指数扭曲采样：属性网络中心性分析的统一方法
社会与信息网络
2017-08-02 v1 物理与社会
摘要
在我们最近的工作中，我们开发了一个用于无向网络和有向网络结构分析的概率框架。该框架的核心思想是通过对称和非对称二元分布对网络进行采样，然后使用该二元分布正式定义各种概念，包括中心性、相对中心性、社区和模块度。本文的主要目标是将概率定义扩展到属性网络，其中通过指数扭曲采样对二元分布进行采样。我们的主要发现是找到了一种处理包括符号网络在内的属性网络采样的方法。通过使用该采样方法，我们定义了属性网络中的各种中心性。影响中心性和信任中心性正确展示了如何在符号网络中识别中心性。特定于广告的影响中心性也完美定义了具有节点属性的属性网络的中心性。在真实世界数据集上的实验结果展示了随温度变化的不同的中心性。进行了进一步的实验以更深入地理解温度的重要性。
引用
@article{arxiv.1708.00379,
title = {Exponentially Twisted Sampling: a Unified Approach for Centrality Analysis in Attributed Networks},
author = {Cheng-Hsun Chang and Cheng-Shang Chang},
journal= {arXiv preprint arXiv:1708.00379},
year = {2017}
}