- 利用带文本节点学习有向网络的嵌入 - 软件包依赖网络的应用;
- 移动社会网络中的演化中心性和最大团;
- Top-k重叠最密集子图：近似和复杂性;
- BiasedWalk：图表示学习的有偏抽样;
- 针对异构网络群体的多层假设检验;
- 在具有持久边的含时网络上随机游走;
利用带文本节点学习有向网络的嵌入 - 软件包依赖网络的应用
原文标题： Learning Embeddings of Directed Networks with Text-Associated Nodes---with Applications in Software Package Dependency Networks
地址： http://arxiv.org/abs/1809.02270
作者： Shudan Zhong, Hong Xu
摘要： 网络嵌入包括网络中每个节点的向量表示。网络嵌入已经在许多现实应用领域（例如社会网络和网络网络）中显示出它们在节点分类和可视化中的有用性。虽然具有与每个节点相关联的文本的有向网络（例如引用网络和软件包依赖性网络）是常见的，但据我们所知，其嵌入尚未被特别研究。在本文中，我们创建PCTADW-1和PCTADW-2，两种基于NN的算法，用于学习与每个节点相关联的文本的有向网络的嵌入。我们创建了两个带有文本关联节点的新标记有向网络：两个流行的GNU / Linux发行版中的包依赖网络，Debian和Fedora。我们通过实验证明，我们的NN产生的嵌入导致节点分类的质量优于这两个网络上的各种基线。我们观察到在软件包依赖网络的网络嵌入中存在系统存在的类比（类似于字嵌入中的类比）。据我们所知，这是第一次在网络和文档嵌入中观察到这种类比的系统存在。这可能会开辟一个新的场所，以便通过嵌入方式更好地理解网络和文档，以及更好地理解网络和文档嵌入。
移动社会网络中的演化中心性和最大团
原文标题： Evolutionary Centrality and Maximal Cliques in Mobile Social Networks
地址： http://arxiv.org/abs/1809.02282
作者： Heba Elgazzar, Adel Elmaghraby
摘要： 本文介绍了一种增强移动网络中心节点查找过程的演化方法。这可以在移动和社会网络中提供重要信息和重要应用。这种演化方法考虑了网络的动态，并考虑了先前时隙的中心节点。我们还研究了最大集团算法在移动社会网络中的适用性，以及如何根据发现的最大集团来查找中心节点。实验结果很有希望，并且在寻找中心节点方面显示出显著的增强。
Top-k重叠最密集子图：近似和复杂性
原文标题： Top-k Overlapping Densest Subgraphs: Approximation and Complexity
地址： http://arxiv.org/abs/1809.02434
作者： Riccardo Dondi, Mohammad Mehdi Hosseinzadeh, Giancarlo Mauri, Italo Zoppis
摘要： 图挖掘的一个核心问题是找到密集的子图，在不同的领域有几个应用，一个值得注意的例子是识别社区。虽然已经在寻找单个密集子图的问题上付出了很多努力，但直到最近，焦点才转移到找到一组密度子图的问题上。一些方法旨在寻找不相交的子图，而在许多现实世界的网络中，社区往往是重叠的。引入可能的重叠子图的方法是Top-k Overlapping Densest Subgraphs问题。对于给定的整数k> = 1，该问题的目标是找到一组k个最密集的子图，这些子图可以共享一些顶点。要最大化的目标函数既考虑子图的密度，又考虑解中子图之间的距离。已经证明Top-k重叠的Densest子图问题允许1/10因子近似算法。此外，问题的计算复杂性仍未解决。在本文中，我们提出了有关问题的近似性和计算复杂性的贡献。对于近似性，我们提出了近似算法，当k由顶点集界定时，将近似因子提高到1/2，当k是常数时，将近似因子提高到2/3。对于计算复杂性，我们表明即使k = 3，问题也是NP难的。
BiasedWalk：图表示学习的有偏抽样
原文标题： BiasedWalk: Biased Sampling for Representation Learning on Graphs
地址： http://arxiv.org/abs/1809.02482
作者： Duong Nguyen, Fragkiskos D. Malliaros
摘要： 网络嵌入算法能够学习节点的潜在特征表示，将网络转换为低维矢量表示。使用网络嵌入有效解决的典型关键应用包括链路预测，多标签分类和社区检测。在本文中，我们提出了BiasedWalk，一种可扩展的，无监督的特征学习算法，该算法基于偏向随机游走来对网络中每个节点的上下文信息进行采样。我们的基于随机游走的采样可以表现为呼吸优先搜索（BFS）和深度优先搜索（DFS）采样，目标是捕获网络中节点之间的同音和角色等效。我们已经对几个数据集和学习任务进行了详细的实验评估，比较了所提算法与各种基线方法的性能。实验结果表明，该方法在大多数任务和数据集中优于基线方法。
针对异构网络群体的多层假设检验
原文标题： Multi-level hypothesis testing for populations of heterogeneous networks
地址： http://arxiv.org/abs/1809.02512
作者： Guilherme Gomes, Vinayak Rao, Jennifer Neville
摘要： 在这项工作中，我们考虑对每个观察是加权网络的数据集进行假设检验和异常检测。此类数据的示例包括来自fMRI流数据的脑连接网络，或个体群体的单词共现计数。当前对加权网络进行假设检验的方法通常需要对边权重进行阈值处理，以将数据转换为二进制网络。这导致信息丢失，结果对阈值水平的选择敏感。我们的工作避免了这种情况，我们在两种情况下考虑加权图观察，1）每个图属于两个群中的一个，2）实体属于两个群中的一个，每个实体拥有多个图（例如通过时间）。具体来说，我们提出了一个分层的贝叶斯假设检验框架，该模型使用加权网络的潜在空间模型的混合对每个群体进行建模，然后测试网络群体在分量上的分布差异。我们的框架能够进行人口级，特定于实体以及边特定的假设检验。我们将其应用于合成数据和三个真实世界的数据集：两个社交媒体数据集，包括来自巴西政治动荡的Twitter讨论中的单词共现，以及关于注意力缺陷多动障碍（ADHD）和抑郁症药物的Instagram，以及医学数据集涉及人类受试者的fMRI脑扫描。结果表明，与需要阈值边权重的替代方法相比，我们提出的方法具有更低的I类误差和更高的统计功效。此外，他们表明我们提出的方法更适合处理高度异构的数据集。
在具有持久边的含时网络上随机游走
原文标题： Random walk on temporal networks with lasting edges
地址： http://arxiv.org/abs/1809.02540
作者： Julien Petit, Martin Gueuning, Timoteo Carletti, Ben Lauwens, Renaud Lambiotte
摘要： 我们考虑动态网络上的随机游走，其中边在有限的时间间隔内出现和消失。该过程基于三个独立的随机过程，确定步行者的等待时间，边激活的上升时间和停机时间。我们首先提出了有向无环图的综合分析和数值处理。一旦在网络中允许循环，即使步行者和网络边的演变由无记忆泊松过程控制，也可能出现非马尔可夫轨迹。然后，我们引入一个通用的分析框架来表征这种非马尔可夫行走，并通过数值模拟验证我们的发现。
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。本系列在微信公众号“网络科学研究速递”（微信号netsci）和个人博客 https://www.complexly.me （提供RSS订阅）进行同步更新。