映射偏向的高阶行走揭示了重叠社区
摘要：通过使用网络来模拟复杂系统中的关系数据，并利用网络科学工具来进行映射和理解其功能，研究人员可以捕捉流社区的组织结构。流社区是各种实际系统（如社交网络、蛋白质相互作用和物种分布）的重叠组织形态。然而，映射重叠的基于流的社区需要高阶数据，而这并不总是可用的。为了解决这个问题，我们借鉴表示学习算法node2vec，并应用于一阶网络上的高阶有偏随机行走，以获取高阶数据。但是与其明确地模拟行走，我们采用稀疏记忆网络来对其进行建模，并通过可调信息损失参数的信息论方法来控制高阶模型的复杂性。通过使用映射方程框架，我们将得到的高阶网络划分为重叠模块。我们发现我们的方法在合成基准测试中恢复了重叠的分区，并识别出了真实网络中的重叠社区。
作者：Anton Holmgren and Christopher Bl"ocker and Martin Rosvall
论文ID：2304.05775
分类：Physics and Society
分类简称：physics.soc-ph
提交时间：2023-04-13