A Time-Ordered Aggregation Model-Based Centrality Metric for Mobile Social Networks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
How to measure the centrality of nodes is a significant problem in mobile social networks (MSNs). Current studies in MSNs mainly focus on measuring the centrality of nodes in a certain time interval based on the static graph that do not change over time. However, the network topology of MSNs is changing very rapidly, which is the main characteristic of MSNs. Therefore, it will not be accurate to measure the centrality of nodes in a certain time interval by using the static graph. To solve this problem, this paper first introduces a new centrality metric named cumulative neighboring relationship (CNR) for MSNs. Then, a time-ordered aggregation model is proposed to reduce a dynamic network to a series of time-ordered networks. Based on the time-ordered aggregation model, this paper proposes three particular time-ordered aggregation methods and combines with the proposed centrality metric CNR to measure the importance of nodes in a certain time interval. Finally, extensive trace-driven simulations are conducted to evaluate the performance of our proposed time-ordered aggregation model-based centrality metric time-ordered cumulative neighboring relationship (TCNR). The results show that the exponential time-ordered aggregation method can measure TCNR centrality in a certain time interval more accurately than other aggregation methods, and our proposed time-ordered aggregation model-based centrality metric TCNR outperforms other existing temporal centrality metrics.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle