Disentangling Node Attributes from Graph Topology for Improved Generalizability in Link Prediction
Network Science Institute（网络科学研究所）；Northeastern University（东北大学）；Khoury College of Computer Sciences（库利计算机科学学院）；Brigham and Women’s Hospital（布莱根妇女医院）；Harvard Medical School（哈佛医学院）
该研究提出节点属性无监督预训练方法UPNA，通过学习节点属性对预测边概率的方式解决归纳式链接预测问题，克服拓扑捷径与观测偏差，性能大幅超越现有最优水平，还可集成到现有模型中提升泛化能力。
2023-07-17 cs.LG cs.SI
GCN-LASE: Towards Adequately Incorporating Link Attributes in Graph Convolutional Networks
Yuanpei College, Peking University（北京大学元培学院）；Key Laboratory of Machine Perception, Ministry of Education, Peking University（北京大学教育部机器感知重点实验室）
图卷积网络（GCN）已被证明是一个最强大的架构，在聚合局部邻域信息的个别图节点。在现有的GCN中成功地利用了低秩邻近性和节点特征，然而，图链接可能携带的属性通常被忽略，因为几乎所有这些模型都将图链接简化为描述节点连通性的二进制或标量值。相反，在我们的论文中，链接被恢复到实体之间的实体属性的关系。我们提出了GCN-LASE（GCN与链路属性和抽样估计），一种新的GCN模型，以节点和链路属性作为输入。为了充分捕捉链接和节点属性之间的相互作用，它们的张量积被用作邻居特征，在此基础上，我们定义了几个图核，并进一步开发了相应的LASE架构。此外，为了加快训练过程，整个邻域的特征之和估计通过蒙特卡罗方法，与新的采样策略设计的LASE，以最小化估计方差。我们的实验表明，LASE在各种图形数据集上的表现优于强基线，进一步的实验证实了链接属性的信息量以及我们的模型充分利用它们的能力。
2019-05-30 cs.CV cs.LG cs.SI
Homophily based on few attributes can impede structural balance
两个互补的机制被认为是塑造社会群体：代理人之间的同质性和结构平衡连接三合会。在这里，我们考虑$N$全连接代理，其中每个代理具有$G$底层属性，以及属性空间中代理之间的相似性（即，同质性）用于确定它们之间的链接权重。为了实现结构平衡，我们使用了一个三元组更新规则，在每次更新中，只有一个代理的一个属性被故意改变，但这也会导致链接权重甚至链接极性的意外变化。在大的$G$的限制下的链接重量动态由Fokker-Planck方程描述，从该方程可以获得所有链接正的相变到完全平衡状态的条件。然而，这种全球合作的“天堂状态”很难实现，需要$G > O(N^2)$和$p>0.5$，其中参数$p$表示达成共识的意愿。允许边权重是属性的结果自然地捕获了同质性，并揭示了许多现实世界的社会系统将具有实现结构平衡所需的亚临界数量的属性。
2020-01-18 cs.SI physics.soc-ph
Attributed Network Embedding for Incomplete Attributed Networks
Southern University of Science and Technology（南方科技大学）；University of Birmingham（伯明翰大学）
属性网络是普遍存在的，因为网络通常带有辅助属性信息，例如具有用户简档的社交网络。属性网络嵌入（ANE）是近年来研究的一个热点，它的目标是在保持结构和属性信息的同时学习统一的低维节点嵌入。所得到的节点嵌入然后可以促进各种网络下游任务，例如链接预测。虽然有几个ANE方法，其中大多数不能处理不完整的属性网络与丢失的链接和/或节点属性，这往往发生在现实世界的场景。为了解决这个问题，我们提出了一个强大的ANE方法，其总体思想是通过融合两个信息源来增强信息，然后采用基于随机游走的网络嵌入方法来学习节点嵌入，从而重建一个统一的密集网络。在6个真实数据集上进行的链接预测、节点分类、可视化和参数敏感性分析实验验证了该方法对不完全属性网络的有效性。
2019-06-05 cs.LG cs.SI
Link Prediction with Mutual Attention for Text-Attributed Networks
Université de Lyon, Lyon 2（里昂大学里昂第二大学）
在这个扩展的摘要中，我们提出了一个算法，该算法从结构化语料库的网络拓扑结构中学习文档之间的相似性度量。我们利用最近提出的一种注意力机制Scaled Dot-Product Attention来设计文档对之间的相互注意力机制。为了训练其参数，我们使用网络链路作为监督。我们提供了两个预测任务的引文数据集的初步实验结果，证明了我们的模型学习有意义的文本相似性的能力。
2019-03-20 cs.CL cs.LG cs.SI
A Novel Information Workflow for Structural Behavioural Analysis in Dynamic Attributed Graphs
