综述：全面回顾图深度学习方法 | 网络科学论文速递8篇
图片来源：Towards Data Science
核心速递
-
图深度学习：综述;
-
Twitter上对足球粉丝的城市尺度率;
-
集体想象力的列维飞行;
-
GC-LSTM：用于动态链路预测的图卷积嵌入式LSTM;
-
检测重叠的社区结构：爱沙尼亚支付网络;
-
使用Facebook点赞类别进行自动人格预测;
-
城市探索的语义轨迹：我们如何生活在城市中;
-
变分贝叶斯复杂网络重构;
图深度学习：综述
原文标题：
Deep Learning on Graphs: A Survey
地址：
http://arxiv.org/abs/1812.04202
作者：
Ziwei Zhang, Peng Cui, Wenwu Zhu
摘要： 深度学习在许多领域都取得了成功，从声学，图像到自然语言处理。然而，由于图的独特特性，将深度学习应用于普遍存在的图数据并非易事。最近，大量的研究工作致力于这一领域，极大地推进了图分析技术。
在本次调查中，我们全面回顾了应用于图的各种深度学习方法。我们将现有方法分为三大类：半监督方法，包括图神经网络和图卷积网络；无监督方法，包括图自动编码器，以及最新进展，包括图递归神经网络和图强化学习。
然后，我们根据其发展历史，系统地提供这些方法的全面概述。我们还分析了这些方法的差异以及如何组合不同的体系结构。最后，我们简要介绍其应用并讨论未来的潜在方向。
Twitter上足球粉丝的城市尺度率
原文标题：
Urban scaling of football followership on Twitter
地址：
http://arxiv.org/abs/1812.04453
作者：
Eszter Bokanyi, Attila Soti, Gabor Vattay
摘要：如今利用在线社会网络产生的大量数据提供的新研究机会，社会科学面临着重大挑战。由于其营销价值，体育俱乐部也有动力在社交媒体中创建和维护稳定的受众。
在本文中，我们通过获取他们的家庭位置来分析Twitter上着名足球俱乐部的粉丝。然后，我们使用城市尺度率衡量城市规模与追随者数量的关系。结果表明，俱乐部粉丝的尺度指数取决于一个国家的收入。这些发现可用于了解全球足球观众的结构和潜在增长领域。
集体想象力的列维飞行
原文标题：
Levy Flights of the Collective Imagination
地址：
http://arxiv.org/abs/1812.04013
作者：
William H. W. Thompson, Zachary Wojtowicz, Simon DeDeo
摘要： 我们提出了一个结构化的随机游走模型，它捕捉了人们如何在群体中进行交流的关键方面。我们的模型采用相关的Levy飞行的形式，量化了一个想法的集中讨论和语义空间中的长距离跳跃之间的平衡。
我们将模型应用于三个增加结构复杂性的案例：亚里士多德，休谟和康德的哲学文本;法国大革命期间四天的议会辩论;和讨论网站Reddit上的分支评论树。在哲学和议会案例中，描述这种平衡的模型参数在粗粒度下收敛，以限制表现出大规模结构的区域，这种结果对于语言之间的翻译是稳健的。
同时，我们发现我们在Reddit上考虑的政治论坛呈现出类似辩论的模式，而致力于科学和新闻讨论的社区显示出更少的时间顺序，并且可能利用评论回复的新兴树状拓扑结构。构建他们的认知探索。我们的模型使我们能够量化议会程序和在线评论系统等社会技术如何形成对思想的联合探索。
GC-LSTM：用于动态链路预测的图卷积嵌入式LSTM
原文标题：
GC-LSTM: Graph Convolution Embedded LSTM for Dynamic Link Prediction
地址：
http://arxiv.org/abs/1812.04206
作者：
Jinyin Chen, Xuanheng Xu, Yangyang Wu, Haibin Zheng
摘要： 动态链路预测是复杂网络领域的研究热点，特别是在生物学，社会网络，经济和工业中的广泛应用。与静态链路预测相比，由于网络结构随着时间的推移而发展，动态链路预测要困难得多。目前大多数研究都集中在静态链路预测上，这在动态网络中无法达到预期的性能。
针对低AUC，高错误率，添加/删除链路预测难度，我们提出GC-LSTM，一种图卷积网络（GC）嵌入式长短期内存网络（LTSM），用于端到端动态链路预测。据我们所知，这是第一次将GCN嵌入式LSTM用于动态网络的链路预测。
这个新的深度模型中的GCN能够为每个时间段滑动节点结构学习网络快照，而LSTM负责网络快照的时间特征学习。此外，当前的动态链路预测方法只能处理删除的链接，GC-LSTM可以同时预测添加或删除的链接。进行了大量实验以证明其在预测准确度，误差率，添加/删除链路预测和关键链路预测方面的性能。结果证明GC-LSTM优于当前最先进的方法。
检测重叠的社区结构：
爱沙尼亚支付网络
原文标题：
