我们提出了一种受物理启发的方法来推断定向时间网络中的动态排名，该网络中的每个定向和打上时间戳的边反映了一对交互的结果和时间。我们的方法通过求解一组线性方程来推断每个节点的排名，其取值为实数，并随着每条新边的增加或降低（如胜利或失败），引发或降低节点的估计强度或声望的变化，这在真实情况下经常观察到，包括游戏序列，锦标赛或动物等级中的交互。我们的方法仅需要调整一个参数，因此对应的算法可扩展且高效。通过评估我们的方法在各种应用程序中（包括合成和真实数据）中预测交互（边的存在）及其结果（边的方向）的能力来测试我们的方法。我们的分析表明，在许多情况下，我们的方法的性能优于现有的预测动态排名和交互结果的方法。

Jul, 2023

本文介绍了 Agony 排名算法的若干扩展，包括权重图和层级数限制，通过与容量流问题的联系和启发式算法加速求解，同时也证明了任何凸惩罚下的最小层级问题都可以多项式时间解决，而以任何凹惩罚优化最小层级问题都是 NP - 难的问题。

Feb, 2019

这篇论文提出了一种从网络数据中推断出分层结构的通用技术，并证明了层次结构的存在可以同时解释和定量重现网络的许多常见的拓扑特性，同时还展示了层次结构的知识可以用于高精度地预测部分已知网络中的缺失连接，这表明分层结构是复杂网络的一个核心组织原则，能够为许多网络现象提供深刻洞察。

Nov, 2008

本文提出一种新的基于排名的潜在分类识别方法，通过对偏好向量的 Dirichlet 先验和变分推断，以及利用现有的社区检测算法将双部排名数据转化为单部物品相似度图，并分析一种合成序数排名模型及其与随机块模型之间的关系，然后通过将标签传播算法修改为使用节点之间距离进行标签传播的变体来识别类别，并使用几种流行的社区检测算法进行性能比较。

Sep, 2016

研究网络中的等级结构和生成任意等级结构的一般模型，通过两个示例网络演示了该方法在解释网络数据、注释图与边、顶点及社区属性以及生成更多假设测试的一般空模型方面的优势。

Oct, 2006

介绍了一种新的优化丢失功能的方法以提高 Web 页面排名和协同过滤的性能，并使用结构化估计在希尔伯特空间中进行直接优化，所提出的算法被证明是快速且表现良好。

Apr, 2007

本文研究了复杂网络的图嵌入，发现该方法无法捕捉复杂网络的重要特征，尤其是低度和大聚集系数。通过数学证明和实证研究，本文认为这种图嵌入技术不适用于揭示真实世界复杂网络的结构特征。

Mar, 2020

本文研究了实际应用中复杂网络的图形建模与欧几里得嵌入，以及这些低秩表示在网络分类问题中的性能表现。

Oct, 2022

我们提出了一种基于主题建模的方法来预测配对比较中的偏好，该方法利用新的生成模型来捕获预测人群中多种共享潜在排名以及自然的不一致性，并将潜在排名的估计形式地归约为相当于统计模型中的话题建模问题，在此基础上利用相关领域的新进展开发了一个算法，该算法可以以可证明的一致性、样本和计算复杂度的保证学习共享的潜在排名，并在一些半合成和真实世界数据集上证明了与当前最先进方法在预测偏好方面的实证竞争力。

Dec, 2014

本文提出了一种协同偏好完成问题的高效算法，涉及在基于有限数量的观测关联值的情况下，针对一组实体在共享的项目集上联合估计个性化排名。该算法利用了一个观察结论，即虽然偏好通常被记为数字分数，但感兴趣的预测量实际上是底层排名，因此，直接拟合底层偏好顺序的估计器结合核范数约束来鼓励低秩参数。尽管具有广泛适用性，但该算法对于表示总体或区块总体顺序的监督的计算复杂度与基于核范数规则化估计的矩阵完成标准算法相差不大。此外，本文还提出了一项挑战性应用，即协同排名脑区与认知神经科学术语之间的关联。

Nov, 2016