School of Computer and Information Sciences, University of Hyderabad（海得拉巴大学计算机与信息科学学院）
该研究针对属性图的链接预测与社区检测难题，提出inc-LPCDAG工作流，实验验证其可有效分析动态属性图的结构与行为过程。
2026-09-03 cs.SI
Attributed Stream Hypergraphs: temporal modeling of node-attributed high-order interactions
本文提出归因流超图（ASHs）工具箱，统一高阶建模与特征丰富扩充，用于表示、挖掘和分析复杂网络，并成功应用于社交网络中高阶同质性及时间路径等复杂现象的分析。
2023-03-31 cs.SI
Link Prediction with Contextualized Self-Supervision
Monash University（莫纳什大学）；The University of Sydney（悉尼大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
链接预测旨在推断网络/图中节点对之间的链接存在。尽管传统的链接预测算法有着广泛的应用，但在现实网络中，链接稀疏性、节点属性噪声和动态变化等三大挑战阻碍了它们的成功。为了解决这些挑战，我们提出了一个上下文自监督学习（CSSL）框架，充分利用结构上下文预测链接预测。建议的CSSL框架学习一个链接编码器来推断链接存在概率从成对的节点嵌入，这是通过对节点属性的变换构造。为了生成用于链接预测的信息节点嵌入，利用结构上下文预测作为自监督学习任务来提高链接预测性能。研究了两种类型的结构背景，即，从随机游走收集的上下文节点与上下文子图。CSSL框架可以以端到端的方式训练，其中模型参数的学习由链接预测和自监督学习任务两者监督。建议CSSL是一个通用的和灵活的框架，在这个意义上，它可以处理属性和非属性的网络，并在两个转导和感应链接预测设置下运行。在七个真实世界的基准网络上进行的广泛的实验和消融研究表明，所提出的基于自我监督的链接预测算法在不同类型的网络上的性能优于最先进的基线，在传导和感应设置下。建议的CSSL也产生竞争力的性能，其鲁棒性节点属性噪声和可扩展性在大规模网络。
2022-09-07 cs.AI cs.SI
SINE: Scalable Incomplete Network Embedding
属性化网络嵌入旨在学习网络中节点的低维向量表示，其中每个节点包含描述节点内容的丰富属性/特征。由于网络拓扑结构和节点属性往往表现出高度的相关性，将节点属性邻近度纳入网络嵌入有利于学习良好的向量表示。在现实中，大规模的网络往往有不完整/缺失的节点内容或链接，但现有的属性网络嵌入算法都在网络是完整的假设下操作。因此，它们的性能容易受到丢失数据的影响，并且可扩展性差。在本文中，我们提出了一个可扩展的不完全网络嵌入（SINE）算法学习节点表示不完全图。SINE制定了一个概率学习框架，分别对节点上下文和节点属性关系进行建模。与已有的属性网络嵌入算法不同，SINE算法具有更大的灵活性，可以充分利用有用信息，减轻信息缺失对表示学习的负面影响。一个基于随机梯度下降的在线算法来学习节点表示，允许SINE扩展到大规模网络具有高学习效率。我们通过对真实网络的大量实验来评估SINE的有效性和效率。实验结果证实，SINE优于国家的最先进的基线在各种任务，包括节点分类，节点聚类，和链接预测，在设置与丢失的链接和节点属性。SINE在具有数百万节点/边和高维节点特征的大规模网络上也具有可扩展性和高效性。本文的源代码可在https://github.com/daokunzhang/SINE上获得。
2018-10-16 cs.SI
Capturing Edge Attributes via Network Embedding
旨在学习节点的低维表示的网络嵌入已被用于各种图形相关任务，包括可视化、链接预测和节点分类。大多数现有的嵌入方法仅依赖于网络结构。然而，在实践中，我们经常有关于节点和/或它们的交互的辅助信息，例如，合作作者网络中的科学论文内容，或Twitter提及网络中的通信主题。在这里，我们提出了一种新的嵌入方法，使用网络结构和边缘属性来学习更好的网络表示。我们的方法使用一个可以充分捕获高度非线性交互的深度架构，联合最大限度地减少了高阶节点邻域，社会角色和边缘属性的重建误差。我们证明了我们的模型在各种现实世界的网络，包括协作网络和社交网络现有的最先进的方法的功效。我们还观察到，使用边缘属性通知网络嵌入在下游任务，如链接预测和节点分类产生更好的性能。
2018-05-22 cs.SI
A Generative Model for Exploring Structure Regularities in Attributed Networks
许多现实世界的网络被称为属性网络，包含两种类型的信息：拓扑信息和节点属性。如何利用这两类信息来探索结构性语义是一个具有挑战性的课题。本文通过刻画链路社区与节点属性之间的潜在关系，提出了一种生成链路拓扑和节点属性的原则性统计模型PSB_PG。该模型基于泊松分布的随机块模型。因此，它能够检测广泛的网络结构，包括社区结构，二分结构和其他混合结构。用于生成节点属性的模型假设节点属性是高维和稀疏的，并且也遵循泊松分布。这使得模型是一致的，模型参数可以直接估计的期望最大化（EM）算法。在人工网络和包含多种结构的真实网络上的实验结果表明，PSB_PG模型不仅具有与现有模型的竞争力，而且通过学习社区与其相关属性之间的关系，为每个社区提供了良好的语义解释.
