基于图神经网络在动态网络中发掘结构洞跨越者
社会与信息网络
2025-02-18 v2
摘要
结构洞（SH）理论指出，在原本互不连通的社群之间充当连接链路的节点会在网络中获取位置优势。这些节点被称为结构洞跨越者（SHS）。SHS 有许多应用，包括病毒式营销、信息传播、社群发现等。已有大量方案被提出以发掘 SHS；然而，大多数方案仅适用于静态网络。由于现实世界网络是动态网络，因此在本研究中，我们旨在动态网络中发掘 SHS。发掘 SHS 是一个 NP 难问题，因此，我们采用贪心方法发掘 top-k 个 SHS，而非发掘精确的 k 个 SHS。受图神经网络（GNN）在各种图挖掘问题上成功的启发，我们设计了一个基于图神经网络的模型 GNN-SHS，用于在动态网络中发掘 SHS，旨在降低计算成本的同时实现高准确率。我们通过详尽的实验分析了所提模型的效率，结果表明所提出的 GNN-SHS 模型至少比对比方法快 31.8 倍，平均快 671.6 倍，具有可观的效率优势。
引用
@article{arxiv.2212.08239,
title = {Discovering Structural Hole Spanners in Dynamic Networks via Graph Neural Networks},
author = {Diksha Goel and Hong Shen and Hui Tian and Mingyu Guo},
journal= {arXiv preprint arXiv:2212.08239},
year = {2025}
}