们采用指数随机图(ERGMs)的框架来定义基于三元子结构的新模型。事实上,只有一小部分的三合会实际上可以独立设置,这对制定此类模型构成了挑战。为了克服这个障碍,我们使用Steiner三重系统(STS)。这些是将节点集划分为成对不相交的三元组,因此可以独立指定。结合ERGMs和STS的概念,我们提出了新的生成模型,能够生成具有非平凡三元Z分数配置文件的网络集合。此外,我们发现不可避免的相关性之间的丰富的黑社会模式,这只发生在统计的原因,需要考虑到在讨论的功能意义的基序统计。此外,我们计算我们的三元随机图的度分布解析。
2015-01-27 cond-mat.stat-mech cs.SI physics.data-an
Analytic relationship of relative synchronizability to network structure and motifs
提出一种基于有向网络结构和过程模体贡献的解析技术,直接测量噪声驱动过程的相对可同步性,揭示了汇聚有向游走阻碍同步,并解释了小世界等网络的可同步性差异。
2023-05-17 cond-mat.dis-nn cs.SI math-ph
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
Individual position diversity in dependence socioeconomic networks increases economic output
从大型多人在线角色扮演游戏(MMORPG)中记录的大数据的可用性使我们能够更深入地了解个人网络位置与其经济产出之间的潜在联系。我们使用一种统计过滤的方法来构建依赖网络从加权的友谊网络的个人。我们调查了30个不同的基序位置在13个有向三元基序,代表个体之间的微观依赖。根据基序位置的结构相似性,我们进一步将个体分为不同的组。个体的节点位置多样性与其经济产出呈正相关。我们还发现,叶节点的经济产出显着低于其他节点在同一主题。我们的研究结果有助于理解社会经济系统中网络结构对经济活动和产出的影响。
2017-06-15 cs.SI physics.soc-ph
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
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
An Analysis of Frequent Patterns in the World Trade Web
本文采用加权网络的方法来研究世界各国之间的贸易关系网络的经验性质,及其随时间的演变。我们发现,大多数国家的特点是弱贸易联系,但存在一组国家具有大量的强关系,从而暗示了一个核心-外围结构。世界贸易网(WTW)的特征在于以下表示:一个有向图连接世界各国的贸易关系,目的是找到其拓扑特征的图案和隔离的关键因素,其演变。频繁模式可以识别要加强的通道或基础设施,并且可以帮助选择最合适的消息路由模式或网络协议。一般来说,频繁模式被称为{ \it基序},而过度表达的基序被认为是网络的低级构建块,有助于解释网络的许多属性,在确定网络的动态和演化过程中发挥相关作用。在本文中,三元模体被发现,首先划分网络的连接强度,然后分别分析分区。WTW已根据图表的权重进行了划分,以突出贸易量方面的大型参与者与世界其他地区之间的结构差异。作为测试案例,2003-2010年期间进行了分析,以显示在2007年的经济危机的结构性影响。
2018-03-20 cs.SI physics.soc-ph
Community detection based on structural balance in signed networks
针对符号网络社区检测忽视负链接稳定作用的问题,提出一种基于模体、量化链接局部结构平衡重要性的方法,可识别紧密且和谐稳定的社区,并在合成与真实网络中表现出更高性能和强鲁棒性。
2023-08-15 cs.SI physics.soc-ph
Synthetic graphs for link prediction benchmarking
本文提出含微观基序和中观社区的合成随机图,推导链路预测性能理论上界,通过对比经典方法验证其价值,提供开源代码助力链路预测方法研究。
2024-12-04 cs.SI physics.soc-ph