Jun, 2019

高阶排名和链接预测：从闭合三角形到闭合高阶模式

PDF
TL;DR我们引入了模式闭合的概念，并基于闭合高阶网络模式的概念描述了基于高阶排名和链接预测方法。这些方法对于基于实时排名和链接预测的应用，如网络搜索，在线广告和推荐，具有快速高效的特点。
发现论文，激发创造
  • 基于高阶模体特征的链接预测

    本文使用图的拓扑结构，提出了一种基于 3、4、5 阶 motif-based features 的监督分类算法来预测链接，实验结果显示在构建完好的分类数据集上使用现成的分类器，相较于之前基于拓扑结构和特征学习方法，准确率提高了 10 个百分点。

    Feb, 2019

  • 单纯闭包与高阶链接预测

    使用高阶交互作用模型，研究 19 个数据集的时空演化，证明高阶交互作用种类多样，同一系统类型的数据集具有一致的高阶结构模式，同时，密度与强度是高阶组织的竞争指标，并提出高阶链接预测作为模型和算法的基准问题，发现与传统的成对链接预测有根本区别。

    Feb, 2018

  • 社交网络分析中的模式聚类和重叠聚类

    本文引入了一种新的聚类范式 —— 模式聚类，该文章探讨了模式聚类在社交网络社区分析中的应用，以及通过模式覆盖算法实现的重叠聚类与潜在特征推断等问题。

    Dec, 2016

  • 自适应节点级权重学习的多阶图聚类

    本文提出了一个多阶图聚类模型（MOGC），通过在节点级别整合多个高阶结构和边缘连接，采用自适应权重学习机制来自动调整每个节点不同结构的贡献，从而既解决了超图分割问题，又提高了聚类准确性。通过交替最小化算法高效地解决 MOGC 问题，并在七个真实数据集上的实验结果证明了 MOGC 的有效性。

    May, 2024

  • 基于网络模式识别的作者归属

    利用复杂网络的概念和方法，研究关键词识别、自动提取摘要和作者归属等自然语言处理任务中的模式识别技术，提出了基于功能词重复模式的作者归属任务，运用机器学习方法对其进行验证，结果表明模式能够区分不同作者的写作风格，并推荐将其应用于其他相关的语言任务。

    Jul, 2016

  • 可扩展的基于模式的图聚类

    本研究基于图形图案研究了新的图聚类方法，特别是针对三角形图案的发现，扩展了已有的聚类方法，包括谱聚类，以最小化由聚类划分而不是由边缘切割的三角形数量。研究结果表明，我们的方法在机器学习和图形挖掘中具有良好的现实效果。

    Jun, 2016

  • 通过（超）图划分进行本地模体聚类

    本文针对基于分布的局部聚类问题，提出了结合超图和图模型的新方法，通过组合优化算法求解，并在三角形图案实验中表现出了较高的性能表现。

    May, 2022

  • 基于模式的图卷积神经网络

    该论文介绍了一种新的卷积神经网络架构，名为 Motif-CNN，能够处理具有不规则连接结构的图形，特别是异构图形，实现了半监督节点分类，并在真实社交网络和多个代表性异构图形数据集上显示出与现有图形卷积神经网络和其他最先进技术相比的显着优势。

    Nov, 2017

  • 通过更高维任务关联性提升图上的多任务学习

    本文通过多任务学习的视角重新考虑了在给定图上预测多个节点标签函数的问题，并且提出了一种基于高阶任务亲和力度量的任务分组算法，可以更准确地预测负转移。

    Jun, 2023

  • 通过超图对称打破实现高阶关联预测的表达力

    超图表示能学习到更高阶的链接预测，通过预处理算法识别出对称的子超图来提高广义魏斯费勒 - 利曼 1 算法的表达能力。

    Feb, 2024