Detecting overlapping community structure: Estonian network of payments
地址：
http://arxiv.org/abs/1812.04250
作者：
Stephanie Rendón de la Torre, Jaan Kalda, Robert Kitt, Jüri Engelbrecht
摘要： 揭示真实网络所展示的社区结构是全面了解其组件本地组织之外的复杂系统的基本阶段。社区检测技术有助于深入了解网络组件的本地组织。
在这项研究中，我们确定并调查了一个有趣且独特的研究案例的重叠社区结构：爱沙尼亚的支付网络。为了进行研究，我们使用Clique Percolation Method并探索社区的统计分布函数，在大多数情况下我们发现了无标度属性。
在这个网络中，节点代表爱沙尼亚公司，链接代表公司之间的支付。我们的研究通过对一个国家的支付网络进行首次重叠的社区检测分析，增加了复杂网络的文献。
使用Facebook点赞类别
进行自动人格预测
原文标题：
Towards Automatic Personality Prediction Using Facebook Like Categories
地址：
http://arxiv.org/abs/1812.04346
作者：
Raad Bin Tareaf, Philipp Berger, Patrick Hennig, Christoph Meinel
摘要： 我们证明，可以获取并利用毫不费力地访问Facebook等行为的数字记录，以自动区分各种高度微妙的个人特征，包括：生活满意度，文化种族，政治观点，年龄，性别和个性特征。
该分析基于超过738,000名用户的数据集，这些用户授予他们的Facebook赞，社会网络活动，自我中心网络，人口统计特征以及各种心理测试结果，以进行我们的扩展人格分析。
所提出的模型使用每个Facebook Like对象之间的唯一映射技术与相应的Facebook页面类别/子类别对象，然后将其评估为一组机器学习算法的特征，以从喜欢中预测个体心理 – 人口统计简档。
该模型在83％的情况下区分宗教和非宗教个体，在87％的情况下区分亚洲和欧洲，在81％的情况下区分情绪稳定和情绪不稳定。我们提供属性和喜欢之间相关性的示例，并提出未来方向的建议。
城市探索的语义轨迹：
我们如何生活在城市中
原文标题：
Semantic Trails of City Explorations: How Do We Live a City
地址：
http://arxiv.org/abs/1812.04367
作者：
Diego Monti, Enrico Palumbo, Giuseppe Rizzo, Raphaël Troncy, Maurizio Morisio
摘要： 由于定义代表个人行为的有意义的路径以及获取可操作数据的复杂性，人们对城市探索路径的了解很少。现有数据集仅记录了由不透明场地类型所特有的活动的隔离签到。
在本文中，我们填补了定义什么是城市探索的语义轨迹以及如何通过集成不同数据源来生成它的空白。此外，我们公开发布了两个数据集，每个数据集包含数百万个语义轨迹，我们讨论它们最显著的特征。我们最终提出了一个使用这些数据集的应用程序来构建一个服务，旨在引导游客探索城市。
变分贝叶斯复杂网络重构
原文标题：
Variational Bayesian Complex Network Reconstruction
地址：
http://arxiv.org/abs/1812.04369
作者：
Shuang Xu, Chun-Xia Zhang, Pei Wang, Jiangshe Zhang
摘要：复杂网络重构是许多领域的热门话题。流行的数据驱动重建框架基于套索。然而，发现在存在噪声的情况下，套索确定网络拓扑可能是低效的。
本文构建了一个新的框架来应对这个问题。关键思想是采用一系列线性回归问题来模拟网络节点之间的关系，然后使用有效的变分贝叶斯方法来推断未知系数。基于所获得的信息，最终通过确定两个节点是否彼此连接来重建网络。用合成数据和实际数据进行的数值实验表明，新方法在重建精度和运行速度方面均优于套索。
来源：网络科学研究速递
编辑：杨清怡
声明：Arxiv文章摘要版权归论文原作者所有，由本人进行翻译整理，未经同意请勿随意转载。本系列在微信公众号“网络科学研究速递”（微信号netsci）和个人博客 https://www.complexly.me （提供RSS订阅）进行同步更新。
推荐阅读
推荐课程
PC端观看地址：
https://campus.swarma.org/gcou=10388
集智俱乐部QQ群｜877391004
商务合作及投稿转载｜swarma@swarma.org
◆◆◆
搜索公众号：集智俱乐部
加入“没有围墙的研究所”
让苹果砸得更猛烈些吧！
原文始发于微信公众号（ 集智俱乐部 ）：集智
微信扫一扫,分享到朋友圈
