首页/论文/2009.11991

arXiv 2009.119912020-09-25cs.SI

角色抽取问题的邻域模式相似性度量分析

Analysis of the Neighborhood Pattern Similarity Measure for the Role Extraction Problem

Melissa Marchand, Kyle A. Gallivan, Wen Huang, Paul Van Dooren

摘要：

在本文中，我们分析了一种间接的方法，称为邻域模式相似性的方法，来解决所谓的角色提取问题的大规模图。该方法是基于一个节点相似性矩阵的初步建设，允许在第二阶段分组在一起，与适当的聚类技术，被分配到具有相同的作用的节点。分析建立在理想图的概念上，其中具有相同角色的所有节点在结构上也是等效的。

英文摘要：

In this paper we analyze an indirect approach, called the Neighborhood Pattern Similarity approach, to solve the so-called role extraction problem of a large-scale graph. The method is based on the preliminary construction of a node similarity matrix which allows in a second stage to group together, with an appropriate clustering technique, the nodes that are assigned to have the same role. The analysis builds on the notion of ideal graphs where all nodes with the same role, are also structurally equivalent.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

网络内基于邻居的节点相似性度量：一个统一的参数模型

In-Network Neighborhood-Based Node Similarity Measure: A Unified Parametric Model

在许多应用中，我们需要根据节点的邻域特征来度量大型网络中节点之间的相似性。虽然基于邻近度的网络内节点相似性已经得到了很好的研究，但令人惊讶的是，基于邻域的网络内节点相似性测量在文献中仍然是一个很大程度上未触及的问题。一个巨大的挑战是，在不同的应用程序中，我们可能需要不同的测量，表现出不同的相似性的含义。在本文中，我们调查的问题，在一个原则和系统的方式。我们开发了一个统一的参数模型和一系列的四个实例措施。这些实例相似性度量不仅解决了相似性的各种含义的频谱，而且还提出了一系列的计算成本和被比较的节点的邻域之间的匹配的严格性之间的权衡。通过大量的实验和案例研究，我们证明了所提出的模型及其实例的有效性。

2015-10-17cs.SI

一种用于角色模型抽取的低秩相似性度量

Low-rank Similarity Measure for Role Model Extraction

计算有意义的节点簇对于分析大型网络至关重要。在本文中，我们提出了一个成对的节点相似性度量，允许提取的角色，即一组节点在网络中共享相似的流模式。我们提出了一个低秩迭代方案来近似非常大的网络的相似性度量。最后，我们证明了我们的低秩相似性分数成功地提取了随机图中的不同角色，其性能与成对相似性度量相似。

2014-07-24cs.SIphysics.soc-ph

社交网络中基于结构相似度和同质相似度的链接预测模型

Providing a Link Prediction Model based on Structural and Homophily Similarity in Social Networks

近年来，随着在线社交网络的不断增加，这些网络已经成为广告和商业的最佳市场之一，因此研究这些网络非常重要。预测在线社交网络的新优势可以让我们更好地了解这些网络的增长。链接预测在工程和人文领域已经有很多研究。科学家将两个人之间存在新关系归因于两个原因：1）接近图（结构）2）两个人的相似属性（同性恋定律）。然而，研究这两种方法的影响，共同创造新的优势仍然是一个悬而未决的问题。相似性度量也可以分为两类：基于邻域的和基于路径的。到目前为止，上述两种理论方法（邻近性和同质性）还没有在基于邻域的度量中被发现。在本文中，我们首先试图提供一个解决方案，以确定的重要性，接近图和相似的功能，在连接的图。然后将获得的权重分配给邻近度和同质性。然后，在每种方法中的最佳相似性度量。最后，将选取的同质相似度和结构相似度与得到的权重相结合。这项研究的结果在两个数据集上进行了评估; Zanjan大学社会科学研究生院和Pokec在线社交网络。本研究收集了第一个数据集，然后填写问卷和数据汇集方法。由于该数据集是少数几个按照用户规范编制的伊朗数据集之一，因此具有很大的价值。在本文中，我们已经能够提高基于邻域的相似性度量的准确性，通过使用两个接近图和同伦的方法。

2020-02-14cs.SI

复杂网络度分布比较分析的特征提取

Feature Extraction from Degree Distribution for Comparison and Analysis of Complex Networks

度分布是复杂网络的一个重要特征。在许多数据分析应用中，网络应该表示为固定长度的特征向量，因此从度分布中提取特征提取是必要的步骤。此外，许多应用程序需要一个相似性函数来比较复杂网络的程度分布的基础上。这种相似性度量有许多应用，包括网络实例的分类和聚类、网络采样方法的评估、异常检测以及流行病动力学的研究。现有的方法无法有效地捕捉度分布的相似性，特别是当对应的网络具有不同的大小。基于我们对网络度分布随时间变化的结构的观察，我们提出了一种复杂网络度分布的特征提取和相似度函数。我们建议根据节点度的平均值和标准差计算特征值，以减少网络大小对提取的特征的影响。使用不同的人工和真实网络数据集对所提出的方法进行评估，在距离函数的准确性和提取特征的有效性方面，它优于现有的方法。