2019-01-25 cs.SI physics.soc-ph
Testing for Characteristics of Attribute Linked Infinite Networks based on Small Samples
本文的目的是研究的特点（几何和其他）非常大的属性为基础的无向网络。现实世界的网络通常非常庞大，并且发展迅速。他们的分析和理解是一个巨大的挑战。基于属性的网络是一个图，其中边取决于它们所关联的顶点的某些属性。在社交网络的背景下，两个个体之间的链接的存在可能取决于他们两个人的某些属性。我们使用Lovasz型抽样策略，在局部观察图上的某个随机过程，即，在节点的邻域中，并且导出关于图的全局属性的信息。相应的邻接矩阵是我们感兴趣的主要对象。我们研究的效率，最近提出的抽样策略，修改我们的设置，估计度分布，中心性措施，平面性等的限制分布是使用最近开发的随机矩阵的概率技术，因此我们设计相关的检验统计量和置信区间不同的参数/假设的兴趣。我们希望，我们的工作将是有用的社会和计算机科学家设计抽样策略和计算算法适合各自的调查领域。大量的模拟研究进行了实证验证的概率陈述的文件。
2015-10-04 cs.SI stat.AP
The rich still get richer: Empirical comparison of preferential attachment via linking statistics in Bitcoin and Ethereum
比特币和以太坊交易是公开可供研究的最大的现实世界复杂网络之一，包括其时间演化的详细图像。因此，除了从经济学或密码学角度进行分析之外，它们还受到了网络科学界的大量关注。在这些研究中，在对比特币网络早期实例的分析中，我们已经表明了偏好依恋的明显存在，或者说“富-更富”现象。现在，我们重新审视这个问题，使用最新版本的比特币网络，自我们最初的分析以来，它已经增长了近100倍。此外，我们还与第二大加密货币以太坊进行了比较。我们的研究结果表明，优先连接仍然是比特币和以太坊交易网络演变的关键因素。为了便于进一步分析，我们发布了两个交易网络的最新版本，以及一个高效的软件实现，该软件实现能够评估学习具有数亿条边的网络上的偏好连接所需的链接统计数据。
2021-02-24 cs.SI physics.soc-ph
GravityGraphSAGE: Link Prediction in Directed Attributed Graphs
Department of Excellence L’EMbeDS, Sant’Anna School of Advanced Studies（卓越部门L’EMbeDS，圣安娜高级研究学校）；Department of Computer Science, University of Pisa（比萨大学计算机科学系）；Department of Statistics and Huck Institutes of the Life Sciences, The Pennsylvania State University（统计学与生命科学学院，宾夕法尼亚州立大学）；Class of Science, Scuola Normale Superiore（科学班级，正规大学）；DTU Technical University of Denmark（丹麦技术大学）
本文提出Gravity-GraphSAGE模型，通过改进GraphSAGE实现有向链接预测，优于现有图深度学习方法，在多个数据集上表现优异。
2026-05-10 cs.LG cs.SI stat.ML
Attribute-Enhanced Similarity Ranking for Sparse Link Prediction
Rice University（莱斯大学）；UC Santa Barbara（加州大学圣巴巴拉分校）；TikTok Inc.（字节跳动公司）；Visa Inc.（维萨公司）
针对稀疏图链路预测中均衡评估失真问题，提出 Gelato，融合属性图学习、排序损失与图划分难负采样，性能优于现有 GNN 方法。
2024-11-29 cs.AI cs.LG cs.SI
Reviving Life on the Edge: Joint Score-Based Graph Generation of Rich Edge Attributes
Bosch（博世）；Ben-Gurion University（本-古里安大学）
本文针对现有图生成方法忽视边属性的问题，提出节点与边联合的分数生成模型，通过注意力模块和相互依赖的扩散过程生成具有丰富边属性的图，并在交通场景生成等任务中取得显著优势。
2024-12-26 cs.AI cs.LG cs.SI
Influence of Personal Preferences on Link Dynamics in Social Networks
US Army Research Laboratory（美国陆军研究实验室）
我们研究了一个独特的网络数据集，包括定期调查和通过智能手机的二元联系人的电子日志。参与者是2011年秋季进入大学的新生样本。他们对各种政治和社会问题的意见和校园活动的清单定期记录在每个学期的开始和结束的前三年的研究。我们确定了一个行为网络定义的电话和文本数据，和一个认知网络的基础上的友谊提名的自我网络调查。这两个网络仅限于研究参与者。由于每个节点上的各种属性都收集在自我报告中，我们将这些网络称为属性丰富网络。我们研究了学生对朋友的某些属性的偏好是否可以预测两个网络中边缘的形成和溶解。我们介绍了一种方法来计算学生的喜好，我们用不同的属性来预测链接的形成和解散。然后，我们根据这些属性对预测的重要性对它们进行排名。我们发现，个人偏好，特别是政治观点，以及对共同活动的偏好有助于预测行为和认知网络中的链接形成和解散。
2017-09-21 cs.AI cs.SI physics.soc-ph
Enhance Ambiguous Community Structure via Multi-strategy Community Related Link Prediction Method with Evolutionary Process
Beihang University（北京航空航天大学）；Zhongguancun Laboratory（中关村实验室）；Max Planck Institute for Human Development（马克斯·普朗克人类发展研究所）
大多数真实世界的网络都存在不完整性或不正确性，这是真实世界数据集的固有属性。因此，复杂网络中的那些下游机器学习任务（如社区发现方法）可能产生不太令人满意的结果，即，这里需要适当的预处理措施。针对这一问题，本文设计了一种新的基于社区属性的链接预测策略HAP，并提出了一种基于HAP的两步社区增强算法。本文旨在通过添加链接来澄清模糊的社区结构，从而提供一种社区增强措施。HAP方法利用邻域不确定性和Shannon熵来识别边界节点，同时考虑节点的社团属性和社团规模来建立链接。在12个真实社区数据集上的实验结果表明，该链接预测方法的性能优于其他基线方法，社区的增强遵循预期的演化过程.
