Сжать ссылку вк: Сократить ссылку для вконтакте, вк, ютуб

Сервис сокращения ссылок ВК

Для перехода на любую страницу в интернете требуется ссылка. Ее вид зависит от домена сайта и количества вложений разделов, ведущих к размещенному материалу. От этих параметров изменяется общая длина ссылки, которая в некоторых случаях может быть весьма большой. Чтобы представить адрес в укороченном виде используется сервис сокращения ссылок ВК. В текущей статье разберемся в необходимости сокращения количества символов адреса страницы, опишем процедуру использования соответствующего сервиса социальной сети и предоставим несколько сторонних ресурсов, выполняющих аналогичные функции.

Причины необходимости сокращения ссылки

Укорачивается адрес страницы по нескольким причинам:

• Некоторые социальные сети (например, Twitter) имеют ограничение длины публикуемой записи, и если ссылка занимает почти весь допустимый объем, то на сопутствующий текст попросту не останется места.
• Сокращенный адрес страницы выглядит более привлекательно, не вызывает недоверия со стороны пользователя.
• В укороченном адресе не получится убрать некоторые элементы, что особенно важно для участников партнерских программ.
• Обход ограничений в отношении публикуемых ссылок. Ярким примером служит видеохостинг YouTube, где в аннотациях к видеозаписи можно публиковать адрес только подтвержденного сайта.
• Система борьбы со спамом ВКонтакте с большой долей вероятности будет отображать пометку «Ссылка ведет на подозрительный сайт», если в записи разместить не измененную ссылку рекламируемого продукта.

Сокращение ссылки через сервис ВК

Чтобы сократить URL страницы с использование встроенного инструмента социальной сети необходимо:

• Вставить скопированный URL в соответствующую строку сервиса ВК. При желании поставить галочку около пункта «Статистика ссылка видна только вам». Это позволит скрыть анализ переходов от посторонних.
• Нажать кнопку «Сократить».

Теперь под строкой для вставки сокращаемых ссылок появится блок, отображающий недавно преобразованные адреса. Под каждым из них видна дата создания, а нажав значок в правом углу, получится открыть статистику переходов. В отчете будет предоставлена следующая информация:

• график уникальных посетителей и просмотров;
• пол и возраст;
• географическое расположение пользователей.

Сторонние сервисы сокращения ссылок

Если по каким-то причинам функционал соцсети не устраивает, можно воспользоваться сторонними сайтами, предназначенными для выполнения аналогичной задачи. Вот некоторые из них:

• is.gd;
• to.click;
• bit.do;
• u.to и т.д.

Работа со всеми указанными сервисами аналогична той, что представлена для ВКонтакте. Потребуется вставить в соответствующее поле ссылку и нажать кнопку «Сократить». Большинство сайтов предоставляет доступ к подробной статистике, но для этого придется зарегистрироваться. В некоторых случаях возможно даже изменить конечный вид укороченного адреса.

Справка. Широко используемый сервис goo.gl прекратил свою работу с 30 марта 2018 года. Все сокращенные URL остаются рабочими, но создание новых ссылок больше не возможно.

Сделав адрес страницы короче, пользователь получает более привлекательную ссылку, которая будет удобна для использования. Для достижения задуманного можно воспользоваться встроенным функционалом ВКонтакте или прибегнуть к сторонним сервисам. Почти все представленные сайты позволяют отслеживать статистику переходов по сокращенным URL, что обеспечивает возможность анализа заинтересованности пользователей к опубликованной ссылке.

IT-специалист и продвинутый пользователь ВК. Зарегистрировался в соцсети в 2007 году.

Сокращение ссылок ВК — Как ВКонтакте сократить ссылку

Сейчас дорогущие посетители и любители соцсети ВКонтакте, вы узнаете, что такое сокращение ссылок ВК и для чего это сокращение используется.

Для чего пользуются сокращением ссылок ВК? – Чаще всего используют ВКонтакте сокращенные ссылки для того чтобы сеть ВК не блокировала их. Ведь пользуясь родным сервисом сокращения, который встроен в саму сеть контакт, появляется большая лояльность на то, что ссылка правильно сработает именно в этой социальной сети.

Еще ВКонтакте сокращают ссылки и для предания им лучшего вида, чтобы скрыть дополнительные знаки в этих ссылках. Очень эффективны и пользуются успехом сокращение ссылок ВК у той категории пользователей, которые пытаются привлечь больше рефералов в какой — то проект или партнерскую программу.

 

Сокращаем ссылку ВКонтакте на практике

 

Для того чтобы ВКонтакте сократить ссылку, вам надо перейти на http://vk.com/cc. Но для этого надо обязательно зайти в контакт на свою страничку. Если контакт у вас выключен, то в сокращение ссылок ВК не сработает, это имейте ввиду.

Итак, вы попадаете на страницу сокращения ссылок ВК, которая выглядит вот так:

Затем вы вводите ту ссылку, которую вам надо сократить, на примере я ввиду адрес этой страницы, которую вы сейчас читаете: https://www.new-seti.ru/sokrashhenie-ssylok-vk. после чего нажму на кнопку «Получить короткий вариант ссылки». И вы увидите результат и новую ссылку, которую ВК сократил нам, вот она: http://vk.cc/3wkEQL.

Сокращенную ссылку удобно применять в twitter, по той причине, что там действует ограниченный ввод символов (140). А ссылка сокращенная сэкономит некоторые из доступных символов.

Еще что касаемо твиттера, то если у вас в контакте настроен экспорт публикаций в твиттер, то в этом случае ВК сократит ссылку в автоматическом режиме, после чего ссылка получается обрезанной.

Вы узнали, как ВКонтакте сократить ссылку, с чем вас и поздравляю! Но знайте, что сокращение ссылок ВК не избавит от предупреждения сети ВКонтакте о переходе на другой сайт, ведь ВКонтакте заботится о вашей безопасности. Предупреждение не значит что сайт мошеннический, но контакт на всякий случай предупреждает, снимая тем самым ответственность с себя.

Как сократить ссылку во Вконтакте: пошаговая инструкция

Иногда копируемые ссылки могут занимать достаточно обширное пространство в тексте, особенно если он небольшого размера. Ее объем может достигать нескольких сотен непонятных знаков, которые заменяют кириллицу. С помощью сокращения ссылок пользователи, которые работают с вики-разметкой, могут значительно упростить себе работу и проще ориентироваться в коде.

Короткие ссылки

Ссылки, которые содержат в своем названии частицу VK, вызывают у пользователей большее доверие, чем другие. Вы сможете сделать любой текст более компактным, если в нем будет представлен аккуратный сокращенный веб-адрес.

Читайте также:
Сервисы сокращения ссылок
Меняем адрес страницы ВКонтакте в несколько кликов!
Как зайти во Вконтакте сразу без пароля на свою страницу
Инструкция, как переделать группу в публичную страницу ВКонтакте

Как сократить любую ссылку

Для того чтобы сделать ссылку более компактной с помощью специальных опций ВКонтакте, вам не потребуется помощь сторонних ресурсов и ПО. Изменить веб-адрес до нормальных размеров можно всего в несколько кликов, без каких-либо ограничений.

1. Введите адрес vk.com/cc в поисковик браузера. Перед вами появится окно, в котором можно сократить ссылку.
2. Создайте еще одну вкладку в веб-обозревателе и откройте страницу, ссылку которой необходимо скопировать. Выделите и скопируйте ее адрес.
3. Перейдите на предыдущую вкладку и в соответствующее поле вставьте полученный веб-адрес сайта. Ниже кликните на синюю клавишу «Получить короткий вариант ссылки».
4. Перед вами появится сокращенный адрес, с которым можно продолжить работу. Обе ссылки будут отправлять вас на одну и ту же страницу сайта.

