• 对链路预测的封闭子图进行采样;
• 探索概率拼车问题的共享网络;
• 多频联合社区检测与相位同步;
• 异构网络的深度生成;
• 社交媒体推荐系统中的情感信号;

对链路预测的封闭子图进行采样

原文标题： Sampling Enclosing Subgraphs for Link Prediction

地址： http://arxiv.org/abs/2206.12004

作者： Paul Louis, Shweta Ann Jacob, Amirali Salehi-Abari

摘要： 链路预测是图结构数据（例如社会网络、药物副作用网络等）的一个基本问题。图神经网络为这个问题提供了强大的解决方案，特别是通过学习包含目标链接（即节点对）的子图的表示。然而，这些解决方案不能很好地扩展到大图，因为对封闭子图的提取和操作在计算上是昂贵的，尤其是对于大图。本文提出了一种可扩展的链路预测解决方案，我们称之为 ScaLed，它利用稀疏封闭子图进行预测。为了提取稀疏封闭子图，ScaLed 从目标节点对中进行多次随机游走，然后对所有访问节点诱导的采样封闭子图进行操作。通过利用较小的采样封闭子图，ScaLed 可以以更少的开销扩展到更大的图，同时保持高精度。 Scaled 进一步提供了控制计算开销和准确性之间权衡的灵活性。通过全面的实验，我们已经证明 Scaled 可以产生与现有子图表示学习框架所报告的精度相当的精度，同时对计算的要求较低。

探索概率拼车问题的共享网络

原文标题： Exploring shareability networks of probabilistic ride-pooling problems

地址： http://arxiv.org/abs/2206.12259

作者： Michal Bujak, Rafał Kucharski

摘要： 在拼车系统中共享游乐设施的旅行者形成了各种网络。虽然所谓的可共享性图的概念一直是许多拼车算法的核心，但到目前为止，它们还没有得到明确的分析。在这里，我们介绍并检查了由拼车问题产生的四种网络。我们使用基于实用程序的 ExMAS 算法将 2016 年的 147 个纽约出租车请求汇集到有吸引力的共享乘车中，并探索由此产生的共享网络。为了覆盖池化旅行者的未知个体属性，我们运行了 1000 次概率池化过程的复制，从而产生更丰富的加权图表示，有助于揭示复杂的网络结构。我们的研究结果揭示了网络结构和拓扑之间的巨大差异。可以进一步分析拼车网络的属性，以更好地理解和改进拼车系统。

多频联合社区检测与相位同步

原文标题： Multi-Frequency Joint Community Detection and Phase Synchronization

地址： http://arxiv.org/abs/2206.12276

作者： Lingda Wang, Zhizhen Zhao

摘要： 本文研究了 具有相对相位的随机块模型上的联合社区检测和相位同步问题，其中每个节点都与一个相位相关联。这个问题与各种现实世界的应用程序一起，旨在同时恢复社区成员资格和相关阶段。通过研究最大似然估计公式，我们表明这个问题表现出 ``多频率” 结构。为此，提出了两种利用跨多个频率的信息的简单而有效的算法。前者是一种基于新颖的多频柱枢轴QR分解的谱法，后者是一种迭代多频广义幂法。数值实验表明，我们提出的算法在恢复社区成员资格和相关阶段方面优于最先进的算法。

异构网络的深度生成

原文标题： Deep Generation of Heterogeneous Networks

地址： http://arxiv.org/abs/2206.12336

作者： Chen Ling, Carl Yang, Liang Zhao

摘要： 异构图是无处不在的数据结构，可以固有地刻画对象之间的多类型和多模态交互。近年来，将异构图编码为潜在表示的研究迅速增加。然而，它的逆过程，即如何从底层表示和分布构造异构图，由于1）建模局部异构语义分布的几个挑战，尚未得到很好的探索； 2) 保留局部语义上的图结构分布； 3）表征全局异构图分布。为了应对这些挑战，我们提出了一种新的异构图生成（HGEN）框架，该框架联合刻画了异构图的语义、结构和全局分布。具体来说，我们提出了一种异构游走生成器，它可以分层生成元路径及其路径实例。此外，还开发了一种新颖的异构图组装器，可以将生成的元路径实例（例如，walks）以分层方式采样并组合成异构图。通过所提出的生成过程对异构图模式的保存进行了理论分析。对多个真实世界和合成异构图数据集的广泛实验证明了所提出的 HGEN 在生成现实异构图方面的有效性。

社交媒体推荐系统中的情感信号

原文标题： Affective Signals in a Social Media Recommender System

地址： http://arxiv.org/abs/2206.12374

作者： Jane Dwivedi-Yu, Yi-Chia Wang, Lijing Qin, Cristian Canton-Ferrer, Alon Y. Halevy

摘要： 人们来到社交媒体是为了满足各种需求，例如获得信息、娱乐和启发，或与他们的朋友和社区建立联系。因此，为了设计一个提供有用和个性化帖子推荐的排名函数，能够预测用户可能对帖子的情感反应（例如，娱乐、知情、愤怒）将很有帮助。本文描述了我们为将情感计算应用于社交媒体推荐系统而开发的挑战和解决方案。我们解决了几种类型的挑战。首先，我们设计了一个影响分类法，它很小（出于实际目的）但涵盖了应用程序所需的重要细微差别。其次，为了为我们的模型收集训练数据，我们在我们已经可用的信号（即不同类型的用户参与）和我们通过精心制作的人工注释工作收集的 80 万个帖子之间取得平衡。我们证明了从该数据集中学习的情感反应信息将推荐系统中的一个模块提高了 8% 以上。在线实验还表明，出现的违规内容在统计上显著减少，而用户认为有价值的出现的内容增加了。

声明：Arxiv文章摘要版权归论文原作者所有，机器翻译后由本人进行校正整理，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://netsci.complexly.cn （提供RSS订阅）进行同步更新。个性化论文阅读与推荐请访问 https://arxiv.complexly.cn 平台。