2022-12-30 cs.AI cs.SI
Attributed Graph Neural Networks for Recommendation Systems on Large-Scale and Sparse Graph
结构化数据中的链接预测对于许多应用，特别是推荐系统来说是一个重要的问题。现有的方法集中在如何学习基于图的结构的节点表示。高维稀疏边缘特征没有得到充分利用。由于平衡精度和计算效率对于现实世界中的推荐系统具有重要意义，大规模稀疏图中的多级特征表示仍然缺乏有效的解决方案。在本文中，我们提出了一个实用的解决方案，图神经网络称为属性图卷积网络（AGCN），以纳入边缘属性时，应用图神经网络在大规模稀疏网络。我们制定的链接预测问题作为一个子图分类问题。我们首先提出一个有效的两级投影将拓扑结构分解为节点-边对，并将它们投影到同一个交互特征空间。然后，我们应用多层GCN组合投影的节点-边缘对来捕获拓扑结构。最后，将两个单元的池化表示作为分类器的输入来预测概率。我们在两个工业数据集和一个公共数据集上进行了离线实验，并证明了AGCN优于其他优秀的基线。此外，我们还将AGCN方法部署到鲜柚和速卖通的重要场景中。在在线系统中，AGCN在在线指标上实现了超过5%的改进。
2021-12-26 cs.SI
Growing Attributed Networks through Local Processes
本文提出了一个属性网络增长模型。尽管人们知道个体使用有限的资源与相似的其他人建立联系，但我们缺乏对本地和资源约束机制如何解释现实世界网络中丰富的结构特性的理解。我们做了三个贡献。首先，我们提出了一个简约和准确的属性网络增长模型，共同解释了度分布，局部聚类，聚类度关系和属性混合模式的出现。其次，我们的模型是基于有偏随机游动，并使用本地过程来形成边缘，而不依赖于全球网络信息。第三，我们解释了多种社会学现象：有限理性，结构性约束，三元封闭，属性同质性和偏好性依恋。我们的实验表明，所提出的属性随机游走（ARW）模型准确地保留了六个真实世界网络的网络结构和属性混合模式;它提高了八个最先进的模型的性能，统计上显着的利润率为2.5- 10倍。
2019-04-16 cs.SI
Leveraging Node Attributes for Incomplete Relational Data
Monash University（莫纳什大学）
在实际应用中，关系数据通常是高度不完整的，这启发我们利用边信息来提高社区检测和链接预测的性能。本文提出了一种贝叶斯概率方法，它结合了各种节点属性编码的二进制形式的关系模型与泊松似然。我们的方法灵活地适用于有向和无向关系网络。可以通过有效的吉布斯抽样来进行推理，该采样利用了网络和节点属性的稀疏性。大量的实验表明，我们的模型达到了最先进的链接预测结果，特别是高度不完整的关系数据。
2017-06-14 cs.LG cs.SI stat.ML
Modeling Social Networks with Node Attributes using the Multiplicative Attribute Graph Model
从社会，技术和自然领域产生的网络表现出丰富的连接模式，在这样的网络中的节点往往与属性或功能的标签。我们解决的问题，建模的网络结构中的节点属性信息。我们提出了一个乘法属性图（MAG）模型，认为节点的分类属性和模型的概率边缘的产品的个人属性链接形成的亲和力。提出了一种可扩展的变分期望最大化参数估计方法。实验表明，MAG模型可靠地捕捉网络连接，以及提供洞察不同的属性如何塑造网络结构。
2011-06-24 cs.SI physics.soc-ph
Consensus-Based Distributed Computation of Link-Based Network Metrics
平均共识算法在分布式计算系统中有着广泛的应用。在分布式计算系统中，所有节点仅通过与其本地邻居交换信息就其初始状态的平均值达成一致。在这封信中，我们将研究基于链路的网络度量，这些度量是在网络中的链路上定义的成对节点属性的多项式函数。与基于节点的平均一致性不同，这种基于链路的度量依赖于节点属性的分布和底层网络拓扑。我们提出了一个通用的算法，使用加权平均共识协议的分布式计算基于链路的网络度量，并提供收敛条件和收敛速度分析。
2021-01-04 cs.DC cs.SI eess.SP
Detecting network communities beyond assortativity-related attributes
在网络科学中，链接性是指具有相似属性的节点之间存在链接的趋势。例如，在社交网络中，链接往往存在于年龄、国籍、地点、种族、收入、教育水平、宗教信仰和语言相似的个体之间。因此，各种属性共同影响网络拓扑。一个有趣的问题是检测超出某些特定的可扩展性相关属性$ρ$的社区结构，即，提取$ρ$对网络拓扑的影响，揭示由于其他属性而隐藏的社团结构。解决这一问题的一种方法是重新定义模块性测度的零模型，从而模拟$ρ$对网络拓扑结构的影响。然而，一个挑战是我们不知道网络拓扑在多大程度上受$ρ$和其他属性的影响。在本文中，我们提出Dist-Modularity，它允许我们自由地选择任何合适的函数来模拟$ρ$的效果。这样的自由度可以帮助我们探测$ρ$的效果，并发现由于其他属性而隐藏的社区。我们测试了Dist-Modularity在合成基准测试和两个真实网络上的有效性。
2014-07-15 cs.SI physics.soc-ph
Link Prediction on Textual Edge Graphs
针对文本边图链接预测中语义与拓扑捕捉不足的问题，提出Link2Doc框架，将节点对邻域信息总结为文档以保留语义与拓扑，并利用自监督学习增强GNN的文本理解能力，在四个真实数据集上表现优于现有方法。
2024-11-17 cs.SI
Partitioning Networks with Node Attributes by Compressing Information Flow
现实世界的网络通常被组织为模块或类似节点的社区，这些节点作为功能单元。这些网络的内容也很丰富，节点具有独特的特征或属性。为了发现网络的模块化结构，不仅需要考虑其链路，还需要考虑节点属性。我们描述了一个信息理论的方法，通过压缩描述的信息流在网络上识别模块。我们的公式将节点内容引入到信息流的描述中，然后我们将其最小化，以发现具有相似属性的节点组，这些节点组也倾向于捕获信息流。该方法有几个优点：它是概念上简单，不需要ad-hoc参数来指定模块的数量或控制链路和节点属性对网络结构的相对贡献。我们应用所提出的方法来划分具有已知社区结构的现实世界网络。我们证明，添加节点属性有助于恢复内容丰富的网络中的底层社区结构更有效地比单独使用链接。此外，我们表明，我们的方法比其他最先进的算法更快，更准确。