Заключение

Выполнив сокращение ссылки, вы получите короткий, аккуратный и удобный для чтения адрес. Десятки неизвестных знаков заменяются на всем нам знакомую кириллицу, которую в случае необходимости можно даже запомнить. Для других популярных социальных сетей веб-адреса также уменьшаются с помощью сокращателя ссылок ВКонтакте.

Понравилась статья? Поделиться с друзьями:

4 сервиса сокращения ссылок, которые помогают мне в работе

Привет друзья, читатели и гости моего блога! Сегодня решила поделиться с вами сервисами сокращения ссылок, которые постоянно использую в работе. Это незаменимый инструмент, для рекламы своих партнерских ссылок через социальные сети, форумы, блоги и т.д.

Вы и без меня знаете, какими громоздкими зачастую бывают реферальные ссылки. К тому же, при первом взгляде на них понятно, что они партнерские. А многие пользователи из принципа не переходят по таким ссылкам: «Мол, а чего это какой-то партнер будет на мне зарабатывать…».

С другой стороны, популярные социальные сети и вовсе не пропускают партнерские ссылки на свой ресурс, а если и пропускают, то при переходе по ним пользователи могут получить информацию о том, что данный сайт представляет опасность…Вот такие дела! А теперь посудите, сколько теряется трафика.

Ну и если честно, то в длиннющих партнерских ссылках нет ничего привлекательного. Какие-то они даже отталкивающие что ли. Посмотрите сами: shop.tvoy-start.com/aff/free/2543/viktoria_ka/ После приставки «com» сколько еще лишнего?!

А теперь к делу. Итак, полюбившиеся мне сервисы сокращения ссылок. Вообще их очень много, но мне нравятся именно эти 4:

1. https://bitly.com. Сервис хоть и англоязычный, но там все предельно просто. Вводите свою ссылку в поле и нажимаете «shorten». Регистрироваться необязательно. Хотя если вы зарегистрируетесь (а это бесплатно), то сможете отслеживать количество переходов по своим ссылкам. Сокращенные с помощью Битлая ссылки хорошо работают в Твиттере, Гугл+, Фейсбуке и Контакте. Про «Одноклассники» не знаю, так как не зарегистрирована в них.

2. goo.gl. Сокращалка от Гугла, англоязычная(важно: этот сервис закрыт). Здесь также можно отслеживать клики (нажав под ссылкой вкладку «details»). Для работы с сервисом желательно, конечно, иметь аккаунт в Гугл. Ну и без него тоже можно сократить ссылку, правда, после ввода капчи. Ссылки прокатывают во всех упомянутых выше соцсетях, но почему-то дополнительно не подсвечиваются в виде картинки.

3. http://tinyurl.com – тоже неплохой сервис. Моментально делает ссылку «красивой». Что еще в нем классно, так это то,что случайный набор букв и цифр на конце сокращенного url можно заменить более “живым” названием. Вот так, к примеру:  tinyurl.com/tstart. Правда, длина его должна быть не более 6 символов.

4. https://vk.com/cc – русскоязычная сокращалка от ВКонтакте. Кстати, я ее применяю не только для Контакта, работает отлично. Правда, статистики никакой не показывает. Кроме того, чтобы ее использовать, нужна обязательная регистрация на сайте.

Есть еще один сервис, которым я пользуюсь время от времени – http://u.to/. Он русскоязычный и на нем также можно отслеживать статистику переходов. Но, что мне в нем не нравится – это то, что он сокращает ссылки выборочно.

Если вы еще не пользуетесь такими сервисами, то можете выбрать тот, который вам больше понравится. Все они в целом хороши, но не лишены общего недостатка – если, вдруг, сайт перестанет работать или зависнет, то, естественно, ваша ссылка окажется нерабочей. Поэтому про запас не помешает иметь несколько подобных сервисов.

P.S. Друзья, а как вы сокращаете свои ссылки? Поделитесь опытом в комментариях. Всегда рада пообщаться с вами.

Поделиться в социальных сетях

Как сократить ссылку в ВК?

Вы можете опубликовать ссылку на любую страницу или материал в интернете, на своей странице вконтакте. Это можно сделать в личных данных, на своей стене (см. как закрыть стену в контакте), в группе и т.д.

Согласитесь, что длинный урл адрес не всегда смотрится красиво. Как это исправить?

Уже давно существует большое количество сервисов, которые сокращают ссылки. Вы указываете оригинальный урл, и формируете сокращенный вариант. При переходе по такой ссылке, пользователь попадает на нужную страницу.

Сейчас я покажу вам, как сократить ссылку в ВК, и какие еще есть подобные сервисы.

Оглавление:

1. Сервис для сокращения ссылок в ВК
2. Другие сервисы для сокращения ссылок
3. Видео урок: как сделать сокращенную ссылку в ВК
4. Заключение

Сервис для сокращения ссылок в ВК

Вы найдете его по адресу:

https://vk.com/cc

Вот так выглядит главная страница.

Скопируйте нужный урл адрес, и вставьте его в форму. Затем нажмите кнопку «Сократить».

Давайте для примера возьмем ссылку на мою инструкцию.

https://vksetup.ru/hitrosti/kak-prosmotret-udalennuyu-stranicu.html

Вставляем ее в форму, и формируем сокращенную ссылку.

Мы получим готовый урл адрес. Он выглядит вот так:

https://vk.cc/6huY1D

Можете скопировать его, и использовать по назначению. Попробуйте перейти по ней — вы попадете на оригинальную страницу.

Другие сервисы для сокращения ссылок

Есть большое количество аналогичных сервисов. Вы можете легко найти их через поиск.

Давайте для примера, я покажу вам такой инструмент, предоставляемый гуглом. Вот он:

https://goo.gl/

Зайдите на него, вставьте нужную ссылку в форму, и нажмите кнопку «Shorten URL».

Откроется окно — в нем будет представлена сокращенная ссылка. Скопируйте ее и используйте.

Видео урок: как сделать сокращенную ссылку в ВК

Заключение

Читайте также:

Если вы хотите зарабатывать на своей группе вконтакте (см. как заработать на группе в вк), то вы наверняка будете использовать сокращенные ссылки. С их помощью маскируют урл партнерских программ, которые рекламируют владельцы публичных страниц.

Но это не единственный вариант. Любой длинный урл, можно переделать в короткий аналог.

Вопросы?

Вам помогла эта информация? Удалось решить возникший вопрос?

Понравилась статья? Пожалуйста, подпишитесь на нас Вконтакте!

Facebook

Twitter

Мой мир

Одноклассники

Google+

Загрузка…

как сократить и укоротить через vk cc

Сокращение ссылок ВК это сравнительно новая функция, которая позволяет превращать длинные электронные адреса в более лаконичные. Опцию регулярно используют редакторы тематических сообществ, администраторы коммерческих страничек, да и просто активные пользователи ресурса.

В чем преимущество сокращенного URL?

Зачем вообще уменьшать длину URL и какие преимущества дает такое сокращение?

1. Сокращение позволяет сэкономить пространство, что особенно важно в небольших по количеству слов заметках или сообщениях;
2. Знаки кириллицы часто преобразовываются в километровый набор символов. Попробуйте сами и поставьте гиперссылку! Видите, как она выглядит неопрятно и грубо?
3. В вики-разметке короткая ссылка смотрится более эргономично, ее проще найти в коде;
4. После преобразования новый адрес будет начинаться с букв «VK», что на подсознательном уровне внушает пользователям доверие, вызывает желание кликнуть;
5. Замечено, что аккуратный и привлекательный адрес провоцирует больше переходов;
6. Лаконичный URL проще запомнить, легче скопировать.

