用代数拓扑捕捉连接强度

TIES：增强Facebook社交媒体完整性的时间交互嵌入

TIES: Temporal Interaction Embeddings For Enhancing Social Media Integrity At Facebook

Facebook（脸书）

自成立以来，Facebook已经成为在线社交社区的一个组成部分。人们依靠Facebook与他人建立联系并建立社区。因此，以快速和可扩展的方式保护这样一个快速增长的网络的完整性至关重要。在本文中，我们介绍了我们为保护Facebook上的各种社交媒体实体免受试图滥用我们平台的人的侵害所做的努力。我们提出了一种新的时间交互嵌入（TIES）模型，旨在捕捉流氓社会互动，并标记他们进一步合适的行动。TIES是一个有监督的、深度学习的、面向Facebook规模网络的生产模型。以前的作品对完整性问题大多集中在捕捉静态或某些动态的社会实体的功能。相比之下，TIES可以在一个统一的模型中捕获这两种不同的行为，这要归功于最近在图嵌入和深度序列模式学习领域取得的进展。为了展示TIES的现实影响，我们提出了一些应用程序，特别是防止错误信息的传播，虚假账户检测，并降低广告支付风险，以提高平台的完整性。

2020-02-18cs.AIcs.LGcs.SI

网络拓扑结构对供应链敏捷性的影响

The influence of the network topology on the agility of a supply chain

供应链的正确绩效取决于企业之间的关系模式。虽然研究者之间还没有达成普遍的共识，但许多研究指出，无标度拓扑结构，即少数高度相关的公司与许多低相关的公司相结合，确保了供应链的最高效率。本文研究了当需求发生突变时，使供应链具有最高敏捷性的网络拓扑结构。为此，建立了一个基于Agent的供应链模型，Agent之间存在约束关系。该模型包括三个层次，其中物料流从底层供应商到最终客户，必然通过每一层的企业。敏捷性在模型模拟中通过订单履行率来衡量。与以前的理论和实验室结果不同，模型的模拟表明，最高水平的敏捷性不是用无标度拓扑结构获得的。相反，均匀分布的链接，如定期或泊松概率定律，显示出更高的敏捷性值比异构分布。其他以前的建议，如冗余或有多个供应商，是由模拟确认。一般的结论是，最合适的网络拓扑结构的敏捷性取决于供应链的具体条件和性能方面进行分析。

2016-11-30cs.SIphysics.soc-ph

负面联系凸显社交媒体极化中的隐藏极端

Negative Ties Highlight Hidden Extremes in Social Media Polarization

本研究通过符号网络分析西班牙社交媒体Meneame，发现纳入负面联系能揭示无符号网络无法区分的意识形态极端用户，从而更全面地理解在线极化。

2025-07-16cs.SIphysics.soc-ph

强联系促进了易感者-易感者-易感者传播动态中的流行病流行

Strong ties promote the epidemic prevalence in susceptible-infected-susceptible spreading dynamics

了解传播动态将有利于整个社会更好地预防和控制疾病，以及促进社会责任的信息，同时抑制破坏性的谣言。在基于网络的传播动力学中，不同权重的边可能扮演着截然不同的角色：远方的朋友通常会带来新奇的故事，而亲密的关系对于流感疫情来说风险很高。在这篇文章中，我们提出了一个加权的易感-感染-易感模型的复杂网络，其中的权重定义的两个相关联的节点的拓扑接近。每个受感染的个体被允许选择有限数量的邻居进行接触，并引入一个可调参数来控制通过高权重或低权重边缘进行接触的偏好。在六个真实网络上的实验结果表明，在传播过程中，强联系可以大大促进流行病的流行。通过与两个分别具有随机拓扑和随机重分布权重的统计零模型的比较，我们证明了权重的分布模式而不是拓扑对实验观测值的影响。进一步的分析表明，权重-权重相关性强烈影响结果：当权重-权重相关性存在时，高权重边在保持高流行率方面更显着。

2013-11-22cs.SIphysics.soc-ph

持久联系强度背后的时间模式

Temporal patterns behind the strength of persistent ties

社交网络由强关系和弱关系组成，它们具有非常不同的结构和动力学特性。但是，人类互动的哪些特征建立了强有力的联系？在这里，我们从实用的角度来探讨这个问题，找出社交互动的哪些特性可以使关系更加持久，从而更牢固地维持未来的社交互动。使用一个大型的纵向手机数据库，我们建立了一个预测模型，领带持久性的强度，亲密度，结构和时间模式的社会互动的基础上。虽然我们的研究结果证实，结构（嵌入性）和强度（调用次数）与领带持久性相关，我们发现，时间特征的通信事件是更好，更有效的预测领带持久性。具体来说，虽然关系中的沟通总是突发的，但我们发现，比平均水平更突发的关系更容易衰减，这表明关系强度不仅反映在网络的强度或拓扑结构中，而且还反映在个人如何在他们的关系中分配时间或注意力上。我们还发现，稳定的关系需要一个恒定的节奏，如果沟通中断的频率超过之前沟通频率的8倍，那么这种关系很可能会衰退。我们的研究结果不仅对理解社会关系的强度很重要，而且对揭示网络中不同时间尺度之间的纠缠也很重要，从微观的联系突发性和节奏到宏观的网络演化。

