論文の概要: Information flow simulation community detection of weighted-directed
campus friendship network in continuous time
- arxiv url: http://arxiv.org/abs/2305.01958v1
- Date: Wed, 3 May 2023 08:20:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-04 15:31:50.035812
- Title: Information flow simulation community detection of weighted-directed
campus friendship network in continuous time
- Title（参考訳）: 重み付け型キャンパスフレンドシップネットワークの連続時間における情報フローシミュレーションコミュニティ検出
- Authors: Ren Chao and Yang Menghui
- Abstract要約: 本稿では,キャンパスの友情ネットワークを連続的に重み付き指向ネットワークに再構築する。
地域社会の検知後、同じコミュニティの学生は、消費水準、食習慣、行動規則の類似性を示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Educational data mining has become an important research field in studying
the social behavior of college students using massive data. However,
traditional campus friendship network and their community detection algorithms,
which lack time characteristics, have their limitations. This paper proposes a
new approach to address these limitations by reconstructing the campus
friendship network into weighted directed networks in continuous time,
improving the effectiveness of traditional campus friendship network and the
accuracy of community detection results. To achieve this, a new weighted
directed community detection algorithm for campus friendship network in
continuous time is proposed, and it is used to study the community detection of
a university student. The results show that the weighted directed friendship
network reconstructed in this paper can reveal the real friend relationships
better than the initial undirected unauthorized friendship network.
Furthermore, the community detection algorithm proposed in this paper obtains
better community detection effects. After community detection, students in the
same community exhibit similarities in consumption level, eating habits, and
behavior regularity. This paper enriches the theoretical research of complex
friendship network considering the characteristics of time, and also provides
objective scientific guidance for the management of college students.
- Abstract（参考訳）: 大規模データを用いた大学生の社会行動研究において,教育データマイニングが重要な研究分野となっている。
しかし、伝統的なキャンパスフレンドシップネットワークとその時間特性を欠いたコミュニティ検出アルゴリズムには制限がある。
本稿では、キャンパス友情ネットワークを連続的に重み付き指向ネットワークに再構築し、従来のキャンパス友情ネットワークの有効性とコミュニティ検出結果の精度を向上させることにより、これらの制約に対処する新しいアプローチを提案する。
これを実現するために、キャンパス友情ネットワークを連続的に検出する新たな重み付きコミュニティ検出アルゴリズムを提案し、大学生のコミュニティ検出の研究に利用した。
その結果,本論文で再構成された重み付き指向性フレンドシップネットワークは,最初の非指向性非許可性フレンドシップネットワークよりも真の友人関係を明らかにすることができた。
さらに,本論文で提案するコミュニティ検出アルゴリズムは,より優れたコミュニティ検出効果が得られる。
地域社会の検知後、同じコミュニティの学生は、消費水準、食習慣、行動規則の類似性を示す。
本稿では,時間的特徴を考慮した複雑な友情ネットワークに関する理論的研究を充実させ,大学生の管理のための客観的な科学的ガイダンスを提供する。
関連論文リスト
- CS-TGN: Community Search via Temporal Graph Neural Networks [0.0]
本稿では,フレキシブルなコミュニティ構造をキャプチャ可能なクエリ駆動型時間グラフ畳み込みネットワーク(CS-TGN)を提案する。
CS-TGNはまず、ローカルクエリ依存構造と、ネットワークの各スナップショットにグローバルグラフを埋め込む。
我々は,このモデルをオンライン環境でインタラクティブなコミュニティ検索に活用する方法を実証する。
論文 参考訳（メタデータ） (2023-03-15T22:23:32Z) - Known by the company we keep: `Triadic influence' as a proxy for