Как выполнить сокращение с помощью приложения от разработчиков ВК?

Самый популярный и безопасный метод – воспользоваться приложением от разработчиков В Контакте. Vk cc com – это сокращение ссылок через сервис, действие происходит моментально и, буквально, в два клика.

• Функционал доступен на страничках https://vk.com/cc или https://vk.cc;
• В отдельной вкладке откройте сайт, на который настраивается переход, скопируйте его путь из адресной строчки;

• Чтобы сократить URL через VK сс, вставьте его в специальное поле;

• Кликните по клавише «Сократить»;

• Полученная простая гиперссылка будет направлять пользователей по идентичному адресу.

Если навести курсор на сгенерированную сокращенную комбинацию, во всплывающем окне отобразится полный набор знаков.

Какие сторонние приложения существуют для этого?

Если по какой-то причине у вас не получается сократить ссылку Вконтакте через VK cc, можете воспользоваться сторонними программами. Они работают точно так же, как и сервис из предыдущего раздела.

Рассмотрим, какие еще бывают «сократители» ссылок ВК и как укоротить длинные URL – список функционалов приведен ниже:

1. https://goo.gl/
2. https://clck.ru/
3. https://bitly.com/

Сокращение происходит путем вставки полного URL и преобразования его в укороченный. Кстати, если у вас нет аккаунтов в Гугл, Яндексе или на Bitly, чтобы использовать их «сократители», регистрация не обязательна.

Сокращатель ссылок Вконтакте – это самый удобный способ именно для этого социальной сети. Кстати, если вы будете экспортировать заметки из ВК в Twitter, они будут преобразовываться в укороченные именно через vk.cc.

Что делать, если всплывает ошибка?

Иногда сокращение не срабатывает, пользователь видит сообщение о невозможности изменения своего URL. Такое может произойти только если ваш домен занесли в черный список ВК. Другими словами, его отправили в бан или заблокировали.

1. Попробуйте воспользоваться сокращателями от сторонних разработчиков;
2. Возможно придется менять домен.

Таким образом, опция от ВК «короткие ссылки» подскажет как сделать грамотный переход на объект так, чтобы спровоцировать качественный отклик со стороны потенциальной целевой аудитории.

Как сократить ссылку вконтакте

Российская социальная сеть ВКонтакте по значимости сравнима с зарубежным Фейсбуком. Её используют для продвижения бизнеса, для проведения рекламных кампаний. Ежегодно расширяются возможности медиа сети — появляются новые инструменты. Крупные компании и начинающие предприниматели здесь заводят официальные страницы и паблики, в которых размещают ссылки, ведущие на странички своих проектов и на сайты партнеров. Чтобы гиперссылки, публикуемые в ВК, выглядели симпатично и не занимали 3-4 строки текста, перед размещением их нужно грамотно укоротить.

Зачем сокращать ссылки

Длина полной ссылки включает несколько элементов, состоящих из разного числа символов. В неё входит протокол, домен, зона и название страницы. Общая длина линка может достигать 90–250 знаков. Есть гиперссылки, состоящие из 700–800 символов. Они выглядят устрашающе, могут отбить желание пользователей посмотреть, что за ними скрывается. Длинный интернет-адрес не симпатично выглядит в тексте, его невозможно вставить в личную подпись на форуме, им сложно поделиться в мессенджере.

Гиперссылки необходимо сокращать, так проще:

• Копировать линки — больше гарантии, что при копировании не оборвется часть символов.
• Запоминать и делиться гиперссылкой с друзьями, вводить адрес по памяти.
• Распространять партнерскую ссылку, рекламируя инфопродукты или материальные товары своих партнеров.
• Обойти блокировки при регистрации на развлекательных сайтах — лототронах, казино, букмекерских конторах.
• Скрыть реферальную ссылку, которая может отпугнуть потенциальных рефералов, если они увидят значки ref; /?r= или ?key.

Статистика гласит: по коротким линкам намного больше переходов, чем по длинным.

Как сократить ссылку бесплатно в VK

ВКонтакте есть собственный сервис (официальное приложение VK) для сокращения ссылок. Принцип его работы прост — гиперссылку нужно ввести в пустое поле и нажать кнопку «Сократить». Сервис https://vk.com/cc ведет подсчет статистики (число кликов и переходов). Чтобы она была недоступной для конкурентов, нужно поставить галочку в поле «Статистика видна только вам».

Пример: в поле введен длинный адрес https://2x2forum.ru/blog/razmeshchenie-ssylok-na-forumakh-kak-sposob и получен короткий линк https://vk.cc/bWDR8S.

В этой сети есть онлайн сервис расшифровки гиперссылок, который можно найти по адресу https://vk.com/services:

В поле нужно ввести короткую ссылку и нажать надпись «Расшифровать». Сразу виден полный адрес страницы, на которую ведет гиперлинк. Можно сразу поделиться им с друзьями, используя кнопку «Поделиться» или «Очистить» поле и проверить, куда ведут другие ссылки, заинтересовавшие пользователя.

Удобный сокращатель TinySRC.me

В сети VK можно использовать линки, укороченные с помощью сторонних сокращателей — сервисов поисковых систем Яндекса (https://clck.ru/) или Google (https://goo-gl.ru/), либо других сайтов.

Удобно пользоваться сервисом TinySRC (https://tinysrc.me/ru):

• После ввода длинного адреса в поле «Вставьте ссылку» сайт выдает короткий линк, путь и пароль к статистике.

• Укороченный гиперлинк можно получить сразу, без рекламы (некоторые сокращатели сначала показывают рекламу, затем выдают сокращенную ссылку).
• Вместе с обычной гиперссылкой можно получить QR-код для смартфонов.
• Длительность линка легко ограничить по дате, сделать доступ к нему открытым или по паролю.
• На сайте ведется детальная статистика: подсчет количества кликов по каждой гиперссылке, сбор URL, численность реферальных переходов.
• Сервис отображает геоданные, по которым можно точно составить портрет целевой аудитории.
• Сайт двуязычный — между русской и англоязычной версией легко переключаться.
• Пользоваться сервисом можно бесплатно, без регистрации. Для длительной постоянной работы стоит создать аккаунт, чтобы иметь доступ к личному кабинету.

Используя сокращатели ссылок, удобно делиться короткими гиперлинками в VK и других социальных сетях. Собирая статистику, проще вести рекламные кампании, выполнять другие важные задачи для продвижения своего проекта.

Logic Pro Vintage B3 Roland VK — режим Korg CX

В таблице приведены назначения MIDI-контроллеров, когда для режима MIDI установлено значение Roland VK или Korg CX. Выберите любую настройку, если вы используете тяговый орган Roland VK или Korg CX-3 в качестве пульта дистанционного управления для Vintage B3.

