个性化度:从自我中心视角看动态网络中的连边形成效应
社会与信息网络
2019-03-06 v2 物理与社会
摘要
理解动态社交网络中连边形成的机制是一个长期存在的问题,对理解社会结构以及连边预测与推荐均有意义。社交网络表现出高度的传递性,这解释了基于共同邻居的连边预测方法的成功。本文从自我节点视角考察连边形成背后的机制。我们为自我节点的每个邻居引入个性化度的概念,即该特定邻居所连接的其他邻居数量。基于对四个在线社交网络数据集的实证分析,我们发现无论是在无向还是有向设定下,当具有较高个性化度的邻居作为与其他节点的共同邻居时,更可能导致新的连边形成。这补充了 Adamic 和 Adar 的发现,即具有较高(全局)度的邻居更不可能导致新的连边形成。此外,在有向网络上,我们发现个性化出度对连边形成的影响强于个性化入度,而全局入度的影响强于全局出度。我们通过若干连边推荐实验验证了实证发现,并观察到将个性化度与全局度结合进连边推荐可大幅提升准确率。
引用
@article{arxiv.1712.01796,
title = {Personalized Degrees: Effects on Link Formation in Dynamic Networks from an Egocentric Perspective},
author = {Makan Arastuie and Kevin S. Xu},
journal= {arXiv preprint arXiv:1712.01796},
year = {2019}
}
备注
To appear at the 10th International Workshop on Modeling Social Media co-located with the Web Conference 2019