Network Geometry Inference using Common Neighbors

我们介绍和探索根据两节点共同拥有的邻居的数量来推断复杂网络节点潜在几何坐标的新方法。我们将该方法与HyperMap方法进行了比较，后者只是基于节点之间连接（及无连接），即根据节点间有链接(或没有)。我们发现对于高度数的节点利用共有邻居（common-neighbors）方法得到的推理比基于链接的方法更准确，除非后者使用启发式周期性调整(或“校正步骤”)。共有邻居的算法比较耗费计算时间，映射有t个节点的网络需要O(t⁴)的运行时间，而基于链接的方法则需要O(t³)。但我们也结合了共有邻居和基于链接的方法，开发了一种需要O(t³)运行时间的混合方法，并进一步探索启发方法将其运行时间降低到O(t²)，同时没有显著减少映射的准确度。我们把这种方法应用到自治系统(Autonomous System，AS)互联网上，揭示AS中软社区（soft communities）如何在相似空间中随时间而变化。我们通过预测AS之间未来链接进一步证明该方法的预测能力。总之，我们的结果增进了我们对如何高效和准确地把真实的网络映射到它们潜在的几何空间的理解，这是一个理解支配这些空间中节点动态规律以及更细粒度上网络链接动力学的重要且必要步骤。

【译后记：这是来自异域的研究，您没有发现这就是我们文献领域里的引文耦合吗？如果把链接理解作引用，第一个结论好像是说对于有较多引文的文章，通过引文耦合推理要比直接用过引用关系得到的推理更准确？如同引文分析拿到Larry Page手里稍加修改就成了PageRank，让知识改变了命运，很多经典的文献计量的定律、方法如果走出去用到恰当的地方会大放异彩的；同理，我们从网络科学、甚至生物信息学拿来他们领域司空见惯的基本概念和原理，也会给我们研究带来新的视角，乃至突破。学科的交融啊，比如把这篇文章中用的网络研究的基本方法和理论套用到引文耦合和引文网络分析研究中，会怎样呢？（2016-2-14补充）】