流浪的诗人，-优快云博客

原创 Rumor Containment by Spreading Correct Information in Social Networks

谣言可以通过社交网络快速传播并造成重大损失。为了控制谣言传播，传播正确的信息来抵消谣言的影响似乎比简单地通过审查或网络中断来阻止谣言更为合适。本文提出了一种竞争扩散模型，即单向状态转移线性阈值模型（LT1DT），用于对同一网络中两种不同类型的竞争信息传播进行建模。与其他个人信念一旦采用就不会改变的竞争性扩散模型不同，LT1DT 可以模拟一个人的行为，尽管最初受到谣言的影响，但在收到正确信息时可以改变他/她的想法。探讨了最大限度地减少社交网络中谣言传播的问题。

2024-11-30 19:35:53 990

原创 Immune Algorithm to Suppress Rumor Propagation Based on Influence Maximization

为了有效缩小谣言信息的传播范围，提出了一种基于两阶段影响力最大化的抑制谣言传播的免疫方法。首先，提出用户和聚类影响力最大化（UCIM）算法，根据网络拓扑和用户特征，获取事件演化初期当前时刻最具影响力的节点集。其次，基于RNN谣言检测模型对节点集进行识别和分类，并对识别出的谣言节点提出考虑平均路径权重和用户聚类的免疫抑制策略(IS-APWUC)。该策略以谣言节点集为根节点，剪枝影响力较弱的邻居节点，构建有效的谣言路径树。

2024-11-28 16:58:54 972

原创 Identification of spreading influence nodes via multi-level structural attributes based on the graph

微观层面、社区层面和宏观层面的网络结构特性对节点传播影响力的贡献不同。挑战在于如何更好地利用不同的结构信息，同时保持传播影响力识别算法的效率。考虑微观层面、社区层面和宏观层面的结构信息，提出一种基于图卷积网络的改进算法，即多通道RCNN（M-RCNN）来识别传播影响节点。由于我们注重算法的效率和准确性，因此引入了三个计算复杂度较低的中心性：邻居度之和、节点所连接的社区数量以及k核值。为了构建 M-RCNN 的输入，我们首先使用广度优先算法为每个节点提取固定大小的邻域网络。

2024-10-11 12:50:44 802

原创 Information cascades blocking through influential nodes identification on social networks

信息级联被认为是几乎所有灾难性社交网络现象的主要因素，包括病毒式营销、谣言传播、网络暴力和各种负面信息传播。一小部分节点对信息的传播具有重要影响，因此挖掘这些有影响力的节点有助于阻止信息级联。现有的影响节点识别大多依赖于拓扑特征，但它们无法同时捕获网络拓扑、用户行为和扩散过程中的信息内容，这可能导致控制性能不理想。为此，我们开发了一种基于扩展桥节点识别的阻塞信息级联的有效方法。具有相似倾向的个体决策行为有助于信息级联，但紧密的集群会阻碍级联的扩散。

2024-09-24 17:03:43 1149

原创 Deep reinforcement learning-based approach for rumor influence minimization in social networks

在脸书、推特、微信等社交网络上散布恶意谣言，可能引发政治冲突、影响舆论、造成社会混乱。谣言可以在网络中快速传播，一旦获得关注就很难控制。谣言影响最小化 (RIM) 是信息传播和网络理论的核心问题，涉及寻找最小化社交网络内谣言传播的方法。现有关于 RIM 问题的研究主要集中在阻止有影响力的用户的行为，这些用户可以推动谣言传播。这些传统的静态解决方案无法从全球角度充分捕捉谣言演变的动态和特征。考虑到广泛因素的深度强化学习策略可能是应对 RIM 挑战的有效方法。

2024-09-23 20:33:53 1111

原创 Rumor Mitigation in Social Media Platforms with Deep Reinforcement Learning

社交媒体平台已成为人们传播和获取信息的主要渠道之一，其可靠性受到网络谣言的严重威胁。现有的辟谣手段如暂停用户、播放真实信息等，要么成本高，要么扰乱用户。在本文中，我们引入了一种新颖的谣言缓解范例，其中仅干预社交网络中的极少量链接来减缓谣言的传播，以较低的业务成本和用户意识来反击错误信息。开发了一种体现谣言传播机制的知识知情代理，它通过用于捕获社交媒体平台中的信息流的图神经网络和用于选择链接的策略网络来干预社交网络。

2024-09-22 20:40:48 1282

原创 A review on rumour prediction and veracity assessment in online social network

