時間網路中的模體分析模型：發現趨勢和異常；
我們真的取得了很大進展嗎？重新審視、基準測試和改進異構圖神經網路；
興趣擴散對購買預測的影響有多大：以淘寶碼為例；
UCoDe：使用圖卷積網路進行統一社群檢測；
親密的朋友、受歡迎的同伴、團隊組建和小組專案中的領導力；
PPRviz：基於個性化PageRank的有效且高效的圖視覺化；
缺失POI簽到識別的雙向時空依賴建模與使用者動態偏好；
透過時空張量共聚類解釋遷徙系統；
網路上具有淬滅無序的 q-voter 模型的對近似；
基於隨機遊走的自監督學習的可擴充套件深度圖聚類；
用於有效且可實施的聯絡人跟蹤和隔離的馬爾可夫決策過程框架；
受非高斯噪聲影響的隨機 COVID-19 模型；
時間網路中的模體分析模型：發現趨勢和異常
原文標題： Analytical Models for Motifs in Temporal Networks： Discovering Trends and Anomalies
地址： http：//arxiv。org/abs/2112。14871
作者： Alexandra Porter， Baharan Mirzasoleiman， Jure Leskovec
摘要： 動態演化網路捕捉社會網路、通訊網路和金融交易網路等領域的時間關係。在這樣的網路中，時間模體是帶時間戳的邊/交易的重複序列，提供有關網路演變和功能的有價值的資訊。然而，目前不存在含時圖的分析模型，也沒有模型可以隨著時間的推移對時間主題頻率進行可擴充套件的建模。在這裡，我們開發了時間活動狀態塊模型 （TASBM），以對含時圖中的時間主題進行建模。我們開發了有效的模型擬合方法，併為給定的時間網路中的預期主題頻率及其方差推匯出封閉形式的表示式，從而能夠發現具有統計意義的時間主題。我們的 TASMB 框架可以準確地跟蹤預期模體頻率隨時間的變化，並且還可以很好地擴充套件到具有數千萬條邊/交易的網路，因為它不需要耗時生成許多隨機時間網路，然後計算模體計數他們每一個人。我們表明 TASBM 能夠對金融交易網路、電話和電子郵件網路中的時間活動隨時間的變化進行建模。此外，我們表明，與我們的分析框架計算出的預期主題計數的偏差對應於金融交易和電話網路中的異常情況。
我們真的取得了很大進展嗎？重新審視、基準測試和改進異構圖神經網路
原文標題： Are we really making much progress？ Revisiting， benchmarking， and refining heterogeneous graph neural networks
地址： http：//arxiv。org/abs/2112。14936
作者： Qingsong Lv， Ming Ding， Qiang Liu， Yuxiang Chen， Wenzheng Feng， Siming He， Chang Zhou， Jianguo Jiang， Yuxiao Dong， Jie Tang
摘要： 近年來，異構圖神經網路 （HGNN） 蓬勃發展，但每項工作使用的獨特資料處理和評估設定阻礙了對其進步的全面理解。在這項工作中，我們使用官方程式碼、資料集、設定和超引數系統地再現了 12 個最近的 HGNN，揭示了有關 HGNN 進展的驚人發現。我們發現簡單的同構 GNN，例如 GCN 和 GAT，由於設定不當而在很大程度上被低估了。具有適當輸入的 GAT 通常可以在各種場景中匹配或優於所有現有的 HGNN。為了促進穩健和可重複的 HGNN 研究，我們構建了異構圖基準 （HGB），由 11 個不同的資料集和三個任務組成。 HGB 標準化了異構圖資料拆分、特徵處理和效能評估的過程。最後，我們引入了一個簡單但非常強大的基線 Simple-HGN——它在 HGB 上的效能明顯優於以前的所有模型——以加速 HGNNs 在未來的進步。
興趣擴散對購買預測的影響有多大：以淘寶碼為例
原文標題： How Powerful are Interest Diffusion on Purchasing Prediction： A Case Study of Taocode
地址： http：//arxiv。org/abs/2112。14446
作者： Xuanwen Huang， Yang Yang， Ziqiang Cheng， Shen Fan， Zhongyao Wang， Juren Li， Jun Zhang， Jingmin Chen