тяга 5 1/3 ‘

23 Уровень 922922 Тип вибрато

102

0

102 23

109

900

Искажение

900 06

Номер контроллера				Режим MIDI VK или CX: назначенный параметр
70				тяговая штанга 16 ‘
71
72				дышло 8′
73				дышло 4 ‘
74				дышло 2 2 / 3 ‘
75				дышло 2′
76				дышло 1 3/5 ‘
77				дышло 1 1/3 ‘
78				дышло 1′
Шкаф ротора
80, 92				Медленный / Тормозной / Быстрый
81				Медленный / Тормозной
Реверберация
82
Вибрато
85				Включение / выключение верхнего вибрато
86				Включение / выключение нижнего вибрато
Ударный
94				вкл. / Выкл.
95				2-я / 3-я
Объем
103				Ударный Tim e
Эквалайзер
104				EQ Low
105				EQ Mid
2 106 0
107				Уровень эквалайзера
Вау
108				Режим Вау
109
110				Тип искажения
111				Привод искажения
112
112				Уровень искажения
113				Уровень щелчка
114				Уровень щелчка выключения
Баланс
115				Основной объем								116				Нижний объем
117				Объем педали
Ротор Fast Rate
118				Ротор

Страница не найдена — ScienceDirect

Пандемия COVID-19 и глобальное изменение окружающей среды: новые потребности в исследованиях

Environment International, том 146, январь 2021 г., 106272

Роберт Баруки, Манолис Кожевинас, […] Паоло Винеис

Исследование количественной оценки риска изменения климата в городском масштабе: обзор последних достижений и перспективы будущего направления

Обзоры возобновляемых и устойчивых источников энергии, Том 135, Январь 2021 г., 110415

Бинь Йеа, Цзинцзин Цзян, Чжунго Лю, И Чжэн, Нань Чжоу

Воздействие изменения климата на экосистемы водно-болотных угодий: критический обзор экспериментальных водно-болотных угодий

Журнал экологического менеджмента, Том 286, 15 мая 2021 г., 112160

Шокуфе Салими, Сухад А.A.A.N. Алмуктар, Миклас Шольц

Обзор воздействия изменения климата на общество в Китае

Достижения в исследованиях изменения климата, Том 12, выпуск 2, апрель 2021 г., страницы 210-223

Юн-Цзянь Дин, Чен-Ю Ли, […] Цзэн-Ру Ван

Общественное мнение об изменении климата и готовности к стихийным бедствиям: данные Филиппин

2020 г.

Винченцо Боллеттино, Тилли Алкайна-Стивенса, Манаси Шарма, Филип Ди, Фуонг Пхама, Патрик Винк

Воздействие бытовой техники на окружающую среду в Европе и сценарии снижения их воздействия

Журнал чистого производства, Том 267, 10 сентября 2020 г., 121952

Роланд Хишье, Франческа Реале, Валентина Кастеллани, Серенелла Сала

Влияние глобального потепления на смертность апрель 2021 г.

Раннее человеческое развитие, Том 155, апрель 2021 г., 105222

Жан Каллея-Агиус, Кэтлин Инглэнд, Невилл Каллеха

Понимание и противодействие мотивированным корням отрицания изменения климата

Текущее мнение об экологической устойчивости, Том 42, февраль 2020 г., страницы 60-64

Габриэль Вонг-Пароди, Ирина Фейгина

Это начинается дома? Климатическая политика, нацеленная на потребление домашних хозяйств и поведенческие решения, является ключом к низкоуглеродному будущему

Энергетические исследования и социальные науки Том 52, июнь 2019, страницы 144-158

Гислен Дюбуа, Бенджамин Совакул, […] Райнер Зауэрборн

Трансформация изменения климата: определение и типология для принятия решений в городской среде

Устойчивые города и общество, Том 70, июль 2021 г., 102890

Анна К. Херлиманн, Саре Мусави, Джеффри Р. Браун

«Глобальное потепление» против «изменения климата»: повторение связи между политической самоидентификацией, формулировкой вопроса и экологическими убеждениями.

Журнал экологической психологии, Том 69, июнь 2020, 101413

Алистер Раймонд Брайс Сауттер, Рене Мыттус

deepmodeling / deepmd-kit: пакет глубокого обучения для представления потенциальной энергии многих тел и молекулярной динамики

DeePMD-kit — это пакет, написанный на Python / C ++, разработанный для минимизации усилий, необходимых для построения модели межатомной потенциальной энергии и силового поля на основе глубокого обучения, а также для выполнения молекулярной динамики (МД).Это дает новые надежды на решение дилеммы «точность / эффективность» в молекулярном моделировании. Приложения DeePMD-kit простираются от конечных молекул до расширенных систем и от металлических систем до химически связанных систем.

Дополнительную информацию см. В документации.

• Модель сжатия. Повысьте эффективность вывода модели в 4-15 раз.
• Новые дескрипторы. Включая se_e2_r и se_e3 .
• Гибридизация дескрипторов.Гибридный дескриптор, созданный путем объединения нескольких дескрипторов.
• Встраивание атомного типа. Включите встраивание атомного типа, чтобы снизить сложность обучения и повысить производительность.
• Обучение и вывод диполя (вектора) и поляризуемости (матрицы).
• Разделение набора данных для обучения и проверки.
• Оптимизированное обучение на графических процессорах.

Выделенные особенности

• взаимодействует с TensorFlow , одной из самых популярных платформ глубокого обучения, что делает процесс обучения высокоавтоматическим и эффективным, кроме того, Tensorboard можно использовать для визуализации процедуры обучения.
• взаимодействует с высокопроизводительными классическими MD и квантовыми (интегральными по путям) пакетами MD , то есть LAMMPS и i-PI, соответственно.
• реализует модели серии Deep Potential, которые были успешно применены к конечным и расширенным системам, включая органические молекулы, металлы, полупроводники, изоляторы и т. Д.
• реализует MPI, а графический процессор поддерживает , что делает его высокоэффективным для высокопроизводительных параллельных и распределенных вычислений.
• высокомодульный , легко адаптируемый к различным дескрипторам для моделей потенциальной энергии на основе глубокого обучения.

Лицензия и кредиты

Проект DeePMD-kit находится под лицензией GNU LGPLv3.0. Если вы будете использовать этот код в будущих публикациях, цитируйте его, используя Хан Ван, Линфэн Чжан, Цзекун Хан и Вэйнань Э. «DeePMD-kit: пакет глубокого обучения для представления потенциальной энергии многих тел и молекулярной динамики». Computer Physics Communications 228 (2018): 178-184.

Коротко о глубоком потенциале

Цель Deep Potential — использовать методы глубокого обучения и реализовать модель межатомной потенциальной энергии, которая является общей, точной, вычислительно эффективной и масштабируемой. Ключевым компонентом является соблюдение обширных и инвариантных к симметрии свойств модели потенциальной энергии путем присвоения локальной системы отсчета и локального окружения каждому атому. Каждая среда содержит конечное число атомов, локальные координаты которых расположены с сохранением симметрии.Эти локальные координаты затем преобразуются через подсеть в так называемую атомную энергию . Суммирование всех атомных энергий дает потенциальную энергию системы.

Первоначальное доказательство концепции содержится в статье Deep Potential, в которой использовался подход, разработанный для обучения модели нейронной сети только с использованием потенциальной энергии. С типичными наборами данных ab initio молекулярной динамики (AIMD) этого недостаточно для воспроизведения траекторий. Модель глубокой потенциальной молекулярной динамики (DeePMD) преодолевает это ограничение.Кроме того, процесс обучения в DeePMD значительно улучшается по сравнению с методом Deep Potential благодаря введению гибкого семейства функций потерь. Построенный таким образом потенциал NN точно воспроизводит траектории AIMD, как классические, так и квантовые (интеграл по путям) в расширенных и конечных системах, при стоимости, которая линейно масштабируется с размером системы и всегда на несколько порядков ниже, чем у эквивалентной AIMD. симуляции.

Несмотря на свою высокую эффективность, исходная модель глубокого потенциала удовлетворяет обширным и симметрично-инвариантным свойствам модели потенциальной энергии за счет введения разрывов в модели.Это имеет незначительное влияние на траекторию от канонической выборки, но может быть недостаточным для расчетов динамических и механических свойств. Эти моменты побудили нас разработать модель Deep Potential-Smooth Edition (DeepPot-SE), которая заменяет негладкий локальный фрейм гладкой и адаптивной сетью встраивания. DeepPot-SE демонстрирует большие способности в моделировании многих видов систем, представляющих интерес в областях физики, химии, биологии и материаловедения.