在当今时代，社交网络被用作分享个人思想和观点的重要媒介。其背后的主要原因是，它可以轻松地在公众中快速传播信息，并且访问成本非常低。这导致在线社交媒体成为鼓励虚假内容并影响公众舆论及其决策的垫脚石之一。谣言是社交媒体上误导性信息的主要形式之一，应尽早发现，以避免其产生重大影响。由于这些原因，研究人员在过去几年中对开发有效的谣言检测框架产生了浓厚的兴趣。在本文中，我们主要关注了六个主要方面。首先，我们从现有技术中考虑的定义角度讨论谣言，并描述谣言检测的广义模型。

2024-09-19 21:13:10 1589

原创 Social Network Influence Maximization Based on Graph Attention Mechanisms

摘要社交网络中的关键节点对整个网络具有重要的影响力，而社交网络中的一些节点可能位于网络的中心，而另一些节点则可能位于网络的边缘，传统的影响力最大化算法忽略了这种不平衡。通过忽略位于网络边缘但连接到中心的节点来导致信息的传播。为了避免陷入局部最优解而无法达到全局最优，从而找到影响力最大的种子节点，提出一种基于图注意力机制的社交网络影响力最大化算法（GATSH）。利用GATSH算法在4个公共网络数据集上进行实验，结果表明该方法能够有效评估网络节点的重要性。关键词社交网络；图注意力网络；结构孔；关键节点；

2024-09-13 20:26:39 1341

原创深度学习方法在谣言检测中的研究现状

管理社交媒体上的谣言，减少谣言对社会的危害。许多研究使用深度学习方法来检测开放网络中的谣言。为了从多个角度全面梳理谣言检测的研究现状，本文从特征选择、模型结构和研究方法三个角度分析了这一高度集中的工作。从特征选择的角度，将谣言的方法分为内容特征、社会特征和传播结构特征。然后，基于模型结构将谣言检测的深度学习模型分为CNN、RNN、GNN、Transformer，便于对比;此外，本文首次将传播树、对抗学习、跨域方法、多任务学习、无监督和半监督方法、基于知识图谱等7种谣言检测方法总结为7种。

2024-06-26 16:49:35 3675 1

原创 A novel rumor detection with multi-objective loss functions in online social networks

COVID-19迅速席卷全球，引发了以谣言为代表的信息流行病，给世界带来了不可估量的损失。尽可能快速、准确地实现谣言检测迫在眉睫。然而，现有的方法要么关注谣言检测的准确性，要么设定固定的阈值来实现早期检测，遗憾的是无法适应各种谣言。在本文中，我们关注在线社交网络中的文本谣言，并提出了一种新颖的谣言检测方法。我们将检测时间、准确率和稳定性作为三个训练目标，并在整个训练过程中不断调整和优化该目标，而不是使用固定值，从而增强其适应性和通用性。

2024-06-24 20:15:12 806

原创 A comprehensive review of machine learning-based models for fake news detection

互联网在假新闻传播中的作用使其成为一个严重的问题，需要复杂的技术来自动检测。为了应对 Facebook、Twitter、Instagram 和 WhatsApp 等社交媒体网站上误导性材料的快速传播，本研究探索了深度学习方法和各种分类策略领域。该研究特别调查了基于 Transformer 的模型（如 BERT、递归神经网络 (RNN) 和卷积神经网络 (CNN)）在虚假新闻检测中的应用。为了为结果提供背景，调查涵盖了假新闻传播的广泛历史和当代趋势。

2024-06-12 15:27:06 1318

原创 Fake news detection: A survey of graph neural network methods

各种社交网络的出现产生了大量的数据。捕获、区分和过滤真假新闻的有效方法变得越来越重要，特别是在 COVID-19 大流行爆发之后。本研究对假新闻检测系统的图神经网络 (GNN) 的现状和挑战进行了多方面、系统的回顾，并概述了使用 GNN 实现假新闻检测系统的综合方法。此外，还从多个角度讨论了用于实现实用假新闻检测系统的基于 GNN 的先进技术。首先，我们介绍假新闻、假新闻检测和 GNN 的背景和概述。其次，我们提供了基于 GNN 分类法的假新闻检测分类法，并按类别审查和突出显示模型。

2024-06-11 19:27:59 1105

原创 Minimizing Influence of Rumors by Blockers on Social Networks: Algorithms and Analysis

