|||
该部分内容值得去深入探索,尤其是节点特征表示的部分。
Structural roles in networks
Role: 角色, 是对节点在网络中功能的描述, 是有相同结构特征的点,相同角色的节点并不一定直接相连,而Group/Communities(社群), 是彼此相互密集连接的节点群;
视频中举了个例子,假定一个计算机系构建一个社交网络,其中:
角色指: 教职、职员、学生;
社群指: AILab、Info Lab、 Theory Lab等;
如果节点u和节点v和所有其他节点有相同的关系,则说明节点u和节点v在结构上等同, 如下图中u和v完全相同;
为什么要研究图当中的role ?如下图:
RoIX特点如下:
非监督学习方法;
无需先验知识;
支持多种角色分类;
按边数线性扩展;
RoIX过程如下图, 其中最重要的Recursive Feature Extraction.
Recursive Feature Extraction是基于图的结构详细,从某一节点出发,聚合该节点的特征,如有向图中,该特征未出度、入度、度等等,其次基于该node的邻居、包含该节点的可导出子图,这称之为Egonet,也会提取Egonet中节点的特征。以此类推,用这种方法提取到的特征,是指数级增长,后续会使用裁剪技术将部分特征裁剪掉;
最终,每一个节点会由如下图的向量表示, 然后采用non negative matrix factorization(KL离散度距离来评估似然度) 即可完成流程图中node * role matrix与role * feature matrix的生成:
local features:节点度的度量。若为有向图,包含出度,入度,总度;若为带权重的图,则包含权重向量
egonet features:计算节点的egonet(自我网络?)
egonet包含:节点,邻居,边
此外,还增加平均和最大这两个统计特征
RoIx:使用 non negative matrix factorization 用于聚类,MDL(最小描述长度?)用于模型选择,KL散度用于相似度衡量
应用:结构相似度
将节点基于他们的结构相似度进行聚类:
通过RoIx获取节点的向量
向量进行聚类
下图是co-authorship的例子
蓝色:连接紧密
红色:桥梁节点,连接两个group
灰色:大部分节点,不属于团,也不属于链
绿色:细长的聚类
购买网络:红色节点——中心,蓝色——外围
Archiver|手机版|科学网 ( 京ICP备07017567号-12 )
GMT+8, 2024-4-20 09:18
Powered by ScienceNet.cn
Copyright © 2007- 中国科学报社