摘要： 淘寶碼是淘寶（全球最大的線上購物網站）上一種特殊編碼的文字連結，使用者可以透過它相互分享產品資訊。分析道碼可能有助於理解使用者之間的社會關係，更令人興奮的是，他們在道碼擴散的影響下的線上購買行為。本文創新性地從資訊擴散的角度研究網購預測問題，以淘碼為例。具體來說，我們對來自淘寶的大型真實世界資料集進行了深入的觀察研究，其中包含超過 1 億條淘碼共享記錄。受我們觀察的啟發，我們提出了 InfNet，這是一種基於動態 GNN 的框架，可對跨越 Taocode 的資訊擴散進行建模。然後我們將 InfNet 應用於商品購買預測。與 8 個最先進的基線相比，對真實世界資料集的大量實驗驗證了 InfNet 的有效性。
UCoDe：使用圖卷積網路進行統一社群檢測
原文標題： UCoDe： Unified Community Detection with Graph Convolutional Networks
地址： http：//arxiv。org/abs/2112。14822
作者： Atefeh Moradan， Andrew Draganov， Davide Mottin， Ira Assent
摘要： 社群檢測是基於相互相似性在圖中查詢節點組的無監督任務。現有的社群檢測方法要麼將圖劃分為不相交、不重疊的社群，要麼返回重疊社群。目前，沒有任何方法可以令人滿意地檢測重疊和非重疊社群。我們提出了 UCoDe，這是一種在屬性圖中進行無監督社群檢測的統一方法。它利用圖神經網路 （GNN） 的最新發展進行表徵學習。到目前為止，用於社群檢測的 GNN 方法在重疊或非重疊社群檢測任務中都提供了有競爭力的結果，但在這兩項任務中都收效甚微。 UCoDe 透過引入在宏觀尺度上刻畫節點相似性的新損失來克服這些問題。我們為我們的方法在社群檢測任務中的有效性提供了理論依據，並表明它可以應用於重疊和非重疊設定。正如我們的實驗在幾個真實的基準圖上所證明的那樣，UCoDe 以易於應用的方式在重疊和非重疊設定中始終如一地提供高質量的結果。
親密的朋友、受歡迎的同伴、團隊組建和小組專案中的領導力
原文標題： Close Friends， Popular Peers， Team formation and Leadership in Group Projects
地址： http：//arxiv。org/abs/2112。14940
作者： Deekshajyothi S， Gowrishankar G
摘要： 該論文討論了在看似無關的一組學生和概念上不同的問題陳述中形成的各種相互關聯的關係。本研究使用社會網路分析 （SNA） 來分析和對映個人之間的聯絡。 SNA 有助於在執行特定任務時理解一群人的心理。這可以幫助預測類似組可能執行這些任務的進一步模式。正如本文所討論的，對專案團隊成員選擇的分析間接暗示了部門中的友誼，並且可以預測可能由此產生的新友誼。收集到的資料可以使用各種分析工具（例如 Gephi 和 NodeXL）表示為社會網路。分析的結果決定了學生中受歡迎的同齡人，並闡明瞭其背後的原因。此外，還推匯出了其他各種推論，例如密友列表、節點的社交影響力等。
PPRviz：基於個性化PageRank的有效且高效的圖視覺化
原文標題： PPRviz： Effective and Efficient Graph Visualization based on Personalized PageRank
地址： http：//arxiv。org/abs/2112。14944
作者： Shiqi Zhang， Renchi Yang， Xiaokui Xiao， Xiao Yan， Bo Tang
摘要： 圖視覺化是一個重要的問題，在各個領域都有應用，例如社會網路分析、交通規劃和生物資訊學。然而，現有的圖視覺化解決方案無法擴充套件到具有數百萬個節點的大型圖，因為它們要麼提供較差的視覺化結果，要麼產生巨大的計算成本。為理解決先前工作的不足，我們提出了 PPRviz，一種用於大圖的多級視覺化方法。 PPRviz 的核心是一個新的圖節點距離度量 PDist，它是專門為視覺化設計的。特別是，PDist 是基於個性化 PageRank 制定的，它為兩個被廣泛採用的美學措施提供了非平凡的理論保證。我們提出了有效的演算法來估計具有可證明的準確性和時間複雜度的 PDist，同時產生小的預處理成本。大量實驗表明，PPRviz 在 12 個真實世界圖的有效性和效率方面顯著優於 13 個最先進的競爭對手，並且 PPRviz 在 10 億邊圖上提供了 1 秒內的互動式視覺化。
缺失POI簽到識別的雙向時空依賴建模與使用者動態偏好
原文標題： Modelling of Bi-directional Spatio-Temporal Dependence and Users’ Dynamic Preferences for Missing POI Check-in Identification
地址： http：//arxiv。org/abs/2112。15285