Facebook、Twitter、微信等在线社交网络已成为主要的社交工具。用户不仅可以与家人和朋友保持联系，还可以发送和分享即时信息。但在一些实际场景中，我们需要采取有效措施来控制网络谣言等负面信息的传播。在本文中，我们首先提出了谣言影响最小化（MIR）问题，即选择具有 k 个节点的阻止者集 B，使得谣言源集 S 的用户总激活概率最小化。然后，我们采用经典的独立级联（IC）模型作为信息扩散模型。基于IC模型，我们证明了目标函数是单调递减且非子模的。

2024-05-30 17:19:12 696 1

原创 Rumor Propagation Control With Anti-RumorMechanism and IntermittentControl Strategies

本研究探讨了具有反谣言机制的谣言传播系统的间歇性控制。研究了与反谣言机制的相互作用，包括两个边界平衡的存在性和稳定性、双稳态行为的条件。确定阈值参数，确定无谣言均衡的全局指数稳定性。为了打击谣言传播，我们设计了具有非周期性间歇控制时间的确定性和随机控制策略。得到了最小控制强度的表达式，该表达式与控制比和系统参数有关。数值例子验证了理论结果的有效性并评估了间歇控制策略的潜在作用。关键词——反谣言机制、边界平衡、间歇随机控制、稳定性分析。

2024-05-29 12:04:46 707

原创 Influence blocking maximization on networks: Models, methods and applications

由于各种社会和贸易网络的不断出现，网络影响力分析引起了研究者的极大兴趣。基于不同的影响力传播模型，人们提出了许多网络影响力最大化的新模型和方法。作为传统影响力最大化问题的延伸和扩展，影响力封锁最大化问题已成为研究热点，并在物理学、计算机科学和流行病学等多个领域得到广泛应用。近年来，已经报道了影响块最大化问题的各种方法。然而，我们仍然缺乏从社交网络影响力分析方面系统分析影响力阻止最大化问题的方法论和理论进展的全面回顾。本综述旨在通过对影响力阻止最大化的理论和应用进行全面的调查和分析来填补这一空白。

2024-05-25 14:21:24 592

原创 Minimizing rumor influence in multiplex online socialnetworks based on human individual and social

abstract 随着网络社交网络的日益普及，谣言的传播速度比以往更快、范围更广，形成了一种传播环境，在社会上产生了广泛的影响。如今，个人加入多个在线社交网络，谣言同时在其中传播，从而为谣言传播问题带来了新的维度。受这些事实的启发，本文试图解决多重在线社交网络中谣言影响最小化的问题。在这项工作中，我们考虑对此类虚构信息的传播过程进行建模，作为最大限度减少其影响的重要一步。因此，我们分析社交网络中的个人和社会行为；随后，我们提出了一种新颖的谣言扩散模型，称为 HISB 模型。在这个模型中，我们提

2024-05-24 13:56:40 327

原创 Containment of rumor spread in complex social networks

谣言可以通过社交网络快速传播并造成重大损失。为了控制谣言传播，传播正确的信息来抵消谣言的影响似乎比简单地通过审查或网络中断来阻止谣言更为合适。本文提出了一种竞争扩散模型，即单向状态转移线性阈值模型（LT1DT），用于对同一网络中两种不同类型的竞争信息传播进行建模。探讨了最小化社交网络中谣言传播的问题，并提出了一种基于扩散动力学的新颖启发式方法来解决 LT1DT 下的该问题。对四个不同网络的实验分析表明，新颖的启发式方法优于页面排名中心性。

2024-05-21 20:59:51 974

原创 Minimizing the spread of misinformation in online social networks: A survey

在线社交网络提供了快速广泛传播消息和新闻的机会。人们可能会欣赏合法新闻和消息的快速传播，但错误信息也可能会快速传播，并可能引起担忧，质疑此类网络的可靠性和信任。因此，检测错误信息并遏制其传播已成为社交网络分析的热门话题。当检测到错误信息时，可能需要采取一些措施来减少其传播和对网络的影响。此类行动旨在最大限度地减少受错误信息影响的用户数量。本文回顾了解决社交网络中错误信息传播最小化问题的方法，并提出了不同方法的分类。

