挖掘不断演化网络中的持久活动
本研究提出了一种基于监督随机游走的算法,结合网络结构和节点/边缘级属性信息进行边缘强度估计,并在 Facebook 社交图和大型协作网络上得到了验证。
Nov, 2010
该研究通过COEVOLVE模型研究信息传播和网络演化的动态,通过历史数据进行参数学习,证明该模型能够准确预测实际网络传播模式。
Jul, 2015
提出了一种名为F-FADE的新方法,该方法使用一种新颖的频率分解技术有效地建模节点对之间交互频率的时变分布,从而检测边流中的异常,并在在线流设置中处理多种具有时态和结构变化的异常,同时仅需要恒定的存储空间。
Nov, 2020
该研究针对协调在线行为进行了第一次动态分析,发现动态分析可以得出更为准确的结果,用户的离开和加入以及网络特性对协调社区的形成有重要影响,这为在线辩论、协调社区的策略和在线影响的研究提供了新的方向。
Jan, 2023
在过去的二十年中,图形的表示学习方法有了巨大的增长,具有多个应用领域,包括生物信息学、化学和社会科学。然而,目前的动态网络方法侧重于离散时间网络,或者将连续时间网络中的链接视为瞬时事件。为了解决这个问题,我们提出了一种依赖于生存函数的新型随机过程,用于建模链接的持续时间和它们在一段时间内的缺失。我们将这一方法应用于最近的连续时间动态潜在距离模型,并在链接预测和网络完成等各种下游任务中进行量化评估,证明这一开发的建模框架很好地追踪了潜在空间中节点的内在轨迹,并捕捉了演化网络结构的潜在特征。
Dec, 2023
通过组合图神经网络、顺序嵌入空间和高效搜索策略,Subgraph Pattern Miner (SPMiner)实现了在大型目标图中近似查找频繁子图模式,并相较于现有方法和可能的神经替代方案具有更高准确性、更快速度和更好的可扩展性。
Feb, 2024
本文介绍了RepeatMixer模型,该模型通过考虑邻居采样策略和时间信息学习,学习源节点和目标节点的第一和高阶邻域序列的时间模式,进而提高了链接预测任务中的性能。
May, 2024