compatibility in social relationships [1.1545092788508224]
学生が3,000人以上、6万人が肯定的かつ否定的な関係を宣言する13校の実際のソーシャルネットワークを調査した。
ニューラルネットワークを用いて関係を予測し、2人の学生が友人や敵である確率を抽出する。
ニューラルネットワークから抽出された確率は、実際のソーシャルネットワークの進化を制御すると仮定する。
論文 参考訳（メタデータ） (2022-09-08T09:52:34Z) - A Comprehensive Survey on Community Detection with Deep Learning [93.40332347374712]
コミュニティは、ネットワーク内の他のコミュニティと異なるメンバーの特徴と接続を明らかにする。
この調査は、最先端の手法の様々なカテゴリをカバーする新しい分類法を考案し、提案する。
ディープニューラルネットワーク(Deep Neural Network)は、畳み込みネットワーク(convolutional network)、グラフアテンションネットワーク( graph attention network)、生成的敵ネットワーク(generative adversarial network)、オートエンコーダ(autoencoder)に分けられる。
論文 参考訳（メタデータ） (2021-05-26T14:37:07Z) - A Machine Learning Approach to Predicting Continuous Tie Strengths [0.4014524824655105]
人々の関係は常に進化し、対人行動を変え、社会集団を定義する。
ソーシャルネットワーク内のノード間の関係は、しばしば調査によって実証的に評価される結合力によって表される。
時間とともに進化する関係の連続的な近似を可能にするシステムを提案する。
論文 参考訳（メタデータ） (2021-01-23T05:01:05Z) - Knowledge-Preserving Incremental Social Event Detection via
Heterogeneous GNNs [72.09532817958932]
ソーシャルイベント検出のための知識保存型不均一グラフニューラルネットワーク(KPGNN)を提案する。
KPGNNは複雑なソーシャルメッセージを統一されたソーシャルグラフにモデル化し、データの活用を促進し、知識抽出のためのGNNの表現力を探る。
また、GNNの帰納的学習能力を活用して、イベントを効率的に検出し、これまで見つからなかったデータからその知識を拡張する。
論文 参考訳（メタデータ） (2021-01-21T17:56:57Z) - A multilevel clustering technique for community detection [0.0]
本研究では,ネットワーク内の関連コミュニティを識別するスケーラブルなフレームワークに基づく新しい検出手法を提案する。
マイクロコズムと呼ばれる地域社会を識別するために構造的およびテキスト的情報を活用するマルチレベルクラスタリング手法(MCT)を提案する。
このアプローチは、低レベルのコミュニティがTwitterでどのように進化し、行動するかを説明するためのより良い理解と明快さを提供します。
論文 参考訳（メタデータ） (2021-01-16T23:26:44Z) - On the use of local structural properties for improving the efficiency
of hierarchical community detection methods [77.34726150561087]
本研究では,階層型コミュニティ検出の効率向上のために,局所構造ネットワーク特性をプロキシとして利用する方法について検討する。
また,ネットワークプルーニングの性能への影響を,階層的コミュニティ検出をより効率的にするための補助的手法として検証する。
論文 参考訳（メタデータ） (2020-09-15T00:16:12Z) - Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。
接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。
この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
論文 参考訳（メタデータ） (2020-08-19T04:53:31Z) - Community detection and Social Network analysis based on the Italian
wars of the 15th century [0.0]
人的インタラクションをベースとして,ソーシャルネットワークのモデリングについて検討する。
本稿では,ネットワーク内のアクター同士の局所的相互作用の性質を捉えるために,新しい関数セット,親和性を提案する。
我々は,ネットワーク内のマルチエージェントインタラクションから自然にコミュニティが生み出す,新たなコミュニティ検出アルゴリズムであるBorgia Clusteringを開発した。
論文 参考訳（メタデータ） (2020-07-06T11:05:07Z) - Deep Learning for Community Detection: Progress, Challenges and
Opportunities [79.26787486888549]
この記事では、ディープニューラルネットワークにおける様々なフレームワーク、モデル、アルゴリズムの貢献について要約する。
この記事では、ディープニューラルネットワークにおける様々なフレームワーク、モデル、アルゴリズムの貢献について要約する。
論文 参考訳（メタデータ） (2020-05-17T11:22:11Z) - Detecting Communities in Heterogeneous Multi-Relational Networks:A
Message Passing based Approach [89.19237792558687]
コミュニティは、ソーシャルネットワーク、生物学的ネットワーク、コンピュータおよび情報ネットワークを含むネットワークの共通の特徴である。
我々は,全同種ネットワークのコミュニティを同時に検出する効率的なメッセージパッシングに基づくアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-04-06T17:36:24Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。