Помимо построения моделей потенциальной энергии, DeePMD-kit также может использоваться для построения крупнозернистых моделей.В этих моделях величина, которую мы хотим параметризовать, — это свободная энергия или крупнозернистый потенциал крупнозернистых частиц. См. Статью DeePCG для получения более подробной информации.

Следуйте за нашей веб-страницей GitHub, чтобы загрузить последнюю выпущенную версию и версию для разработки.

DeePMD-kit предлагает несколько способов установки. Рекомендуется использовать простые методы, такие как автономные пакеты, conda и docker.

DeePMD-kit можно установить вручную, следуя инструкциям по установке интерфейса Python и установке интерфейса C ++.Интерфейс C ++ необходим при использовании DeePMD-kit с LAMMPS, i-PI или GROMACS.

Краткое руководство по использованию DeePMD-kit можно найти следующим образом:

Доступен полный документ о параметрах сценария ввода для обучения.

Код организован следующим образом:

• data / raw : инструменты для работы с файлами сырых данных.

• примеры : примеры.

• deepmd : модули Python DeePMD-kit.

• source / api_cc : исходный код DeePMD-kit C ++ API.

• source / ipi : исходный код клиента i-PI.

• source / lib : исходный код библиотеки DeePMD-kit.

• source / lmp : исходный код модуля Lammps.

• source / gmx : исходный код плагина Gromacs.

• source / op : реализация операции tensorflow.работа с библиотекой.

См. Руководство по участию в DeePMD-kit, чтобы стать участником! 🤓

Tonelux TX5C Module # VK-254 (Бывший в употреблении)

Как и оригинальный модуль TXC, Tonelux TX5C решает сложные проблемы со сжатием.

Благодаря возможности выполнять в модуле параллельное микширование необработанного сигнала и сжатого сигнала, инженер теперь может наслаждаться параллельным или «боковым соединением» инструмента с самим собой и создавать идеальное сочетание исходного и сжатого сигнала. без проблем, связанных с задержкой в ​​коробке.

TX5C использует собственный полностью дискретный операционный усилитель TX-240 и полностью дискретный выходной каскад TX-260 с трансформатором TX-280.

В дополнение к ручке Input / Compressor Mix, TX5C имеет множество других уникальных функций, которых нет ни в одном из современных компрессоров. Возможность переключения между сжатием с обратной связью и прямой связью не является чем-то новым для Пола Вольфа. В TXC он решил сделать еще один шаг вперед, разрешив возможность плавного перехода между сжатием с обратной связью и сжатием с прямой передачей с помощью элемента управления Type.Эта функция дает инженеру свободу сочетать плавный характер сжатия с обратной связью с агрессивным эффектом сжатия с прямой связью.

В дополнение к элементу управления FB-FF Type, TX5C имеет возможность чрезмерного сжатия с помощью элемента управления Ratio, который позволяет использовать коэффициент сжатия от 1,5: 1 до 20: 1, а затем и выше, с настройками коэффициента «Over:». которые заставляют компрессор уменьшать усиление в большем соотношении, чем усиление, входящее в него. Это означает, что регулировка соотношения позволяет компрессору сжимать увеличение сигнала на 10 дБ с уменьшением усиления до -8 дБ.Если сигнал повышается на 10 дБ, выходной сигнал понижается на 8 дБ.

Это становится полезным, когда берется предварительно сжатый малый барабан, регулируя атаку и устанавливая соотношение в области Over :, вы можете фактически восстановить начальный пик удара малого барабана. Это, с помощью регулятора Mix, затем может быть снова смешано с исходным «плоским» малым барабаном, и теперь у вас снова есть динамический малый барабан, но с очень контролируемым пиком.

TX5C также вставил теперь известный элемент управления «Tilt» в боковую цепь детектора RMS, так что вы можете увеличивать максимумы и уменьшать минимумы, поступающие в детектор RMS, фактически устраняя эффекты накачки, потому что детектор видит более равномерное распределение энергии по спектру вместо тяжелого басового сигнала, как у большинства компрессоров.

У элемента управления Attack есть переключатель X5, позволяющий использовать диапазон чрезвычайно быстрой атаки (в диапазоне микросекунд) вплоть до очень плавной медленной атаки, более подходящей для выравнивания.

Управление отпусканием может быть практически мгновенным до 3 секунд. Схема выпуска представляет собой уникальную трехступенчатую схему, которая автоматически высвобождает более быстрые сигналы со скоростью, в 10 раз превышающей скорость высвобождения сигналов более низкой частоты. Все это и система автоматической коррекции усиления, которая всегда поддерживает единицу усиления независимо от степени сжатия.

Благодаря 6 светодиодному индикатору уменьшения усиления и регулируемому контролю связи, TX5C можно легко использовать в моно или стерео конфигурациях.

Как лучше и проще всего сжать видеофайл

Прежде чем узнать, как сжать видеофайл, вы должны понять, что такое сжатие видео. Некоторые службы обмена файлами имеют своего рода ограничение на размер файла .

Сжатие видеофайлов помогает вписать красивый и динамичный контент в ваше сообщение без потери качества и длительной загрузки со стороны пользователей.

Сжатие видео происходит за счет удаления ненужных звуков и повторяющихся изображений. В зависимости от исходного размера видео это обычно означает, что общее качество ухудшается. Хотя для человеческого глаза потеря качества может быть даже не заметна.

В этой статье вы узнаете , как сжимать видеофайл и другую важную информацию для этого процесса, такую ​​как мы перечислили ниже:

Почему важна оптимизация видео?

Заметили ли вы, сколько социальных сетей в последнее время добавили в вашу стратегию новые визуальные функции? Например, Facebook, Twitter и Instagram увеличили количество историй как функцию своих платформ.Точно так же Google добавила в свою поисковую систему инструмент распознавания изображений.

Предлагая визуальный и динамический контент, — лучший способ удержать аудиторию, добиться высокой производительности и увеличить количество подписчиков .

Вот почему производители контента добавляют видео на свои веб-сайты. Несколько компаний осознали важность этой тенденции — около 74% маркетологов добавляют видео в свою контент-стратегию .

Возврат невероятен — посты с визуальным контентом приносят примерно 2.В 3 раза больше взаимодействия на Facebook . В Twitter прирост составляет 150% в вовлеченности пользователей. Вы знаете, почему визуальный контент такой мощный?

Человеческое общение по сути визуальное , а не словесное . Жесты, поведенческие выражения, позы, картины — примеры естественного общения с людьми, которое исторически предшествует текстовому языку.

Кроме того, визуальный контент универсален и понятен каждому человеку с разным происхождением и культурой.

Каковы рекомендуемые разрешение и соотношение сторон, чтобы идеально соответствовать плееру?

Мы создаем цифровые файлы размером в байты — килобайты (1024 байта), мегабайты (1024 килобайта), гигабайты (1024 мегабайта) и терабайты (1024 гигабайта).

Байты вашего цифрового файла будут зависеть от нескольких факторов, включая формат, длину и разрешение , которые напрямую связаны с качеством воспроизведения, как мы объясним ниже.

Форматы

Типы видео, такие как MP4, FLV, WMV, AVI и MOV, могут влиять на общий размер и качество.Хотя некоторые типы файлов предлагают лучшие кодеки, например MP4, другие менее эффективны и приводят к плохому сжатию файла, например FLV.

Длина

Видео, которое длится несколько минут, очевидно, будет меньше, чем видео, которое длится несколько часов. Таким образом, выбор типа файла также может повлиять на соотношение длины видео и размера файла.

Качество / разрешение

Частота кадров — также называемая FPS (кадр в секунду) — и разрешение влияют как на размер файла, так и на качество видео: чем больше у вас кадров, тем больше деталей вы покажете и тем больше станет ваш файл.

Даже видео, снятые со скоростью 240 кадров в секунду, можно замедлить до 24 или 30 кадров в секунду. Среднее разрешение видео в формате HD составляет 1080 пикселей (1920 × 1080) — это рекомендуемая скорость для видео на YouTube.

Разрешение обычно представляет собой горизонтальное × вертикальное измерение количества пикселей, представленных в видео. Высокое разрешение не обязательно означает наивысший уровень качества , но это означает, насколько большую область может заполнить видео.

Одноминутное видео, например, записанное в формате 4K или Ultra HD (3840 × 2160), будет иметь размер файла 2 ГБ, а одно видео в формате Full HD (1920 × 1080) будет иметь размер файла 403 МБ.Большинство программ для редактирования видео позволяют вам выбрать конечный формат файла.

(https://www.uscreen.tv/wp-content/uploads/2018/02/Recommended-video-resolution-and-aspec-ratios.jpg)

Другими техническими особенностями видео являются кодеки — он удаляет ненужные или повторяющиеся звуки или изображения из большого видеофайла. По сути, он сжимает ваш файл для хранения, а затем снова распаковывает его, чтобы обеспечить их просмотр.

Если вы хотите знать, как сжать видеофайл, вы должны это понимать.К счастью, кодеки работают автоматически в программном обеспечении, выбранном для сжатия видеофайла. Существуют следующие типы кодеков:

• MPEG — обеспечивает качественное воспроизведение видео даже после сжатия.
• ProRes — обеспечивает лучшее цветовое разрешение для видео.
• WMV — в основном используется программным обеспечением для редактирования видео Microsoft.

Как уменьшить размер видео без потери качества?

Теперь, когда вы знаете больше о разрешении и соотношении сторон видео, мы покажем вам, как сжимать видеофайлы без потери их качества.Благодаря этому вы обеспечите лучший пользовательский интерфейс и, как следствие, лучший рейтинг контента в поисковых системах.

Несколько веб-сайтов и инструментов позволят вам загружать и сжимать видео файлы. Некоторые из этих инструментов бесплатны и требуют только определенной учетной записи. Отметьте несколько вариантов ниже.

VLC

VLC — это возможность уменьшить размер видеофайлов, если в вашей операционной системе установлены версии для Windows, Mac и Linux. Сначала вам нужно его скачать. Затем вы можете установить его, нажав на опцию.

Выберите видеофайл или несколько файлов, нажмите «Конвертировать / Сохранить» и выберите желаемый тип в раскрывающемся списке профиля и вариант преобразования.

Вы также можете уменьшить размер файла, выбрав «Настройки»> «Разрешение». По завершении нажмите «Сохранить», выберите место назначения и нажмите «Пуск».

www.uscreen.tv www.uscreen.tv www.uscreen.tv www.uscreen.tv www.uscreen.tv

Вырезка

Shotcut — еще один вариант сжатия видеофайла.После скачивания инструмента:

• Нажмите кнопку «Открыть файл», чтобы выбрать видео.
• Выберите некоторые настройки для редактирования — разрешение, соотношение сторон, рамки, режим сканирования и т. Д.
• Экспортируйте файлы в новом формате, нажав «Экспорт» в правом верхнем углу окна.

Выбор более низкого качества вывода автоматически настроит разрешение для вас, но учтите, что уменьшение размера видеофайла может принести в жертву его качество. Вы также можете использовать окно экспорта, чтобы выбрать один из вариантов экспорта.

www.uscreen.tv www.uscreen.tv

Dropbox

Dropbox, как и Google Drive и OneDrive, является облачным сервисом, который позволяет пользователям легко сжимать и обмениваться видеофайлами.

• Во-первых, вы можете зарегистрировать учетную запись, загрузив настольный клиент или подключившись к службе в Интернете.
• Загрузите видеофайл.
• Сделайте все необходимое и поделитесь сгенерированной ссылкой по электронной почте, в текстовом сообщении или в чате.
• Вы можете отправить его со смартфона, планшета или компьютера другому пользователю, которому даже не требуется учетная запись Dropbox для просмотра видео без его загрузки.

Вам не нужно беспокоиться о байтах и ​​форматах для успешной отправки длинного видео : Dropbox поддерживает множество форматов видеофайлов — AVI, MP4, MPG, MOV, WMV, OGV, MKV и 3GP. Пользователь может скачать файл в полном качестве. Для загрузки нет ограничений по размеру.

(https://images.wondershare.com/videoconverter/en/compress/compress-a-video-file-for-email-using-dropbox-3.jpg) (https://www.parallels.com/blogs/app/uploads/2018/11/10-768×473.png)

Плеер QuickTime

QuickTime — это медиаплеер Apple по умолчанию, поэтому нельзя использовать в другой операционной системе.

Чтобы сжать видеофайл с помощью QuickTime, выполните следующие действия:

• Откройте приложение из папки «Приложения».
• Щелкните Файл> Открыть файл и выберите видео.
• Щелкните Файл> Экспортировать как.
• Выберите один из вариантов: 4K, 1080p, 720p или 480p.
• Выберите размер и экспортируйте видеофайл.

К сожалению, QuickTime не поддерживает изменение размера. Итак, если вам нужно еще больше сжать видео, вам понадобится другой инструмент.

(https://www.macxdvd.com/mac-video-converter-pro/article-image/compress-video-mac-5.jpg)

VideoSmaller

VideoSmaller — как следует из названия — это бесплатный и самый простой способ уменьшить размер видеофайла в Интернете. Вам необходимо загрузить видеофайл, выбрать параметры настройки для масштабирования видео и экспортировать новый файл.

Его основные функции включают уменьшение размера видео прямо из веб-браузера до 500 МБ. Этот инструмент также поддерживает видеоформаты MP4, MPEG, AVI и MOV.

(https://www.videosmaller.com/images/og-image.png)

Clipchamp

Вы можете сжать видеофайл с помощью бесплатной версии Clipchamp, но с ограниченным количеством сжатий. Этот инструмент также имеет платную веб-службу, которая предоставляет пользователям такие возможности, как загрузка видео любого размера, редактирование видео и их обработка партиями. Стоимость бизнес-плана составляет 7,50 долларов в месяц или 99 долларов в год.

Clipchamp имеет различное качество разрешения, не требуя изменения формата MP4 .

• Перейти на домашнюю страницу Clipchamp.
• Войдите в систему, используя свою учетную запись Google или Facebook или адрес электронной почты и пароль.
• Щелкните видеофайл, который нужно сжать.
• Выберите параметры сжатия и окончательный вид вашего видео.
• Щелкните Пуск.
• Нажмите «Загрузить и поделиться», чтобы опубликовать видео в социальных сетях или на Google Диске.
• Нажмите «Сохранить», чтобы загрузить его на свое оборудование.

(https://clipchamp.com/static/9f5ef84adc480ea104ae006ae1e6fe44/MP4-step-1.png)

Теперь, когда вы знаете, как сжимать видеофайл, имейте в виду, что такие платформы, как YouTube, отлично подходят для привлечения аудитории. Если вы хотите повысить рейтинг своего веб-сайта в поисковых системах, таких как Google, вам следует загрузить и разместить свой видеоконтент в своем домене.