2014-07-22cs.SI

基于低秩相似矩阵的角色模型检测

Role model detection using low rank similarity matrix

计算有意义的节点簇对于分析大型网络至关重要。在本文中，我们采用新的聚类方法，以提高计算时间。我们利用邻接矩阵的性质，以获得更好的角色提取。我们还定义了一个新的非递归相似性度量，并将其结果与Browet的相似性度量进行了比较。我们将以线性时间复杂度展示不同角色的提取。最后，我们用实际的数据结构对算法进行了测试，并分析了算法的局限性。

2017-01-28cs.SIphysics.soc-ph

基于矩阵方程和广义随机游走的角色提取

Role extraction by matrix equations and generalized random walks

针对有向网络的角色提取问题，本文提出一种定义为矩阵方程解的新型相似性矩阵，利用双向广义随机游走计算节点相似性，在异质度分布网络中表现优异。

2025-02-18cs.NAcs.SImath.NA

更多相关论文收起更多论文

一种通过忽略大型枢纽节点的基于邻域的快速并行链路预测方法

A Fast Parallel Approach for Neighborhood-based Link Prediction by Disregarding Large Hubs

本研究提出DLH方法，通过忽略大型枢纽节点加速基于邻域的链路预测，在大图上比基线快千倍以上，同时保持精度。

2024-10-22cs.DCcs.SI

基于图的可靠协作排名

Reliable graph-based collaborative ranking

Grank是最近提出的一种基于图的推荐方法，它使用一种新的异构信息网络来建模用户的优先级，并对其进行分析以直接推断出推荐列表。不幸的是，GRank忽略了网络中不同类型路径背后的语义，在此过程中，它可能会使用不可靠的路径，这与邻域协作排名中相似性的一般思想不一致。这种疏忽破坏了Grank生成的推荐列表的可靠性。本文旨在提出一种新的框架，可靠的基于图的协作排名，称为ReGRank，排名项目的基础上可靠的推荐路径，在协调与语义背后的不同方法在邻里协作排名。据我们所知，ReGRank是第一个用于邻域协作排名的统一框架，除了传统的基于用户的协作排名之外，还可以适用于基于偏好和基于代表的协作排名。实验结果表明，ReGRank显着提高了国家的最先进的邻域和基于图的协同排名算法。

2018-11-03cs.SI

NED：一种基于编辑距离的图间节点度量

NED: An Inter-Graph Node Metric Based On Edit Distance

Boston University（波士顿大学）

节点相似性是图分析中的一个基本问题。然而，不同图中的节点（图间节点）之间的节点相似性还没有得到很多关注。图间节点相似性在基于现有图的知识学习新图（图上的迁移学习）中是重要的，并且在生物、通信和社交网络中具有应用。在本文中，我们提出了一种新的距离函数，用于测量图间节点的相似性与编辑距离，称为NED。在NED中，两个节点根据它们的局部邻域结构进行比较，这些邻域结构表示为无序的k-相邻树，而不依赖于标签或其他假设。由于无序树的树编辑距离的计算问题是NP-完全的，我们提出了一个修改的树编辑距离，称为TED*，用于比较邻居树。TED* 是一个度量距离，作为原始树编辑距离，但更重要的是，TED* 是多项式可计算的。作为一种度量距离，NED承认有效的索引，提供可解释的结果，并在许多数据分析任务上表现得比现有方法更好，包括图形去匿名化。最后，NED的效率和有效性的实证证明使用现实世界的图表。

2016-02-16cs.DBcs.LGcs.SI

图的动态结构相似性

Dynamic Structural Similarity on Graphs

描述图中顶点和边的拓扑和结构性质的一种方法是使用结构相似性度量。像余弦、Jaccard和Dice这样的度量方法计算的相似性仅限于顶点的直接邻域，绕过了局部性之外的重要结构属性。其他措施，如广义边缘聚类系数，超越了局部性，但具有较高的计算复杂性，使他们在大规模的场景不切实际。在本文中，我们提出了一种新的相似性度量，确定结构的相似性，通过动态扩散和捕获信息超出了本地。这种新的相似度被建模为一个迭代函数，可以在超线性的时间和内存复杂度下通过不动点迭代来求解，因此它能够分析大规模的图。为了在社区发现任务中显示所提出的相似性的优点，我们用所提出的相似性度量代替SCAN算法中使用的局部结构相似性，提高了检测到的社区结构的质量，并且还降低了SCAN算法对参数$ε$的敏感性。

