子图网络及其在结构特征空间扩展中的应用

现实世界中的网络表现出显著的层次性和模块化结构，其中各种子图作为构建单元。大多数现有研究简单地将不同的子图视为模体（motifs），并仅通过它们的数量来表征底层网络。尽管这种统计方法可以用于描述网络模型，甚至设计某些网络算法，但子图在这些应用中的作用仍有待进一步探索，以提高结果的质量。本文引入了子图网络（Subgraph Network, SGN）的概念，并将其应用于网络模型，设计了构建一阶和二阶SGNs的算法，这些算法可以轻松扩展以构建更高阶的SGNs。此外，这些SGNs被用来扩展底层网络的结构特征空间，有助于网络分类。数值实验表明，基于原始网络及其一阶和二阶SGNs的结构特征的网络分类模型始终优于仅基于这一个或两个网络的模型。换句话说，无论使用何种特征提取方法（如手工设计、网络嵌入和基于核的方法），SGNs的结构特征都能补充原始网络的特征，从而实现更好的网络分类。