Вы можете включать ключевые слова и метаданные, чтобы упростить индексацию ваших видео с помощью алгоритмов и создать привлекательные, но информативные заголовки. Соответствующий эскиз также важен для получения лучших позиций в поисковой выдаче.\ text {null}) {\ ,.} \ end {align} $$

Это значение в битах, показывающее, насколько лучше сжимается код мотива, чем нижняя граница нулевой модели. Если лог-фактор больше 10 бит, мы можем интерпретировать его как успешную проверку гипотезы при \ (\ alpha = 0,001 \). ^{Footnote 7}

Все эксперименты были выполнены на одной машине с процессором Intel Xeon 2,60 ГГц (E5-2650 v2), содержащим 8 физических ядер и 64 ГБ памяти. Память и ядра, доступные программе, различаются в зависимости от эксперимента и указываются в соответствующих случаях.

Восстановление мотивов из сгенерированных данных

В нашем первом эксперименте мы проверим некоторые из основных ожидаемых поведений нашего метода: (1) граф, выбранный случайным образом из простой нулевой модели, должен содержать много частых подграфов, но не мотивов. (2) Если подграф вставлен вручную несколько раз, мы сможем обнаружить этот граф как мотив. Чтобы проверить это, мы выбираем граф из нулевой модели и вводим k экземпляров определенного мотива способом, который в целом соответствует коду мотива.

Мы используем следующую процедуру для выборки неориентированного графа с 5000 узлов и 10000 ссылок, содержащего k внедренных экземпляров определенного мотива M с \ (n ‘\) узлами и \ (m’ \) ссылками. Пусть дан M (в нашем эксперименте M — это всегда график, обозначенный красным на рис. 2).

1. 1.

   Пусть \ (n = 5000 — (n’-1) k \) и \ (m = 10000 — m’k \) и возьмем образец графа H из равномерного распределения по всем графам с n, узлами и м звеньев.\ text {cat} \). Таким образом, ссылки, относящиеся к двум экземплярам узлов, получат два значения .

2. 5.

   Восстановите график G из M и H .

Рис. 2

Анализ мотивов на сгенерированных данных с k вставленными мотивами для всех 21 простого связного графа с 5 узлами.В средней строке показано количество неперекрывающихся экземпляров, обнаруженных алгоритмом выборки для каждого потенциального мотива. Столбики показывают среднее значение по 10 графикам, выбранным случайным образом, причем каждый раз вводится один и тот же подграф (показан красным). Планки погрешностей представляют собой диапазон (Цветной рисунок онлайн)

На этом выбранном графике мы запускаем наш анализ мотивов. Мы запускаем эксперимент несколько раз с \ (k = 0 \), \ (k = 10 \) и \ (k = 100 \), используя один и тот же подграф M для всех прогонов, но выбирая другой H каждый раз.Для каждого значения k повторяем эксперимент 10 раз. За один прогон мы отбираем только 5000 подграфов. Мы используем нулевую модель ER, поскольку она соответствует процедуре выборки.

На рисунке 2 показаны результаты для 21 возможного связного простого графа размера 5. Этот результат показывает, что для таких сгенерированных данных метод ведет себя, как ожидалось, следующим образом:

• Если мотивы не введены, никакие подграфы не являются мотивами.

• Даже для очень низкого значения k правильному мотиву присваивается положительный лог-фактор.Показано, что другие подграфы имеют очень высокие частоты, но отрицательный логарифм.

• Если количество мотивов велико (\ (k = 100 \)), результирующий лог-фактор увеличивается.

Мы также можем видеть, что как только мы вставляем 100 экземпляров мотива, два других подграфа «становятся мотивами»: в обоих случаях они разделяют часть вставленного мотива (прямоугольник и треугольник).Этот эффект не является уникальным для нашего метода, но встречается во всех анализах мотивов.

Относительная величина логарифмических факторов обеспечивает ранжирование внутри тех подграфов, отмеченных как мотивы. В традиционных методах мотивов точное вычисление этих относительных величин требует очень больших выборок случайных графов.

Мотивы из реальных данных

Далее мы покажем, как наш подход работает с набором наборов данных по доменам. Наша главная цель в этом эксперименте — показать, как три нулевые модели влияют на результаты.В частности, чтобы удостовериться, что модель edgelist обеспечивает разумное приближение для модели последовательности степеней (поскольку последняя является дорогостоящей в вычислении). Используются следующие наборы данных.

kingjames (ненаправленный, \ (n = 1773, m = 9131 \)):

Совместное употребление существительных в тексте Библии короля Якова (KONECT 2014; Römhild and Harrison 2007).

дрожжи (ненаправленный, \ (n = 1528, m = 2844 \)):

Сеть белковых взаимодействий у дрожжей, основанная на обзоре литературы (Reguly et al.2006 г.).

врачи (по указанию, \ (n = 241, m = 1098 \)):

Узлов — это врачи в Иллинойсе (KONECT 2015; Coleman et al. 1957).

цитаты (направленные, \ (n = 1769, m = 4222 \)):

Сеть цитирования arXiv в категории теоретической астрофизики, созданная для Кубка KDD 2003 г. (Gehrke et al.6 \) образцы с \ (n_ \ text {min} = 3 \) и \ (n_ \ text {max} = 6 \). Мы тестируем 100 мотивов с наибольшим количеством экземпляров (после удаления перекрытия) и сообщаем лог-фактор для каждой нулевой модели. Для моделей edgelist и ER мы используем поиск по Фибоначчи на полную глубину, для модели последовательности степеней мы ограничиваем глубину поиска до 3. Для оценки последовательности степеней мы используем 40 выборок и \ (\ alpha = 0,05 \), чтобы определить наш доверительный интервал. Мы используем один и тот же набор экземпляров для каждой нулевой модели.

Фиг.3

Результаты выделения мотива в 2-х ненаправленных сетях (Цветной рисунок онлайн)

Рис. 4

Результаты извлечения мотива в 2-х направленных сетях (Цветной рисунок онлайн)

Результаты показаны на рисунках . 4 и 3.

Отрицательные логарифмические факторы в некоторых результатах могут сначала показаться удивительными, поскольку код мотива никогда не должен работать хуже, чем нулевая модель, более чем на несколько бит (поскольку он может просто хранить все вместе с базой код).Причина, по которой он работает хуже, связана с использованием , привязанного к . Код мотива должен явно хранить последовательность степеней, в то время как нулевая модель использует нижнюю границу для этой части кода.

Наше первое наблюдение состоит в том, что для набора данных врача отсутствуют мотивы в рамках нулевой модели степени-последовательности. Вероятно, это связано с тем, что сеть врачей слишком мала: использование границы для нулевой модели означает, что альтернативная модель требует определенного количества данных, прежде чем различия станут значительными.Обратите внимание, однако, что если бы мы сравнивали с полной моделью (вместо границы), постоянный член был бы добавлен ко всем длинам сжатия в нулевой модели. Другими словами, порядок мотивов по релевантности останется прежним.

Как в графах kingjames, так и в дрожжевых, многие мотивы содержат клики или иным образом сильно связанные подграфы. Это говорит о том, что данные содержат сообщества сильно взаимосвязанных узлов, которые нулевая модель не может объяснить.

Для экспериментов в этом разделе максимальное пространство кучи Java было установлено на 2 гигабайта.Вычисление лог-фактора каждого мотива выполнялось параллельно, как и выборка для модели последовательности степеней, при одновременном запуске не более 16 потоков с использованием преимуществ 8 доступных (физических) ядер.