2014-05-17 cs.CY cs.IT cs.SI
Using link and content over time for embedding generation in Dynamic Attributed Networks
IBM Research（IBM研究院）；University of São Paulo（圣保罗大学）
在这项工作中，我们考虑的问题相结合的链接，内容和时间分析的社区发现和预测在不断发展的网络。这种时间和内容丰富的网络出现在许多现实生活中，如书目网络和问答论坛。文献中的大多数工作（使用内容和结构）都涉及网络的静态快照，它们不能反映多个快照中发生的动态变化。将社区中的动态变化纳入分析还可以提供有关网络中变化的有用见解，例如作者跨社区的迁移。在这项工作中，我们提出了Chimera，一个共享的因子分解模型，可以同时考虑图链接，内容和时间分析。这种方法的工作原理是以多维形式提取网络的潜在语义结构，但在某种程度上考虑了这些嵌入的时间连续性。这种方法通过使用嵌入作为代理简化了底层网络的时间分析。这种简化的结果是，也可以使用这种嵌入的时间序列来预测未来的社区。我们目前的实验结果说明该方法的有效性。
2019-11-22 cs.LG cs.SI stat.ML
Sampling networks by nodal attributes
在社交网络中，个体或节点通过每次选择一个通信渠道来连接到其他节点，以重新建立现有的社交链接。由于可用的数据集通常限于有限数量的通道或层，这些节点的自主决策过程构成了多路复用网络的采样，导致由节点的行为引起的采样偏差的一个（尽管非常重要）示例。我们开发了一个通用的设置，以获得洞察力和理解的网络采样模型，其中采样的概率在原始网络中的链接取决于其相邻节点的属性$h$的类。假设节点属性独立地从任意分布$ρ(h)$中提取，并且节点属性$h_i$和$h_j$的链路$ij$的采样概率$r(h_i , h_j)$也是任意的，我们推导出采样网络的度分布、度相关性和聚类谱等网络特性的精确解析表达式。采样网络的性质是原始网络拓扑的数量之和，由采样产生的因子加权。基于我们的分析，我们发现采样网络可能具有原始网络中不存在的采样诱导网络属性，这意味着将样本结果天真地推广到整个原始网络的潜在风险。我们还考虑的情况下，当相邻节点的相关属性，以显示如何推广我们的形式主义，这样的采样偏差，我们得到了很好的分析结果和数值模拟之间的协议。
2019-05-23 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
TeleGraph: A Benchmark Dataset for Hierarchical Link Prediction
Fudan University（复旦大学）；The Chinese University of Hong Kong（香港中文大学）
针对现有链接预测方法在稀疏层次网络上的不足，本文提出电信网络基准数据集TeleGraph，并通过实验表明多数算法在近树状数据上性能不佳，为实际部署提供警示。
2024-01-14 cs.AI cs.SI
Inference and Characterization of Multi-Attribute Networks with Application to Computational Biology
我们的工作是由关联网络在计算生物学中的应用，特别是在基因/蛋白质调控网络的背景下，并说明。关联网络表示交互元素的系统，其中两个不同元素之间的链接表示元素属性之间的足够相似性。虽然在现实中，元素之间的关系纽带可以预期是基于多个属性之间的相似性，但迄今为止关于关联网络的绝大多数工作都涉及仅针对单个属性定义的纽带。我们提出了一种方法的推理多属性关联网络的测量连续属性变量，使用典型相关和假设检验策略。在此背景下，我们研究了部分信息对多属性网络推理和表征的影响，当只有一个子集的属性。我们详细考虑的情况下，两个属性，其中我们研究通过分析和数值技术相结合的节点属性的选择和数量的影响，检测网络链接的能力，更一般地说，估计更高层次的网络汇总统计，如节点度，聚类系数，和措施的中心性。插图和应用程序在整个文件开发使用基因和蛋白质表达测量人类癌细胞系从NCI-60数据库。
2012-04-27 cs.SI physics.soc-ph q-bio.MN
Mining Statistically Significant Attribute Associations in Attributed Graphs
最近，图已被广泛用于表示许多不同种类的真实世界数据或观察，诸如社交网络、蛋白质-蛋白质网络、道路网络等。图中的每一个节点都与它的一组属性相关联，在各种图挖掘中，不仅要考虑图的链接结构，而且要利用属性信息来获得更有意义的结果。任务大多数以前的工作与属性图考虑到会计属性关系之间的单独连接的节点。然而，找出哪些属性集相互关联以及它们是否具有统计学意义应该是非常有价值的。挖掘这些重要的关联，我们可以发现图中属性集之间的新关系。我们提出了一个算法，可以找到这些属性的关联高效，有效地，并显示实验结果，证实了所提出的算法的高适用性。
2016-09-27 cs.DB cs.SI
Stochastic Block Models with Multiple Continuous Attributes
随机块模型（SBM）是一种描述网络社团结构的概率模型。通常，仅使用邻接矩阵来执行SBM参数推断。在本文中，我们考虑的情况下，节点有一个相关的向量的连续属性，也用于学习节点到社区的分配和相应的SBM参数。虽然这种假设对于每个应用程序都是不现实的，但我们的模型假设与网络社区中的节点相关联的属性可以由一个常见的多变量高斯模型来描述。在这个增强的，归因的SBM中，目标是同时学习SBM连接概率与描述每个社区的多变量高斯参数。虽然最近的例子在文献中，结合连接和属性信息通知社区发现，我们的模型是第一个增强的随机块模型来处理多个连续属性。这提供了生物数据的灵活性，例如，通过来自多个实验模态的连续测量来增强连接信息。由于缺乏标记的网络数据往往使社区发现的结果难以验证，我们强调我们的模型的有用性的两个网络预测任务：链接预测和协同过滤。作为拟合该属性随机块模型的结果，可以在信息的互补源（分别为连接性或属性）的情况下预测新节点的属性向量或连接性模式。我们还强调了两个生物的例子，其中属性随机块模型提供了令人满意的性能，在链接预测和协同过滤任务。
