- 有向网络的强弱随机行走
提出了一种适用于具有多个共同体的带符号网络的随机游走算法,其结果是一个相似性矩阵,可用于将节点聚类成对立的共同体。通过一系列实验表明,相较于基于强型游走的相似性矩阵,基于弱型游走的相似性矩阵在具有多个共同体或在链接密度上不对称的图中能够更好 - 有符号网络中的防御联盟
在这篇论文中,我们介绍了在社交网络和多智能体系统中分析防御联盟的概念,探讨了形成联盟的因素,并提出了一种基于有向网络的防御联盟的新概念,并研究了与之相关的算法问题和组合发现。此外,我们还引入了一种新的有向图结构参数,并提出了一个参数化算法, - 一种混合成员潜在距离模型适用于无符号和有符号整数加权网络
图像表示学习已成为进一步理解复杂网络的重要工具,本文提出了混合成员 - 潜在距离模型(HM-LDM),通过探索如何将潜在距离模型(LDM)限制为潜在单纯形,从而系统控制潜在空间的体积,进而在空间被限制时逐渐显现出社区结构,特别地,本文在有符 - WSDMPOLE:面向带符号网络的极化嵌入
通过设计无偏分割极化度量并提出了极化嵌入方法 POLE,结合拓扑和符号相似性,在社交媒体中对负面链接进行签名网络机器学习预测。
- 在带符号网络中发现极化社区
本文提出一种基于离散特征值问题的谱算法,以发现有极性社群的有符号网络中两个极化社群,证明所提出的问题是 NP-hard 的,同时在真实世界现象的情况下验证了算法的有效性并证明其比非平凡基线更好、更快、能够扩展到更大的网络。
- 有符号图注意力网络
本文中,我们提出了基于图注意力网络(GAT)的正负权网络的通用求解器 - Signed Graph Attention Network(SiGAT)。SiGAT 结合了图图形理论,将常规 GAT 表示和处理有正权重和无权重的网络扩展到对于有 - 带符号网络中深度网络嵌入的图表示学习
本研究使用深度学习网络嵌入方法,在保持结构平衡的前提下,学习有符号网络中的低维节点向量表示,并实现签名网络中的连接符号预测和社区探测。
- 有符号网络中的平衡性
该研究在 Signed Networks 领域提出了两种基于弱平衡和强平衡的平衡度量,用于比较实际 Signed Networks 与理论建模的差异,并测试了使用平衡度量进行预测未知符号的能力。研究表明,这些度量能够较好地预测未知符号。
- KDD使用扩散界面方法的带符号社交网络节点分类
本文研究了有正负交互作用的签名网络,提出了一种基于 Ginzburg-Landau 功能和扩展的有符号网络图拉普拉斯算子的扩散界面方法,在真实的签名社交网络中取得了较好的性能,并优于当前技术水平。
- 有符号图卷积网络
本文提出了一种基于平衡理论的有向图卷积神经网络模型,用于在带有正负连接的有向图中进行节点表示学习,并证明其在 link sign prediction 等问题上的有效性。
- KDDSNE: 带符号网络嵌入
本研究提出了一种名为 SNE 的网络嵌入模型,用于处理有正负权边的网络,并且在节点分类和边预测中与其他四种嵌入方法进行了比较。实验结果表明该模型的有效性。
- KDD有符号网络的分布式表示
SIGNet 是一种针对有符号网络的嵌入方法,利用社会平衡理论建立目标函数,加上新的有针对性的节点抽取策略来维护高阶邻域的结构平衡,较其他方法更优,可以生成更丰富的有符号网络特征词汇以支持表达和推理。
- NIPS使用拉普拉斯算子几何平均值对带符号网络进行聚类
分析了现有的谱聚类扩展,发现现有方法在某些情况下不能恢复基础聚类,提出使用正负部分拉普拉斯矩阵的几何平均值可以超越现有方法并且可以高效计算。
- 社交媒体中带符号网络挖掘综述
本文综述了社交媒体中的正负网络挖掘,涵盖了基本概念和原则、挖掘任务分类和代表性算法,并提出了未被广泛研究的任务和拓展研究方向。
- 带符号网络的预测和聚类:从局部到全局的视角
本研究探讨了有符号网络,基于社交平衡理论构建了针对符号预测和聚类的方法,实验结果表明,将社交平衡理论的全局观点引入可以提高对有符号网络的预测和聚类效果。
- 有符号网络中的链接分类问题的相关聚类方法 —— 完整版 —
本文基于社会平衡理论,采用相关聚类指数作为标签规律度量来发展有关有符号网络中链接分类的理论。我们在在线、批量和主动三种基本的转导学习设置中,以相关聚类的形式推导学习界限。我们在主动设置中的主要算法贡献是引入了一类新的高效链接分类器,该分类器 - 社交媒体中的有向网络
研究在线社交网络中的正负关系,发现结构平衡理论有时难以解释网络的演变,提出了状态理论来更好地说明观察到的边缘符号并提供了有关潜在社会机制的见解。