网络中高阶依赖的表示

为确保网络分析方法的正确性，网络（作为输入）必须是底层数据足够准确的表示。然而，当将来自复杂系统（如全球航运交通或网络点击流交通）的序列数据表示为网络时，隐含假设马尔可夫性质（一阶依赖）的传统网络表示很快就会变得受限。该假设认为，当在网络上模拟移动时，下一次移动仅依赖于当前节点，忽视了移动可能依赖于前若干步的事实。但我们证明，源自许多复杂系统的数据可表现出高达五阶的依赖。在这些情况下，一阶网络表示这种过度简化的假设会导致不准确的网络分析结果。为解决此问题，我们提出高阶网络（HON）表示，它能在网络表示中发现并嵌入可变阶数的依赖关系。通过全面的实证评估与分析，我们确立了HON的若干理想特性，包括准确性、可扩展性以及与现有网络分析方法集的直接兼容性。我们阐释了HON如何应用于广泛任务，如随机游走、聚类和排序，并证明将其作为输入，HON可在不修改这些任务的情况下产生更准确的结果。