2018-03-07 cs.SI physics.soc-ph stat.ML
Optimizing and controlling functions of complex networks by manipulating rich-club connections
传统上，没有证据表明富人俱乐部的性质和复杂网络的功能之间有很强的联系。在这项研究中，我们发现，是否一个非常小的部分丰富的节点连接到彼此或不可以强烈影响网络内的基本构件（基序）的出现频率，因此，功能，异构网络。相反，一个同质网络是否具有富俱乐部性质，一般对其结构和功能没有显著影响。这些发现开启了通过操纵富人俱乐部连接来优化和控制复杂网络功能的可能性。此外，基于子图比率轮廓，我们开发了一个更严格的方法来判断网络是否有丰富的俱乐部。新方法不计算富节点之间有多少链接，而是取决于富节点之间的链接如何影响给定网络的整体结构和功能。这些结果也可以帮助我们理解动态网络的演化，并设计新的模型来表征现实世界的网络。
2011-06-27 cs.SI physics.soc-ph
Link Prediction without Graph Neural Networks
Rice University（莱斯大学）
针对图神经网络在链路预测中因图稀疏性导致的类别不平衡问题，提出拓扑中心框架Gelato，结合图学习增强与N-pair损失训练，准确率提升145%且大幅降低参数量和计算开销。
2023-05-23 cs.LG cs.SI
Supervised Random Walks: Predicting and Recommending Links in Social Networks
Facebook（脸书）；Stanford University（斯坦福大学）
预测链接的出现是网络中的一个基本问题。在链接预测问题中，我们得到一个网络的快照，并希望推断现有成员之间的哪些交互可能在不久的将来发生，或者我们遗漏了哪些现有交互。虽然这个问题已经得到了广泛的研究，如何有效地结合丰富的节点和边缘属性数据的网络结构的信息的挑战仍然很大程度上开放。我们开发了一种基于监督随机游走的算法，该算法自然地将网络结构的信息与节点和边缘级别的属性相结合。我们通过使用这些属性来引导图上的随机行走来实现这一点。我们制定了一个监督学习任务，其目标是学习一个函数，该函数为网络中的边分配强度，使得随机步行者更有可能访问将来将创建新链接的节点。我们开发了一种有效的训练算法，直接学习边缘强度估计函数。我们在Facebook社交图和大型协作网络上的实验表明，我们的方法优于最先进的无监督方法以及基于特征提取的方法。
2010-11-17 cs.AI cs.DS cs.SI
A stochastic block model for community detection in attributed networks
本文提出一种整合节点介数中心性和聚类系数的随机块模型BCSBM，用于属性网络社区检测，能检测多分和混合结构，实验优于五种对比算法。
2023-08-31 cs.SI stat.ML
Learning Asymmetric Embedding for Attributed Networks via Convolutional Neural Network
RMIT University（皇家墨尔本理工大学）；Ahvaz Branch, Islamic Azad University（伊斯兰阿扎德大学阿瓦士分校）
近年来，网络嵌入由于其在链接预测、节点分类和节点聚类等网络计算任务中的优势而受到越来越多的关注。网络嵌入的目标是在低维向量空间中表示网络节点，同时保留尽可能多的原始网络信息，包括结构，关系和语义信息。然而，有向网络的非对称性带来了许多挑战，如如何在嵌入过程中最好地保持边缘方向。本文提出了一种基于卷积图神经网络的深度非对称属性网络嵌入模型AAGCN。其主要思想是最大限度地保持有向属性网络的非对称邻近性和非对称相似性。AAGCN引入了两种邻域特征聚合方案，分别将节点的特征与其内外邻居的特征聚合。然后，它为每个节点学习两个嵌入向量，一个源嵌入向量和一个目标嵌入向量。最终的表示是连接源和目标嵌入向量的结果。我们测试的性能AAGCN在三个现实世界的网络重建，链接预测，节点分类和可视化任务。实验结果表明，AAGCN对国家的最先进的嵌入方法的优越性。
2022-02-13 cs.LG cs.SI
Measuring transnational social fields through binational link-tracing sampling
我们提出了两国链接追踪抽样设计，这是一种创新的数据汇集方法，用于从跨国社会领域进行抽样，即，包括移民和非移民的跨国网络。本文展示了这种设计的实际挑战，样本的代表性和网络的质量。我们进行了303个面对面的结构化访谈的社会人口变量，移民轨迹和个人网络的人生活在罗马尼亚移民发送社区（Dâmbovia）和移民接收西班牙城镇（卡斯特利翁），同时在这两个网站。将个人网络相互连接，我们构建了一个多层复杂网络结构，其中嵌入了4，855个提名人，5，477个有向关系（提名）和2，540条边。结果表明，参与者的独特识别是一个特别困难的挑战，数据的代表性不是最佳的（同质性观察到的属性被检测到的提名模式），和关系和属性数据允许探索的社会组织的罗马尼亚移民飞地卡斯特利翁，以及其连接到其他地方。此外，我们提供了方法上的建议，以改善跨国网络的移民链接跟踪采样。我们的研究有助于将社会网络分析应用于国际移民研究的新兴努力。
2020-06-19 cs.SI stat.ME
Local Partition in Rich Graphs
局部图划分是一种关键的图挖掘工具，它允许研究人员识别相互关联的节点（例如人）及其连接边（例如交互）的小组。由于局部图划分主要集中在图的网络结构（顶点和边）上，因此它通常无法考虑属性中包含的附加信息。在本文中，我们提出-（一）一个可扩展的算法，以提高局部图分区，同时考虑到网络结构的图形和属性数据和（ii）的应用程序的建议局部图分区算法（AttriPart）预测当地社区的演变（LocalForecasting）。实验结果表明，我们提出的AttriPart算法发现高达1.6 $\times$密集的本地分区，而运行约43 $\times$比传统的本地分区技术（PageRank-Nibble）快。此外，我们的LocalForecasting算法在正确预测的节点和边的数量上比基线方法有了显着的改进。