作者： Dongbo Xi， Fuzhen Zhuang， Yanchi Liu， Jingjing Gu， Hui Xiong， Qing He
摘要： 從興趣點 （POI） 簽到積累的人類移動資料為理解使用者行為提供了絕佳機會。然而，現實生活中的移動資料中的資料質量問題（例如，地理位置資訊缺失、不真實的簽到、資料稀疏）限制了現有面向 POI 的研究（例如 POI 推薦和位置預測）應用於實際應用時的有效性。為此，在本文中，我們開發了一個名為 Bi-STDDP 的模型，該模型可以整合雙向時空依賴性和使用者的動態偏好，以識別使用者在特定時間訪問過的缺失 POI 簽到。時間。具體來說，我們首先利用 POI 的雙向全域性空間和區域性時間資訊來刻畫複雜的依賴關係。然後，結合使用者和 POI 資訊的目標時間模式被饋送到多層網路中以刻畫使用者的動態偏好。此外，將動態偏好轉換為與依賴關係相同的空間，以形成最終模型。最後，所提出的模型在三個大型真實世界資料集上進行了評估，結果表明我們的模型與最先進的方法相比有了顯著的改進。此外，值得注意的是，所提出的模型可以自然地擴充套件到具有競爭力的效能的 POI 推薦和位置預測任務。
透過時空張量共聚類解釋遷徙系統
原文標題： Uncovering migration systems through spatio-temporal tensor co-clustering
地址： http：//arxiv。org/abs/2112。15296
作者： Zack W。 Almquist， Tri Duc Nguyen， Mikael Sorensen， Xiao Fu， Nicholas D。 Sidiropoulos
摘要： 人類流動研究的一個核心問題是遷移系統。通常，遷移系統被定義為隨著時間的推移，人們在兩個或多個地點之間的一組相對穩定的移動。雖然這些新興系統預計會隨時間變化，但理想情況下，它們包含一個穩定的基礎結構，可以透過經驗發現。已經有一些正式或非正式地定義移民系統的顯著嘗試，但是它們因難以操作以及以忽略來源/目的地方面和/或未能考慮移民動態的方式定義移民系統而受到限制。在這項工作中，我們提出了一種新方法，即時空 （ST） 張量共聚類，源於訊號處理和機器學習理論。為了證明其描述穩定移民系統的有效性，我們關注 1990 年至 2018 年美國各縣之間的國內移民。這一時期的相關資料已透過美國國稅局提供。具體而言，我們專注於三個說明性案例研究：（i） 美國大都市區，（ii） 加利福尼亞州，以及 （iii） 路易斯安那州，重點是檢測 2005 年卡特里娜颶風等外生事件。最後，我們以討論和這種方法的侷限性。
網路上具有淬滅無序的 q-voter 模型的對近似
原文標題： Pair approximation for the q-voter models with quenched disorder on networks
地址： http：//arxiv。org/abs/2112。15369
作者： Arkadiusz Jędrzejewski， Katarzyna Sznajd-Weron
摘要： 使用兩種意見動態模型，具有獨立性的 q-voter 模型和具有反一致性的 q-voter 模型，我們討論了無序從退火到淬滅的變化如何影響網路上的相變。到目前為止，這種分析僅在平均場水平上進行。為了匯出網路上的相圖，我們開發了模型淬火版本的配對近似。這種形式主義也可以應用於其他類似的淬火動力學。結果表明，這種無序變化消除了所有不連續的相變並拓寬了有序相。我們表明，儘管退火和淬火型別的無序在具有平均場水平反整合的 q-voter 模型中導致相同的結果，但它們確實導致網路上的不同相圖。隨著網路平均節點度的增加，這些相圖相互移動，最終，它們在平均場極限處重合。相比之下，對於具有獨立性的 q-voter 模型，無論無序型別如何，相圖都朝著相同的方向移動，並且即使在均值域中它們也不重合。為了驗證我們的結果，我們對隨機正則圖和 Barab’asi-Albert 網路進行了蒙特卡羅模擬。儘管配對近似可能會錯誤地預測退火模型的相變型別，但我們尚未觀察到淬火模型的此類錯誤。
基於隨機遊走的自監督學習的可擴充套件深度圖聚類
原文標題： Scalable Deep Graph Clustering with Random-walk based Self-supervised Learning
地址： http：//arxiv。org/abs/2112。15530
作者： Xiang Li （1）， Dong Li （2）， Ruoming Jin （2）， Gagan Agrawal （3）， Rajiv Ramnath （4） （（1） Ohio State University， （2） Kent State University， （3） Augusta University）