2024-05-20 14:31:47 1028

原创 Machine Learning-Based Rumor Controlling

随着世界进入Web2.0时代，Facebook、Twitter、微博等社交媒体近几十年来迅速发展，已经成为我们生活中不可分割的一部分。根据皮尤研究中心的调查，2007年，在线社交媒体成人用户占美国成年人口的比例为5%，2015年已增长至65%[57]。在世界上，数十亿人通过社交媒体联系在一起。电视、广播和报纸等传统媒体上的内容由专业人士创建并经过验证，然后发布给观众或读者。在社交媒体上，每个用户都有资格发布内容，并且缺乏事实核查机制。每天，大量的消息、图像和视频未经验证就发布到社交媒体上。

2024-05-16 16:06:10 374

原创 Dynamic Rumor Control in Social Networks using Temporal Graph Neural Networks

在线平台上谣言和错误信息的普遍传播需要采取积极有效的方法来检测和减轻其影响。我们提出的方法利用社交网络交互的时间动态，并将其集成到时间图神经网络（TGNN）模型中，以进行谣言检测和控制。研究首先制定TGNN模型的数学框架，其中包括社交网络数据的表示、节点特征、邻接矩阵和隐藏节点表示。TGNN 架构结合了时态图卷积 (TGCN) 层来捕获社交网络中的时间依赖性和不断演变的交互，并结合时态图注意力 (TG-Attention) 层来促进基于隐藏节点表示的边缘表示。

2024-05-15 13:52:27 1354

原创 Rumor Remove Order Strategy on Social Networks

谣言被定义为广泛传播且没有可靠来源支持的言论。现代社会，谣言在社交网络上广泛传播。谣言的传播给社会带来了巨大的挑战。“假新闻”故事可能会激怒您的情绪并改变您的情绪。有些谣言甚至会造成社会恐慌和经济损失。因此，谣言的影响可能是深远而持久的。遏制谣言的传播需要高效、智能的谣言控制策略。现有的谣言控制策略是为控制单个谣言而设计的。然而，社交网络上通常存在大量谣言，由于检测能力和CPU性能有限，一次只能删除有限的谣言。因此，在处理多个谣言时，我们应该按照一定的顺序消除谣言。

2024-05-13 14:49:38 808

原创 Rumor Containment by Blocking Nodes in Social Networks

谣言在社交网络中快速传播，可能严重损害我们的社会。在本文中，我们提出了一种基于整数线性规划（ILP）的数学规划公式，通过阻止建模为线性阈值模型的复杂社交网络中的节点子集（称为阻止者）来最大程度地减少谣言传播。我们还提出了一种改进的方法，可以减少计算量来解决 top-k 阻塞问题，并正式证明其性能仍然是最优的。然后，评估所提出的方法在四个不同网络中遏制谣言传播的有效性，并将其性能与基于贪婪的方法和两种基于中心性的方法进行比较。实验分析表明，基于ILP的方法优于其他三种方法，并且适用于大规模网络。

2024-05-08 16:43:35 1154

原创 A Theoretically Guaranteed Approach to Efficiently Block the Influence of Misinformation in Social N

如今，社交网络在人类生活中发挥着重要作用。除了社交网络的所有优势之外，谣言的传播也成为用户最关心的问题，因此找到一种尽可能限制错误信息传播的方法非常重要。影响力阻止最大化（IBM）是在社交图中找到 k 个节点以在传播过程结束时最小化谣言源传播的问题。在本文中，我们提出了一种称为使用鞅影响阻塞最大化（IBMM）的两步方法，以解决竞争性独立级联模型（ICM）下的 IBM 问题，同时具有 (1 − 1/e − ε) 近似保证和实际运行时效率。在所提出的方法中，首先我们使用一组基于鞅的估计技术来计算所需样本的数量。

2024-05-08 13:39:04 768

原创 Exploiting ensembled neural network model for social platform rumor detection

随着互联网和社交媒体的普及，从海量的事件信息中辨别谣言变得越来越困难。为了提高谣言检测的准确率，深度学习神经网络模型常用于谣言检测任务。首先，本文重现了四种单一神经网络模型的谣言检测实验：长短期记忆网络（LSTM）、文本卷积神经网络（TextCNN）、具有注意力机制的文本循环神经网络（TextRNN_Att）和 Transformer。在此基础上，提出了基于预训练特征提取器和集成学习的模型，并采用加权平均集成算法。结果表明，谣言检测集成学习模型在各项指标上均优于单一模型。

2024-05-05 15:22:11 740

原创 Mitigating Misinformation in Online Social Network with Top-k Debunkers and Evolving User Opinions

