Arxiv网络科学论文摘要5篇(2017-08-04)

• 使用约束符号谱聚类的座位分配;
• 网络社区检测：审查和视觉调查;
• 用于自动在线滥用检测的基于图的功能;
• 稀疏性完全放松模块化最大化社区检测;
• 网络中的多尺度混合模式;

使用约束符号谱聚类的座位分配

地址： http://arxiv.org/abs/1708.00898

作者： João Sedoc, Aline Normoyle

摘要： 在本文中，我们提出了一种用于约束簇大小符号谱聚类的新方法，这使得我们可以根据其关系对大群人进行细分。一般来说，符号聚类只需要K个硬群集，并不限制群集大小。我们扩展符号的聚类以包括聚类大小约束。使用座位作业的例子，我们有效地找到具有高社会亲和力的群体，同时减轻彼此不喜欢的人之间的尴尬的社交互动。

网络社区检测：审查和视觉调查

地址： http://arxiv.org/abs/1708.00977

作者： Bisma S. Khan, Muaz A. Niazi

摘要： 社区结构是一个重要的研究领域。它得到了科学界的广泛关注。尽管其重要性，但是关于社区检测信息的关键问题之一是相关文章在不同学科中的不同传播。据我们所知，目前还没有对近期文献进行全面综述，该文献采用科学计量分析法，利用复杂网络分析涵盖了科学网络（WoS）的所有相关文章。在这里，我们提出了使用CiteSpace的关键文献的视觉调查。这个想法是除了使用网络技术来检查领域的演变外，还要发现新出现的趋势。为此，我们使用科学计量分析来确定最有影响力的，中心的以及活跃的节点。我们研究作者，重要文章，引用参考文献，核心科目类别，主要期刊，机构以及国家。对该领域科学计量学文献的探索，揭示王勇是中枢性最高的枢纽节点。此外，我们已经观察到，马克·纽曼是网络中最受引用的作者。我们也确定了“现代物理学评论”杂志的引证爆发力最强。在引用文件方面，Andrea Lancichinetti的文章中心分数最高。我们还发现，这一领域的主要出版物的起源是来自美国。而苏格兰有最强和最长的引证爆发。另外，我们发现“计算机科学”和“工程”的类别分别以频率和中心为导向的其他类别。

用于自动在线滥用检测的基于图的功能

地址： http://arxiv.org/abs/1708.01060

作者： Etienne Papegnies (LIA), Vincent Labatut (LIA), Richard Dufour (LIA), Georges Linares (LIA)

摘要： 虽然在线社区多年来越来越重要，但用户生成的内容的审核仍然主要是手动进行的。自动化此任务是减少与节制相关的财务成本的重要步骤，但绝大多数基于消息内容的自动化方法极易受到有意的混淆。在本文中，我们讨论了基于原始多参与者聊天日志提取会话网络的方法，我们研究图特征对分类系统的贡献，该分类系统旨在确定给定的消息是否是滥用。基于会话图的系统产生了意想不到的高性能，结果与以前通过基于内容的方法获得的结果相当。

稀疏性完全放松模块化最大化社区检测

地址： http://arxiv.org/abs/1708.01072

作者： Junyu Zhang, Haoyang Liu, Zaiwen Wen, Shuzhong Zhang

摘要： 在本文中，我们考虑随机块模型（SBM）假设或程度相关随机块模型（DCSBM）假设下的社区检测问题。社区检测问题的模块化最大化公式总体上是NP-hard。在本文中，我们提出了模块化最大化问题的稀疏和低阶完全正放松，然后开发了一种有效的逐行（RBR）类型块坐标下降（BCD）算法来解决放松并证明$ \ mathcal {O}（1 / \ sqrt {N}）$收敛速率到一个固定点，其中$ N $是迭代次数。构建快速舍入方案以从解决方案中检索社区结构。建立了非渐近高错误分类率的概率界限，以证明我们的方法是合理的。我们进一步开发了一种异步并行RBR算法来加速收敛。综合和现实世界网络的广泛数值实验表明，提出的方法在聚类精度和数值效率方面都有优势。我们的数值结果表明，新提出的方法是对具有超过5000万个节点的稀疏网络进行社区检测的相当有竞争力的替代方案。

网络中的多尺度混合模式

地址： http://arxiv.org/abs/1708.01236

作者： Leto Peel, Jean-Charles Delvenne, Renaud Lambiotte

摘要： 网络中的分类混合是具有相同属性或元数据的节点彼此链接的趋势。这是社会网络中经常发现的一种物质，表现为在相同年龄，种族或政治信仰的人之间发生联系的更高趋势。量化分解性或分解性（与具有不同属性的节点的优先性）可以揭示复杂网络中形成链接和传染过程所涉及的因素。通常的做法是根据分类系数或离散值元数据的模块性来衡量分类水平。这个全球价值是整个网络的平均分级水平，当混合模式是异构的时，它们可能不是一个代表性的统计量。例如，跨越全球的社交网络可能会由于文化规范的不同而在混合模式方面出现局部差异。在这里，我们介绍一种本地化这个全局度量的方法，以便我们可以在节点级别描述多个尺度的分类性。因此，我们能够捕获和定性评估网络中混合模式的分布。我们发现，对于许多现实世界网络来说，分类的分布是偏斜的，分散的和多模态的。我们的方法提供了一个更清晰的镜头，通过它可以更仔细地检查网络中的混合模式。

声明：Arxiv文章摘要版权归论文原作者所有，由本人进行翻译整理，未经同意请勿随意转载。本系列在个人博客 https://www.complexly.me 进行更新，并提供RSS订阅。