2017-06-19cs.SIphysics.soc-ph

NEW：一种用于网络连接强度预测的通用学习模型

NEW: A Generic Learning Model for Tie Strength Prediction in Networks

University of Electronic Science and Technology of China（电子科技大学）；ChongQing University（重庆大学）

连接强度预测，有时也称为权重预测，对于探索网络中出现的连接模式的多样性至关重要。由于其重要的基础性意义，它在网络分析和挖掘领域引起了广泛的关注。近年来出现的一些相关研究成果极大地推进了我们对如何预测社交网络中的强弱关系的理解。然而，大多数提出的方法都是在很大程度上依赖于一些特殊的上下文，甚至专门用于社交网络的网络感知方法。因此，它们不太适用于各种类型的网络。与以往的研究相比，我们提出了一个新的计算框架，称为邻域估计权重（NEW），它纯粹由网络的基本结构信息驱动，具有适应不同类型网络的灵活性。在NEW中，我们设计了一个新的索引，即，连接倾斜度，以生成网络的代表性特征，其能够捕获联系强度的实际分布。为了获得最优的预测结果，我们还提出了一个参数化的回归模型，近似具有线性的时间复杂度，因此很容易扩展到大规模网络的实现。在六个真实网络上的实验结果表明，我们提出的预测模型优于最先进的方法，这是强大的预测丢失的领带强度时，只有一部分网络的领带强度信息是可用的。

2020-01-15cs.LGcs.SIphysics.soc-ph

二部图中具有顶点接触和连接强度的凝聚子图的探索

Exploring Cohesive Subgraphs with Vertex Engagement and Tie Strength in Bipartite Graphs

提出了一种新的凝聚子图模型$τ$ -enhanced $(α,β)$ -core（记为$(α,β)_τ$ -core），它是第一个同时考虑二部图上的结点连接强度和结点接合的凝聚子图模型.如果至少包含在$τ$蝴蝶（$2\times2$ -bicliques）中，则边是强连接。$(α,β)_τ$ -核心要求在给定强度级别$τ$的情况下，上层或下层的每个顶点至少具有$α$或$β$强关系。为了最优地检索$(α,β)_τ$ -核的顶点，我们构造了索引$I_{α,β,τ}$来存储所有的$(α,β)_τ$ -核.提出了有效的优化技术，以改善索引的建设。为了使我们的想法在大型图上实用，我们提出了二维索引$I_{α,β}, I_{β,τ}$和$I_{α,τ}$，它们选择性地存储某些$α,β$和$τ$的$(α,β)_τ$ -核心的顶点。二维索引具有更高的空间效率，需要更少的构建时间，每个索引都可以支持$(α,β)_τ$核心查询。由于查询效率取决于输入参数和二维索引的选择，我们提出了一个基于学习的混合计算范式，通过训练前馈神经网络来预测最佳的二维索引选择，最大限度地减少查询时间。大量实验表明，（$1$）$(α,β)_τ$ -core是一种有效的模型，能够捕捉到唯一且重要的内聚子图;（$2$）所提出的技术显著提高了索引构建和查询处理的效率.

2020-08-05cs.DBcs.SI

何时不应针对负面关系？研究符号网络中的竞争性影响力最大化

When not to target negative ties? Studying competitive influence maximisation in signed networks

本文研究符号网络中竞争性影响力最大化问题，比较是否利用负面关系信息的两种策略在不同网络拓扑、资源条件和对手策略下的选票份额差异，发现资源少且对手避开负面边时收益最大，而对手无差别攻击时收益不显著，并进一步在博弈论框架下揭示利用负面关系信息有时反而会导致损失。