在线社交网络为信息共享提供了便捷的平台，假新闻和谣言的传播盛行，对美国和雅加达选举等重大事件造成严重后果。现有的工作已经设计了方法来找到一组前k名用户来发起真相活动并减轻错误信息的负面影响。假设这些排名前 k 的用户是开放的并且愿意传播经过事实核查的内容。此外，这些方法假设随着错误信息和反消息在网络中传播，用户意见一旦形成就不会改变。在这项工作中，我们解决了一个更现实的场景，即用户的意见可能会在某个截止日期之前波动，目标是从一组揭穿者中找到一组好的种子用户，以最大程度地减少错误信息的影响。

2024-05-04 17:41:08 755

原创 Enhance Rumor Controlling Algorithms Based on Boosting and Blocking Users in Social Networks

不可否认，网络社交网络上的谣言比比皆是，而且谣言会造成许多灾难性的后果。有效控制谣言在社交网络中具有重要意义。然而，现有的研究仅选择了更有可能采纳真相的用户的助推或选择屏蔽用户来终止谣言的传播。前者倾向于在谣言传播结束后进行纠正，但控制成本较高，而后者则不考虑真相传播情况而封堵谣言。本文重点讨论当谣言与真相共同传播时，如何选择助推-封杀用户来控制谣言。我们提出了一种增强真相阻止谣言级联（BTBRC）模型。

2024-04-29 14:36:08 708

原创 Graph Convolutional Network-Based Rumor Blocking on Social Networks

错误信息和谣言可以通过在线社交网络迅速广泛传播，严重危害社会稳定。因此，社交网络上的谣言拦截已成为研究热点。在现有的研究中，当用户收到两种相反的意见时，他们倾向于相信第一个出现。在本文中，我们认为用户会辩证地相信基于自己观点的信息，而不是先到先听的规则。我们提出了一种基于置信度的意见采纳（CBOA）模型，该模型根据传统的线性阈值（LT）模型考虑意见和置信度。基于该模型，我们提出有向图卷积网络（DGCN）方法来选择k个最有影响力的正级联节点来抑制谣言的传播。最后，我们在四个真实网络数据集上验证了我们的方法。

2024-04-29 12:44:55 753

原创 A Survey of State of the Art on Rumor Detection in Social Network

互联网上充斥着谣言帖子，谣言的传播会给社会和谐稳定带来负面影响，影响网络信息生态的健康发展。谣言的不确定性、时效性、主观性等特点，使其不同于一般的虚假网络信息。社交网络谣言检测是社交网络与信息传播研究领域的热点问题，有助于进一步提高谣言治理的效率和效果，净化网络环境。社交网络谣言被定义为在社交网络上传播且未经证实，或者已被官方确认为虚假的，而在社交网络信息中，传统的谣言检测基于特征的研究主要集中在短信、发布静态扁平特征等方面。用户、传输等方面，忽略了消息传输结构和传输群体的演化反应。

2024-04-26 17:04:02 884 1

原创 A SYSTEMATIC LITERATURE SURVEY FOR DETECTING RUMORS BASED ON MACHINE LEARNING AND DEEP LEARNING

谣言检测被认为是社交网络分析的关键研究领域之一，对于防止社交网络中错误信息的传播至关重要。近年来已经引入了几种谣言检测技术。这些技术将问题呈现为分类问题，例如二元问题（谣言或非谣言）。这些技术大部分都基于机器学习 (ML)。这些技术的主要障碍主要与从数据集选择中提取特征相关。由于需要时间和精力，手动提取特征会影响大多数这些工作的谣言检测效率。最近应用的另一种技术是深度网络，它被建议作为简化特征提取并提供强大而卓越的学习抽象表示的能力的手段。

2024-04-26 15:15:05 1145

原创符号社交网络中净积极影响力最大化问题研究

近年来，以Ｔｗｉｔｔｅｒ、微博、Ｆａｃｅｂｏｏｋ为代表的在线社交网络发展迅速，在线数据可用性的增加促进了对社交网络分析和挖掘的研究，在线社交网络为产品推广和广告提供了新的平台。目前，病毒式营销中出现的影响力最大化问题受到了广泛关注。符号网络是可以反映用户之间的积极关系和消极关系的社交网络，然而之前的研宄较少考用户之间的友好或敌对关系，即忽略了用户之间的极性关系，这在实际场景中是不准确的，另外在符号网络中选择种子用户时，除了要考虑他们带来的积极影响，他们产生的消极影响也发挥了不容忽视的作用。