2018-03-14 cs.DS cs.SI physics.soc-ph
Multiplicative Attribute Graph Model of Real-World Networks
大规模的真实世界的网络数据，如社会和信息网络是无处不在的。对这种社会和信息网络的研究试图找到模式，并通过易于处理的模型来解释它们的出现。在大多数网络中，尤其是在社交网络中，节点具有丰富的属性集（例如，与他们相关的年龄，性别。在这里，我们提出了一个模型，我们称之为乘法属性图（MAG），它自然地捕捉网络结构和节点属性之间的相互作用。我们考虑一个模型，其中每个节点都有一个与之相关联的分类潜在属性向量，一对节点之间的边的概率取决于单个属性-属性亲和力的乘积。该模型屈服于数学分析，我们得到阈值的连接和出现的巨型连接组件，并表明该模型产生的网络具有恒定的直径。通过对度分布的分析，我们发现MAG模型在一定条件下可以产生对数正态度分布或幂律度分布的网络。
2011-04-14 cs.SI physics.soc-ph
The Elusive Nature of Roughness: Linking Hydraulics and Graph Theory for Water Distribution Networks Model Calibration
MPWiK S.A. (Municipal Water and Sewerage Company) in Wrocław（弗罗茨瓦夫市水务和下水道公司）；Wrocław University of Science and Technology（弗罗茨瓦夫科技大学）
本文研究通过结合水力学和图论属性，利用网络划分技术提高水分布网络参数校准的准确性，证明拓扑驱动分组策略能提供更稳定且高效的结果。
2026-04-14 cs.CE cs.SI cs.SY
Relationship Profiling over Social Networks: Reverse Smoothness from Similarity to Closeness
在社交网络上，虽然节点具有丰富的属性，但我们往往缺乏每个链接形成的“语义”-因此我们错过了导航和组织复杂社交世界的“路标”。如何在没有标签的情况下识别关系语义？基于普遍的同质性原则，我们提出了新的问题，基于属性的关系轮廓（ARP），轮廓的亲密度w.r.t.潜在的关系（例如，同学）基于用户之间在相应属性上的相似性（例如，教育），并且作为输出，学习一组社交亲和力图，其中每个链接通过其承载关系的概率来加权。作为需求，ARP应该是系统的和完整的，以分析每个关系的每个链接--我们的挑战在于有效地建模同质性。我们提出了一个新的反向平滑原则，通过观察同质性的相似性-接近性对偶与基于图的半监督学习中众所周知的平滑性假设一致-只有推理的方向是反向的。为了实现噪声社会图的平滑度，我们进一步提出了一种新的整体紧密度建模方法，通过将紧密度从边缘扩展到路径来捕获“高阶”平滑度。在三个真实数据集上的大量实验证明了ARP的有效性。
2017-10-03 cs.SI physics.soc-ph
Learning Hidden Structures with Relational Models by Adequately Involving Rich Information in A Network
有效地对网络中的隐藏结构进行建模是非常实用的，但在理论上具有挑战性。现有的关系模型只涉及非常有限的信息，即二进制有向链接数据，嵌入在网络中学习隐藏的网络结构。还有其他丰富而有意义的信息（例如，实体的各种属性和比诸如“喜欢”或“不喜欢”之类的二进制元素更细粒度的信息）被遗漏，这在形成和理解网络中的关系中起着关键作用。在这项工作中，我们提出了一个信息关系模型（InfRM）框架，充分涉及丰富的信息和粒度在网络中，包括元数据信息的每个实体和各种形式的链接数据。首先，对关系模型MMSB和LFRM的先验信息采用一种有效的元数据信息合并方法。这是为了鼓励具有相似元数据信息的实体具有相似的隐藏结构。其次，我们提出了各种解决方案，以满足替代形式的链接数据。已经作出了大量的努力，以模拟适当性和效率，例如，使用共轭先验。我们在不同的数据集上评估了我们的框架及其推理算法，这表明了我们的模型在捕获网络中隐式结构方面的通用性和有效性。
2013-10-06 cs.LG cs.SI stat.ML
Semi-supervisedly Co-embedding Attributed Networks
Sun Yat-sen University（中山大学）；University of Glasgow（格拉斯哥大学）
深度生成模型（DGMs）已经取得了显着的进步。半监督变分自动编码器（SVAE）作为一种经典的DGM提供了一个有效地从小的标记数据推广到大的未标记数据的原则性框架，但它很难在多个异构实体中包含丰富的非结构化关系。针对这一问题，本文提出了一种基于广义SVAE的半监督属性网络共嵌入模型（SCAN），该模型能够半监督地协同学习部分标记属性网络的节点和属性的低维向量表示.通过SCAN以统一的方式获得的节点和属性嵌入不仅有利于捕获节点之间的邻近度，而且有利于捕获节点和属性之间的亲和力。此外，我们的模型还训练了一个判别网络来学习节点的标签预测分布。在真实网络上的实验结果表明，与最先进的基线相比，我们的模型在属性推断、用户分析和节点分类等应用中具有出色的性能。
2019-10-31 cs.LG cs.SI
Resilience of Core-Periphery Networks in the Case of Rich-Club
核心-外围网络是一种结构，它呈现一组中心且密集连接的节点（即核心）和一组非中心且稀疏连接的节点（即外围）。富俱乐部是指一个集合，其中最高度的节点显示出高密度的连接。因此，显示富人俱乐部的网络可以被解释为核心-外围网络，其中核心由许多枢纽组成。在本文中，我们测试的弹性网络表现出越来越密集的丰富的俱乐部，我们观察到这种结构是如何能够影响网络措施的凝聚力和信息流的效率。此外，我们考虑的情况下，而不是使核心密集，我们添加链接到外围。这两个过程的核心和外围加厚描绘了一个决策过程中放置新的链接，并允许我们进行情景分析，可以帮助理解和监督的复杂网络的弹性的角度来看。这两个程序的优点，以及它们的影响，讨论了网络效率和节点的异质性。
2017-08-24 cs.SI physics.soc-ph