2025-02-04cs.SI

在Facebook上，大多数关系都很弱

On Facebook, most ties are weak

无处不在的社会技术网络给开发人员和用户带来了新的概念和技术挑战。一个中心的研究主题是评价联系用户的关系的强度，以及他们如何促进沟通和信息的传播。社会科学在马克·格兰特提出的“弱关系强度”理论框架下对人际关系的这些方面进行了广泛的研究。13一些研究考虑了该理论是否可以扩展到Facebook等在线社交网络，表明互动数据可以用于预测关系强度。正在使用的方法需要处理用户生成的数据，由于隐私问题，这些数据通常不公开。在这里，我们提出了一个弱关系和强关系的替代定义，它只需要知道社交网络的拓扑结构（比如谁是谁在Facebook上的朋友），依赖于在线社交网络或OSN倾向于分裂成社区的事实。因此，我们建议分类为弱关系的边缘连接属于不同的社区和强关系的连接用户在同一个社区的个人。我们在一个代表Facebook社交图的大型网络上测试了这个定义，并研究了弱关系和强关系如何影响信息传播过程。我们的研究结果表明，OSN中的个体自组织创建连接良好的社区，而弱关系产生凝聚力并优化信息传播的覆盖范围。

2014-11-01cs.CYcs.SIphysics.soc-ph

社会互动的不对称性及其在链路可预测性中的作用：以合著网络为例

Asymmetry of social interactions and its role in link predictability: the case of coauthorship networks

本文研究社会互动不对称性对连接强度的影响，发现在合著网络中不对称连接强度与邻域重叠呈幂律关系，并证明考虑连接不对称性可显著提升链路预测效率，进而合理解释了资源分配指数的高性能。

2023-06-26cond-mat.dis-nncs.SIphysics.soc-ph

复杂网络上的简单博弈

Simple Games on Complex Networks

本研究从简单博弈视角探究复杂系统拓扑与动力学的关系，在四类网络上开展五种复杂度递增的博弈实验，分析时长、胜负平统计特征，证实拓扑对动力学的影响，还通过重合相似性网络可视化辅助结果解读。

2024-06-21cs.SIphysics.soc-ph

在基于Motif的图神经网络上捕获高阶结构

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。

2023-12-13cs.SI

从呼叫到社区：时变社交网络模型

From calls to communities: a model for time varying social networks

社会互动随时间变化，似乎是由内在机制驱动的，这反过来又塑造了社会网络的新兴结构。大规模的社会互动结构的实证观察最近才成为可能，建模其动态是一个实际的挑战。在这里，我们提出了一个时间网络模型，它建立在活动驱动的时变网络与记忆的框架。该模型还整合了推动社会关系形成的关键机制-社会强化、焦点闭合和循环闭合，这些机制已被证明会产生社区结构和网络的全球连通性。我们比较了所提出的模型与现实世界中的时变网络的移动电话通信，并表明他们共享的几个特点，从异构度和权重丰富的社区结构。此外，从模型中出现的强关系和弱关系遵循与现实世界社交网络类似的权重拓扑关系，包括弱关系的作用。

2015-06-01cs.CYcs.SIphysics.comp-ph

在社会网络隔离与城市拓扑相互作用的地方，不平等正在加剧

Inequality is rising where social network segregation interacts with urban topology

社交网络放大了不平等，这是由于社会关系形成的基本机制，如同质性和三元封闭。这些力量加剧了反映在网络碎片化中的社会隔离。然而，人们对哪些结构性因素促进了分裂却知之甚少。在本文中，我们使用来自广泛使用的在线社交网络的大数据来证明社交网络碎片化与城镇收入不平等之间存在显着关系。我们发现，物理城市空间的组织与碎片化的关系比不平等的教育机会，政治隔离，或种族和宗教少数群体的存在更强。社交网络的碎片化在居住区被河流和铁路等物理障碍物分隔且距离市中心相对较远的城镇中明显更高。设施集中的城镇通常在社会上也更加隔离。这些关系表明，城市规划可能是一个有用的干预点，从长远来看，以减轻不平等。

2019-09-25cs.SIphysics.soc-ph

基于图表示的社会网络分析分类

Social Network Analysis Taxonomy Based on Graph Representation

目前社会网络分析的研究主要有三种方法：图表示法、内容挖掘法和语义分析法。图表示已被用于分析社会网络拓扑结构，结构建模，连接强度，社区发现，群体凝聚力可视化和度量计算。本文提出了一种基于图表示的社会网络分析分类法。

2021-02-17cs.DMcs.SI

利用社会拓扑和双重角色用户依赖改进信息级联建模

Improving Information Cascade Modeling by Social Topology and Dual Role User Dependency