摘要： 基於 Web 的互動可以經常用屬性圖表示，並且此類圖中的節點聚類最近受到了很多關注。多項努力已成功應用圖卷積網路 （GCN），但由於 GCN 已被證明存在過度平滑問題，因此在準確性方面存在一些限制。儘管其他方法（尤其是基於拉普拉斯平滑的方法）報告了更好的準確性，但所有工作的基本限制是缺乏可擴充套件性。本文透過將拉普拉斯平滑與廣義 PageRank 相關聯並應用基於隨機遊走的演算法作為可擴充套件圖過濾器來解決這個開放問題。這構成了我們可擴充套件的深度聚類演算法 RwSL 的基礎，其中透過自我監督的小批次訓練機制，我們同時優化了用於樣本叢集分配分佈的深度神經網路和用於面向聚類的嵌入的自動編碼器。使用 6 個真實世界的資料集和 6 個聚類指標，我們表明 RwSL 在幾個最近的基線上取得了改進的結果。最值得注意的是，我們表明，與所有其他深度聚類框架不同，RwSL 可以繼續擴充套件到超過一百萬個節點的圖，即處理網路規模。我們還演示了 RwSL 如何僅使用單個 GPU 在具有 18 億條邊的圖上執行節點聚類。
用於有效且可實施的聯絡人跟蹤和隔離的馬爾可夫決策過程框架
原文標題： A Markov Decision Process Framework for Efficient and Implementable Contact Tracing and Isolation
地址： http：//arxiv。org/abs/2112。15547
作者： George Li， Arash Haddadan， Ann Li， Madhav Marathe， Aravind Srinivasan， Anil Vullikanti， Zeyu Zhao
摘要： 有效的接觸者追蹤和隔離是控制流行病的有效策略。它在埃博拉流行期間得到了有效使用，並在持續的 COVID-19 大流行期間在世界多個地區成功實施。實施手動接觸者追蹤時的一個重要考慮因素是可用接觸者追蹤器的數量——由於社會經濟原因，此類個體的數量有限。在本文中，我們提出了一個馬爾可夫決策過程 （MDP） 框架來制定有效的接觸者跟蹤問題，該問題在使用有限數量的接觸者跟蹤器的同時減少了爆發的規模。我們將 MDP 的每一步都表述為一個組合問題 MinExposed。我們證明 MinExposed 是 NP-Hard，因此我們開發了一種基於 LP 的近似演算法。儘管該演算法直接解決了 MinExposed，但由於資訊限制，它在現實世界中往往不切實際。為此，我們開發了一種基於對先前演算法分析的見解的貪婪方法，我們表明該方法更具可解釋性。貪心演算法的一個關鍵特徵是它不需要底層社交聯絡網路的完整資訊。這使得啟發式可以在實踐中實現並且是一個重要的考慮因素。最後，我們對在真實世界網路上執行的 MDP 進行模擬實驗，並展示演算法如何幫助彎曲流行曲線，同時限制孤立個體的數量。我們的實驗結果表明，貪婪演算法及其變體在各種現實場景中特別有效、穩健和實用，例如當接觸圖和特定傳輸機率未知時。所有程式碼都可以在我們的 GitHub 儲存庫中找到：https：//github。com/gzli929/ContactTracing。
受非高斯噪聲影響的隨機 COVID-19 模型
原文標題： Stochastic COVID-19 Model Influenced by Non-Gaussian Noise
地址： http：//arxiv。org/abs/2112。14876
作者： Almaz Tesfay， Anwar Zeb， Yu-Ming Chu， Ali Ahmadian， Soheil Salahshour
摘要： 考慮到不可抗拒的疾病——罕見的冠狀病毒，自然變化起到了至關重要的作用。重要的是要考慮不規則的不安影響對流行病模型的影響。在這項工作中，首先我們提出了一個 SIR 冠狀病毒數學模型，並考慮到接觸率受到 L’evy 噪聲的干擾。為了保護和控制疾病，應該使用 L’evy 過程。然後，我們討論了確定性模型的動力學和隨機模型的全域性正解，呈現了存在性和唯一性。此外，探索感染終止和持續存在的一些條件。然後推匯出決定疾病（感染）滅絕和持續時間的基本繁殖數。當噪聲很大或很小時，數值結果顯示，如果複製數小於 1，則 COVID19 從個體中消失；雖然在再生數大於1的情況下控制流行病。最後，為了演示這種現象，給出了數值模擬。
宣告：Arxiv文章摘要版權歸論文原作者所有，機器翻譯後由本人進行校正整理，未經同意請勿隨意轉載。本系列在公眾號“網路科學研究速遞”（netsci）和個人部落格進行同步更新。
