[论文解读] Temporal Network Motifs: Models, Limitations, Evaluation

Penghang Liu, Valerio Guarrasi+1 more|arXiv (Cornell University)|May 24, 2020

Complex Network Analysis Techniques参考文献 44被引用 4

一句话总结

本文对四种主流的时间模式模型进行了全面的对比分析，评估了它们在捕捉时间诱导性与时间约束方面的能力与局限。通过引入事件对作为新视角，揭示了隐藏的时间相关性，发现交互模式存在显著的非对称性，尤其是在消息网络中；同时表明，结合时间约束可提升模式的多样性并减少偏差。

ABSTRACT

Investigating the frequency and distribution of small subgraphs with a few nodes/edges, i.e., motifs, is an effective analysis method for static networks. Motif-driven analysis is also useful for temporal networks where the spectrum of motifs is significantly larger due to the additional temporal information on edges. This variety makes it challenging to design a temporal motif model that can consider all aspects of temporality. In the literature, previous works have introduced various models that handle different characteristics. In this work, we compare the existing temporal motif models and evaluate the facets of temporal networks that are overlooked in the literature. We first survey four temporal motif models and highlight their differences. Then, we evaluate the advantages and limitations of these models with respect to the temporal inducedness and timing constraints. In addition, we suggest a new lens, event pairs, to investigate temporal correlations. We believe that our comparative survey and extensive evaluation will catalyze the research on temporal network motif models.

研究动机与目标

• 比较并评估四种主要时间模式模型——Kovanen 等、Song 等、Hulovatyy 等和 Paranjape 等——在处理时间性方面的表现。
• 识别并分析现有模式模型中被忽视的时间网络特性，如中间事件和时间相关性。
• 提出一种新的分析视角——事件对，以研究模式中序列级的时间相关性与交互动态。
• 评估模型假设对模式频率与谱的影响，特别是在电子邮件、电话和消息网络等真实世界数据集中的表现。
• 通过揭示时间约束与模型偏差之间的权衡，为未来研究提供指导，推动更稳健且面向应用的时间模式分析。

提出的方法

• 基于对时间诱导性与时间约束的处理方式，对四种主流时间模式模型进行调研与对比。
• 采用两项关键指标评估模型：时间诱导性（连续事件与受约束的动态图子结构）和时间约束（ΔC 与 ΔW）。
• 引入事件对作为新分析视角，以表示模式中事件的有序序列，从而支持时间相关性的分析。
• 在真实世界数据集（SMS-A、SMS-Copenhagen、Calls-Copenhagen、Email）上开展实验，比较模式频率与序列模式。
• 使用热图可视化事件对序列，按模式密度进行颜色编码，以揭示不同数据集中主导的交互模式。
• 分析不同事件对类型（如重复、乒乓、入突发、出突发）之间的相互作用及其在不同网络类型中的非对称趋势。

实验结果

研究问题

• RQ1 四种现有时间模式模型在处理时间诱导性与时间约束方面有何差异？
• RQ2 时间诱导性限制与时间约束对不同数据集中模式频率与谱的影响是什么？
• RQ3 事件对序列如何揭示真实世界时间网络中隐藏的时间相关性与交互动态？
• RQ4 模型特异性偏差对社交媒体、通信与神经网络等实际应用有何影响？
• RQ5 将时间约束（ΔC 与 ΔW）与比值在 (1/(m−1), 1) 范围内结合，能否减少偏差并提升时间模式检测的多样性？

主要发现

• 时间诱导性限制（如要求连续事件或受约束的动态图子结构）在大多数数据集中对特定模式类型引入了稳定的偏差。
• 时间约束 ΔC 与 ΔW 展现出互补优势：ΔC 无法限制时间跨度，而 ΔW 对中间事件引入偏差，表明通过 (1/(m−1), 1) 范围内的比值结合两者，可实现更平衡的权衡。
• 事件对序列揭示了非对称的交互趋势：入突发与出突发极少共现，而传递（conveys）常伴随出突发，但很少伴随入突发。
• 消息网络对涉及重复与乒乓序列有强烈偏好，表明其呈现局部化、一对一的交互特征；而电话与电子邮件网络则更偏好出突发，这与事件持续时间较长有关。
• 在所有数据集中，弱连接的事件对均极为罕见，因其代表非传递性事件顺序，可能在功能上无关紧要。
• 事件对视角揭示了以往被忽视的时间相关性，尤其体现在信息传播模式的非对称性上，例如传递（conveys）常发生在入突发之后、出突发之前。