2018-05-03cs.DScs.SI

邻域属性轮廓的视觉分析：探索结构等价性

Visual Analytics of Neighborhood Attribute Profiles for Exploring Structural Equivalence

Teikoku Databank（帝国数据银行）；Hokkaido Information University（北海道情報大学）

提出一种利用降维的视觉分析方法，揭示节点邻域属性轮廓形成的高维特征空间的真实拓扑结构，发现结构角色可能形成具有密度偏差的非线性流形，并指出行业分类与结构角色之间的复杂关系。

2026-07-03cs.HCcs.SI

你最会说话的朋友：利用邻里一致性在Twitter上消除潜在的意识形态特征

Your most telling friends: Propagating latent ideological features on Twitter using neighborhood coherence

Sciences Po（巴黎政治学院）；reciTAL

网络中的多维标度允许通过在某些特征空间中嵌入节点来发现关于其结构的潜在信息。Twitter等社交网络中用户的意识形态缩放就是一个例子，但类似的设置可以包括其他网络甚至媒体平台或电子商务中的各种应用程序。关于社交网络中意识形态缩放方法的文献越来越多，将缩放过程限制在提供特征空间可解释性的节点上：在Twitter上，通常考虑议员及其追随者的子网络。这允许将推断的潜在特征解释为与意识形态相关的概念的指标，以检查议会成员的位置。虽然有效地推断有意义的功能，这通常是限制这些子网络，限制有趣的应用，如全国范围内的测量极化及其演变。我们提出了两种方法来传播这些子网络之外的意识形态特征：一种是基于同质性（链接的用户具有相似的意识形态），另一种是基于结构相似性（具有相似邻域的节点具有相似的意识形态）。在我们的方法中，我们利用邻里意识形态一致性的概念作为传播的参数。使用Twitter的数据，我们产生了一个意识形态的缩放为370K用户，并分析了两个家庭的传播方法的人口6.5万用户。我们发现，当一致性被认为是，一个用户的意识形态是更好地估计从那些具有相似的社区，比从他们的近邻。

2021-03-12cs.AIcs.SI

NScale：云中以邻居为中心的大规模图分析

NScale: Neighborhood-centric Large-Scale Graph Analytics in the Cloud

在大型图上执行复杂分析的兴趣越来越大，其中许多需要处理大量的多跳邻域或子图。例子包括自我网络分析，动机计数，个性化推荐等。现有的以顶点为中心的图处理框架不能很好地满足这些任务，其中用户程序只能直接访问单个顶点的状态。本文介绍了NSCALE，这是一种新型的端到端图处理框架，可以在云中的大规模图上分布式执行复杂的以子图为中心的分析。NSCALE使用户能够在子图级别而不是顶点级别编写程序。与大多数以前的图处理框架不同，它将用户程序应用于整个图，NSCALE允许用户声明性地指定感兴趣的子图。我们的框架包括一个新的图形提取和包装（GEP）模块，利用基于成本的优化器分区和包装的子图到内存中尽可能少的机器。然后，分布式执行引擎接管并并行运行用户程序，同时尊重各种子图的范围。我们的实验结果显示，与以顶点为中心的方法相比，性能有了数量级的提高，分析成本也大幅降低。

2015-09-30cs.DBcs.SI

强传递关系与图神经网络

Strong Transitivity Relations and Graph Neural Networks

Amirkabir University of Technology (Tehran Polytechnic)（阿米尔卡比尔理工大学（德黑兰理工大学））

本研究提出TransGNN模型，通过区分并利用强传递关系与弱传递关系，将相似性概念从局部邻域扩展至全图，使图神经网络能同时捕获全局与局部相似性，在多个真实数据集的节点分类任务上显著提升了现有GNN模型性能。

2024-01-01cs.AIcs.LGcs.SI

重要的联系：基于在线社交网络相似性度量的视角

The Ties that matter: From the perspective of Similarity Measure in Online Social Networks

National Institute of Technology, Silchar（锡尔查尔国家技术学院）

在线社交网络已经开始重视连接强度度量，其具有广泛的应用，例如，分析扩散行为、社区发现、链接预测、推荐系统。虽然有一些现有的连接强度的措施，连接的密度，它的邻居和方向性方面没有得到太多的关注。在本文中，我们提出了一种非对称的边缘相似性度量，即，基于邻域密度的边缘相似性（NDES），它提供了一个基本的支持，以获得连接的强度。NDES的时间复杂度是$O(nk^2)$。NDES在社会网络中的社区发现的应用。我们考虑了一种基于相似性的社区发现技术，并用NDES代替其相似性度量。NDES的性能进行了评估，在几个小的真实世界的数据集在检测社区的有效性，并与三个广泛使用的相似性措施。实证结果表明，NDES可以检测相对更好的社区，无论是在准确性和质量。

2022-12-21cs.IRcs.LGcs.PF