Fudan University（复旦大学）

社交网络上的信息扩散（也称为信息级联）由于其在许多领域的应用价值，在过去的十年中得到了大量的研究。近年来，包括递归神经网络模型在内的序列模型被广泛应用于信息级联的预测。然而，顺序模型捕获的级联序列中的用户依赖性通常是单向的，并且与扩散树不一致。例如，后继者的真实触发可以是非直接前导者而不是序列中的直接前导者。为了更充分地捕捉用户依赖关系，实现精确的级联建模，提出了一种非顺序信息级联模型TAN-DRUD（Topology-aware Attention Networks with Dual Role User Dependency）。受经典通信理论的启发，TAN-DRUD通过捕捉信息发送者和接收者的双重角色用户依赖关系，在信息级联建模方面取得了令人满意的性能。此外，TANDRUD将社交拓扑纳入两级注意力网络中，以增强信息扩散预测。我们在三个级联数据集上的大量实验表明，我们的模型不仅优于最先进的级联模型，而且能够利用拓扑信息和推断扩散树。

2022-04-07cs.LGcs.SI

基于网络的书目数据库引文拓扑统计比较

Network-based statistical comparison of citation topology of bibliographic databases

现代书目数据库为科学研究及其评价提供了基础。虽然它们的内容和结构大不相同，但对其可靠性只有非正式的概念。在这里，我们比较了引文网络的拓扑结构的一致性提取的六个流行的书目数据库，包括Web of Science，CiteSeer和arXiv. org的网络进行评估，通过丰富的本地和全球的图形统计。我们首先揭示了一些数据库之间的统计上显着的不一致，就个人统计。例如，DBLP计算机科学参考书目的引入字段蝴蝶结分解由于数据库的覆盖范围而与其他文献有很大不同，而arXiv.org中的引用信息是最详尽的。最后，我们使用临界差异图在多个图统计上比较数据库。DBLP计算机科学书目的引用拓扑与其他文献最不一致，而毫不奇怪，从一致性的角度来看，Web of Science的引用拓扑明显更可靠。本研究可作为文献计量学和科学计量学研究者的参考，也可作为政府和科研机构的科学评价指南。

2015-02-17cs.DLcs.SIphysics.data-an

图上拓扑识别与推断

Topology Identification and Inference over Graphs

University of Rochester（罗切斯特大学）；University of California Irvine（加州大学尔湾分校）；University of Minnesota（明尼苏达大学）；DEVCOM Army Research Lab.（美国陆军研究开发司令部陆军研究实验室）

本文提出了一种基于内核选择的框架，用于图上动态过程的拓扑识别与推断，结合结构方程和向量自回归模型，利用低秩、稀疏性等属性建模时间演变拓扑。

2025-12-11cs.SIeess.SPstat.ME

PageRank-Ordered矩阵中的条纹

Striations in PageRank-Ordered Matrices

模式经常出现在各种各样的大型现实网络中，有趣的物理现象经常用网络拓扑来解释，比如万维网的蝴蝶结结构，或者社交网络中的小世界现象。这种规律的发现和建模具有广泛的应用，从疾病传播到金融市场。在这项工作中，我们描述了一个新发现的经常发生的条纹图案中发现的PageRank排序的邻接矩阵编码现实世界的网络。我们证明，这些条纹是众所周知的图形生成过程的结果，导致在典型的邻域分布中表现出来的条纹。本文中探索的谱视图编码了大量关于给定网络的显式和隐式拓扑的信息，因此我们还讨论了有趣的网络属性，离群值和异常，观众可以通过简单地查看重新排序的矩阵来确定。

2016-05-20cs.SIphysics.soc-ph

符号有向网络的解耦变分嵌入

Decoupled Variational Embedding for Signed Directed Networks

Cooperative Medianet Innovation Center, Shanghai Jiao Tong University（上海交通大学协同媒体创新中心）

符号有向网络的节点表示学习在链接符号预测、节点分类和节点推荐等实际应用中受到了广泛的关注。挑战在于如何充分编码网络的复杂拓扑信息。目前的研究主要集中在保持一阶网络拓扑结构，这表明节点的紧密关系。然而，这些方法通常无法捕捉高阶拓扑结构，表明节点的局部结构，并作为网络拓扑结构的一个重要特征。此外，对于一阶拓扑，不存在的链路的附加值在很大程度上被忽略。在本文中，我们提出了学习更多的代表性节点嵌入，同时捕获的一阶和高阶拓扑符号有向网络。特别是，我们重新制定的表示学习问题的有向网络变分自动编码的角度来看，并进一步发展了解耦变分嵌入（DVE）方法。DVE利用一个专门设计的自动编码器结构来捕获符号有向网络的一阶和高阶拓扑，从而学习更具代表性的节点嵌入。在三个广泛使用的真实世界数据集上进行了广泛的实验。在链路标记预测和节点推荐任务上的综合结果证明了DVE的有效性。定性的结果和分析也提供了一个更好的理解DVE。

2020-08-28cs.LGcs.SIstat.ML