Attributed Network Embedding for Learning in a Dynamic Environment
Arizona State University（亚利桑那州立大学）；Texas A&M University（得克萨斯农工大学）；Michigan State University（密歇根州立大学）；Huawei Research America（华为美国研究院）
网络嵌入利用所显示的节点邻近度来学习网络中每个节点的低维节点向量表示。学习的嵌入可以推进各种学习任务，如节点分类，网络聚类和链接预测。大多数，如果不是全部，现有的作品，绝大多数是在普通和静态网络的背景下进行的。尽管如此，在现实中，网络结构往往随着时间的推移而发展，增加/删除链接和节点。此外，绝大多数现实世界的网络都与一组丰富的节点属性相关联，并且它们的属性值也在自然变化，随着新内容模式的出现和旧内容模式的消失。这些变化的特征促使我们寻求一种有效的嵌入表示来捕获网络和属性的演化模式，这对于动态环境中的学习至关重要。据我们所知，我们是第一个解决这个问题的人，面临以下两个挑战：（1）固有相关的网络和节点属性可能是嘈杂和不完整的，它需要一个强大的共识表示来捕获它们的个体属性和相关性;（2）嵌入学习需要以在线方式执行，以适应相应的变化。在本文中，我们解决这个问题，提出了一种新的动态属性网络嵌入框架- DANE。特别是，DANE首先提供了一种用于共识嵌入的离线方法，然后利用矩阵扰动理论以在线方式保持最终嵌入结果的新鲜度。我们在合成和真实属性网络上进行了大量的实验，以证实所提出的框架的有效性和效率。
2018-08-26 cs.LG cs.SI stat.ML
Heuristics for Link Prediction in Multiplex Networks
JPMorgan AI Research（摩根大通人工智能研究院）
链接预测，或对实体之间未来或缺失的连接的推断，是网络分析中的一个被充分研究的问题。在具有单一类型连接的普通网络中，存在用于链接预测的多种算法。然而，多路复用网络或具有多种类型连接的网络中的链接预测不是一个很好理解的问题。我们提出了一个新的一般框架和三个家庭的多路复用网络链接预测，是简单的，可解释的，并利用丰富的连接类型的相关结构，存在于许多现实世界的网络。我们进一步推导出一个理论阈值，用于确定何时使用不同的连接类型的基础上的链接，重叠与Erdos-Renyi随机图的数量。通过模拟和现实世界的科学合作，运输和全球贸易网络的实验，我们证明，所提出的算法显示出更高的性能与丰富的连接类型的相关性结构，并显着优于其基线算法的普通网络与一个单一的连接类型。
2020-04-09 cs.LG cs.SI stat.ML
A Review of Link Prediction Applications in Network Biology
Virginia Commonwealth University（弗吉尼亚联邦大学）；University of Thi Qar（济加尔大学）；University of Alabama in Huntsville（阿拉巴马大学亨茨维尔分校）
本文综述了网络生物学中链路预测方法，系统分析局部、中心性和基于嵌入的方法在静态与动态网络上的应用，评估其在疾病、基因、蛋白质等实体间预测链路的表现，并探讨噪声、偏差、稀疏性及可解释性等挑战与未来模型特征。
2023-12-03 cs.LG cs.SI q-bio.MN
Network Null Model based on Maximal Entropy and the Rich-Club
本文提出了一种基于最大熵原理的网络零模型的构造方法，在该模型中，富俱乐部和度序列所施加的约束是保守的。我们表明，两个节点共享一个链接的概率可以用一个简单的概率函数来描述。零模型非常接近网络的非线性特性。
2014-01-10 cs.SI physics.soc-ph stat.ME
Which way? Direction-Aware Attributed Graph Embedding
Royal Institute of Technology（瑞典皇家理工学院）；University of Trento（特伦托大学）
图嵌入算法用于在低维连续向量空间中有效地表示（编码）图，该低维连续向量空间保留了图的最重要属性。经常被忽视的一个方面是图是否有向。大多数研究忽略了方向性，以便学习针对节点分类优化的高质量表示。另一方面，捕获方向性的研究通常在链接预测上有效，但在其他任务上表现不佳。这项初步研究提出了一种新的文本丰富，方向感知算法称为DIAGRAM，基于精心设计的多目标模型来学习嵌入，保留边缘，文本特征和节点的图形上下文的方向。因此，我们的算法不必将一个属性交换为另一个属性，并为多个网络分析任务联合学习高质量的表示。我们的经验表明，DIAGRAM显着优于六个国家的最先进的基线，无论是方向感知和遗忘的，链接预测和网络重建实验使用两个流行的数据集。它还使用相同的数据集在节点分类实验中实现了与这些基线相当的性能。
2020-01-30 cs.LG cs.SI stat.ML
Active Discovery of Network Roles for Predicting the Classes of Network Nodes
University of Colorado（科罗拉多大学）
现实世界网络中的节点通常具有类标签或底层属性，这些标签或属性与它们连接到其他节点的方式有关。有时这种关系很简单，例如同一类的节点可能更有可能连接。然而，在其他情况下，这并不正确，网络中节点的链接方式与其属性之间的关系则不同，更为复杂。在这里，我们考虑网络，我们知道节点是如何连接的，但我们不知道节点的类标签或类标签如何与网络链接相关。我们希望识别最佳的节点子集来标记，以了解节点属性和网络链接之间的关系。然后，我们可以使用这个发现的关系来准确地预测其余网络节点的类标签。我们提出了一个模型，识别具有相似链接模式的节点组，我们称之为网络角色，使用生成块模型。然后，该模型通过使用最大间隔分类器学习从网络角色到类标签的映射来预测标签。我们选择一个子集的节点标记根据迭代的边缘为基础的主动学习策略。通过将网络角色的发现与分类器优化相结合，主动学习过程可以使网络角色适应于更好地表示用于节点分类的网络。我们通过探索现实世界中的网络，包括海洋食物网和英语单词网络来展示该模型。我们表明，与其他网络分类器相比，该模型实现了良好的分类精度为一系列的网络类标签和网络链接之间的不同关系。
2014-03-18 cs.LG cs.SI stat.ML