2024-04-25 16:14:01 862

原创 Online and Offline Dynamic Influence Maximization Games Over Social Networks

在这项工作中，我们考虑了具有多个玩家（影响者）的社交网络上的动态影响力最大化游戏。在每个竞选机会开始时，个人的意见动态都会采取独立同分布。基于任意分布的实现。在观察到这些认识后，有影响力的人会分配一些预算来影响他们的意见动态。然后，个人的观点动态根据著名的德格鲁特模型演变。在活动结束时，影响者根据最终的意见动态领取奖励。每个影响者的目标是在有限的总预算率约束下最大化自己的奖励。因此，影响者需要考虑个人的意见动态和其他影响者的投资策略来仔细设计他们的投资政策，从而导致动态博弈问题。

2024-04-24 14:53:51 541 1

原创 Maximizing the Influence of Social Networks Based on Graph Attention Networks

选择k个重要成员以最大化影响力传播是影响力分析中的一个关键算法挑战。这被称为社交网络中的影响力最大化（IM）问题。以往对于IM问题的研究主要存在两个问题：（1）复杂的图数据无法在图拓扑中得到有效利用，（2）容易出现影响重叠的问题，从而导致解决方案无法解决。种子集不理想。本文提出了一种基于图注意力嵌入（GAEIM）的影响力最大化方法来解决上述问题。GAEIM通过Node2Vec学习浅层图结构，并利用图注意力机制学习更深层次的图结构，以提取与IM问题相关的信息。

2024-04-22 14:45:40 789

原创 Influential Node Tracking on Dynamic Social Network: An Interchange Greedy Approach

由于社会网络结构和个体之间的影响力不断变化，需要在动态环境下跟踪有影响力的节点。为了解决这个问题，我们探索影响节点跟踪（INT）问题作为动态社交网络下传统影响最大化问题（IM）的扩展。影响力最大化问题旨在识别一组 k 个节点以最大化一个静态网络下的联合影响力，而 INT 问题则侧重于跟踪一组有影响力的节点，这些节点随着网络的发展不断最大化影响力。利用网络结构演化的平滑性，我们提出了一种高效的算法——上界交换贪婪算法（UBI）和一种变体——UBI+。

2024-04-20 14:38:45 1106

原创 Targeted influence maximization in competitive social networks

利用口碑效应的广告对于推销产品是相当有效的。在过去的十年中，人们对营销中的影响力最大化问题进行了深入的研究。影响力最大化问题旨在将社交网络中的一小群人识别为种子，最终他们将引发网络中最大的影响力传播或产品采用。在网络营销的实际场景中，网络中同类产品之间存在竞争、针对特定用户群体进行促销的情况是很常见的。例如，活动主办方在社交平台上发布活动广告，希望吸引最多当地居民的关注。与此同时，社交平台上正在推广多项竞赛活动。在本文中，我们提出了竞争性社交网络中的目标影响力最大化（TIMC）等问题。

2024-04-19 19:42:56 1128

原创 Modeling Group Opinion Evolution on Online Social Networks: A Gravitational Field Perspective

群体行为的研究对于建立良好的网络环境是有效的，因为社交网络中的人们往往会自发地形成群体。大多数关于在线社交网络上群体行为的研究都假设所有个体都被简化为一个集群，忽略了潜在集群的存在及其在群体舆论动态中的重要性。本文介绍了一种新颖的群体引力场（GGF）模型，从以下几个方面研究基于群体行为的观点演化：1）GGF模型将社交网络中的一个集群简化为一个电荷，将整个网络简化为一个引力场;2）GGF模型根据拓扑信息计算集群的初始影响力，并进一步基于库仑定律构造网络的引力矩阵；

2024-04-18 16:36:08 787

原创 GFNC: Unsupervised Link Prediction Based on Gravitational Field and Node Contraction

目前，大多数现有的链路预测算法只是简单地研究节点对之间的相互关系，而没有考虑节点对之间的相互作用力和高阶关系。为了找到这个问题的解决方案，本文引入了引力场的概念，然后从物理学的角度提出了一种新颖的算法框架。该框架应用于经典的链路预测算法，有效提升其预测性能。首先，应用节点收缩方法来衡量节点重要性，并使用基于相似度的链接预测算法来计算节点对之间的相似度值。其次，将节点的重要性作为质量属性引入到引力场模型中，并将节点对之间的相似度值作为节点对之间的距离度量。从而建立了物理学角度的复杂网络的引力场模型。

2024-04-15 17:17:40 999

空空如也

空空如也