Эти эксперименты длились относительно долго (от 31 минуты до почти 24 часов). Узким местом является вычисление модели последовательности степеней. Если мы устраним это, как мы это делаем в разд. 4.4, мы видим, что можем провести тот же анализ за считанные минуты на графиках, которые на много порядков больше этих.Более того, графики показывают разумную степень согласия между моделью EL и моделью DS, предполагая, что первая может быть приемлемой прокси. В следующем разделе проверяется, являются ли полученные мотивы в каком-то смысле информативными.

Оценка качества мотива

В этом разделе мы оцениваем на основе реальных данных, можно ли с полным основанием рассматривать подграфы, идентифицированные как мотивы, найденные нашим методом, как мотивы. Мы даем рабочее определение мотива, которое, естественно, предполагает классификационный эксперимент, и показываем, что наш метод значительно лучше, чем случайный, и конкурирует с базовыми методами.

Рис. 5

Схематическое изображение классификационного эксперимента. a Начнем с задачи классификации простых неориентированных графов. b Эти графики сокращены до 29-мерных двоичных векторов признаков. Каждой функции соответствует неориентированный связанный мини-график размера 3, 4 или 5. c Мы применяем линейную SVM для выполнения классификации (Цветной рисунок онлайн)

Определение того, что составляет мотив, чрезвычайно расплывчато: статьи по-разному описывают мотив как «функциональную единицу», «характерный образец» или «статистически значимый подграф».«Чтобы применить это к чему-то, что мы можем проверить эмпирически, мы определим сетевой мотив как подграф, который является характеристикой для полного графа. То есть каким-то образом информация о том, что « M является мотивом для G », должна характеризовать G : она отличает G от графиков, для которых M не является мотивом, и что различие должно быть значимым в области данных.

Мы операционализируем «проведение значимого различия в области данных» как классификацию графов .Если суждения о мотивах (как бинарные признаки) могут быть использованы для значительного превышения базовых показателей класса большинства, мы можем быть уверены, что они делают значимое различие в области данных.

Начнем с набора неориентированных простых графов с соответствующими классами. Затем мы переводим каждый график в двоичный вектор признаков, используя только суждения мотивов оцениваемого алгоритма. Мы тестируем все связанные подграфы размера 3, 4 и 5, что дает нам 29 двоичных функций.Если простой классификатор (в нашем случае линейная SVM) может классифицировать графы исключительно на основе этих 29 суждений о мотивах, алгоритм преуспел в характеристике графа. Рисунок 5 иллюстрирует метод.

Для тех алгоритмов, которые работают успешно, точность классификации может использоваться для измерения относительной производительности, хотя мы не должны ожидать высокой производительности в такой сложной задаче, как классификация графов, всего от 29 двоичных функций.

Этот подход — количественная оценка неконтролируемого извлечения образов посредством классификации — также использовался van Leeuwen et al.(2006).

Наша главная цель — установить, что результирующий классификатор работает лучше, чем случайность. Наша второстепенная цель — показать, что мы работаем не намного хуже, чем традиционный метод.

Для наших целей нам требуются задачи классификации в узком диапазоне размеров: графики должны быть достаточно маленькими, чтобы мы могли использовать традиционный метод без аппроксимации, но достаточно большими, чтобы наш метод имел достаточно данных, чтобы уверенно отклонить нулевую границу.

Чтобы настроить задачи классификации графов в соответствии с нашими потребностями, мы адаптируем их из трех стандартных задач классификации на графах знаний, как описано Ristoski et al.(2016). Данные AIFB описывают несколько исследовательских групп, включая их сотрудников и публикации, с задачей предсказать, к какой группе принадлежит сотрудник. Данные AM (de Boer et al. 2013) описывают коллекцию Амстердамского музея с задачей прогнозирования категории артефактов. Данные BGS получены из Британской геологической службы с целью прогнозирования литогенеза горных пород.

Во всех этих случаях данные представляют собой единый помеченный направленный мультиграф, и задача состоит в том, чтобы предсказать классы для определенного подмножества узлов (узлы экземпляра , ).Мы переводим граф в простой граф без меток, используя одни и те же узлы (игнорируя их метки) и соединяя их одним неориентированным ребром, только если между ними есть одно или несколько направленных ребер в исходном графе знаний.

Это дает нам задачу классификации узлов одного неориентированного простого графа. Мы превращаем это в задачу классификации на отдельных графах , извлекая 3-окрестность вокруг каждого узла экземпляра. Чтобы контролировать размер извлеченных окрестностей, мы удаляем из данных h узлов с наивысшими степенями перед извлечением окрестностей. h был выбран методом проб и ошибок, прежде чем оценить эффективность классификации, чтобы получить окрестности с примерно 1000–2000 узлов.

Теперь у нас есть задача классификации графов, из которой мы можем создавать векторы признаков, как описано выше. Для нашего метода мы отбираем 100 000 подграфов размером 3, 4, 5, имеющих равную вероятность, и тестируем уровни сжатия в рамках модели edgelist. Мы считаем подграф мотивом, если он превосходит ограничение EL более чем на \ (- \ log \ alpha \) бит с \ (\ alpha = 0.05 \).

Было опубликовано множество методов анализа мотивов, но большинство из них являются приближениями или более эффективными алгоритмами подсчета. Следовательно, единый алгоритм, основанный на точных подсчетах, может действовать как базовый уровень, представляющий большинство существующих подходов: мы выполняем точный подсчет подграфов как для данных, так и для 1000 выборок из модели DS. Выборки из нулевой модели берутся с использованием алгоритма Curveball (Строна и др., 2014; Карстенс и др., 2016). Мы оценили время микширования примерно в 10 000 шагов и соответственно установили время приработки.Подсчет подграфов проводился с использованием метода ORCA. ^{Footnote 9} Мы отмечаем подграф как мотив, если менее 5% графиков, созданных из модели DS, имеют больше экземпляров подграфа, чем данных. ^{Footnote 10}

По соображениям производительности (мы находимся в пределах того, что позволяет традиционный метод), мы используем только 100 случайно выбранных экземпляров из задачи классификации. На этих 100 экземплярах мы выполняем пятикратную перекрестную проверку. Чтобы получить хорошие оценки, мы повторяем весь эксперимент, от выборки до перекрестной проверки, 10 раз.Классификатор — это линейная SVM (\ (C = 1 \)). Для задач с более чем 2 классами используется подход «один против одного» (Кнерр и др., 1990).

Рис. 6

Результаты классификационного эксперимента по традиционному методу ( отсчет ) и нашему ( мотив ). Столбики показывают среднюю точность десяти прогонов (с перекрестной проверкой в ​​каждом прогоне). Планки погрешностей показывают доверительный интервал 95%. Базовая линия — это классификатор большинства, который игнорирует особенности. В таблице показан размер данных, средний размер и количество ссылок (\ (\ overline {n} \), \ (\ overline {m} \)) графов экземпляров, количество классов K и количество снятых ступиц h (Цветной рисунок онлайн)

Результаты показаны на рис.6. Для одного набора данных наш метод значительно лучше, для другого значительно лучше традиционный подход, а для одного разница несущественна. В то время как производительность ни одного из методов не является звездной в качестве классификатора, тот факт, что оба они значительно превосходят базовую линию, показывает, что, по крайней мере, мотивы содержат или информации о метках классов экземпляра, представленного графом, из которого взяты мотивы. были приняты.

Таблица 1 Результаты различных запусков алгоритма на больших наборах данных

Извлечение крупномасштабных мотивов

Раздел 4.3 показал, что наш метод, в принципе, может возвращать характерные мотивы даже при использовании с нулевой моделью edgelist. Поскольку длина кода по модели EL может быть вычислена очень эффективно, эта конфигурация должна быть чрезвычайно масштабируемой. Чтобы проверить его пределы, мы проводим несколько экспериментов с большими наборами данных, от миллиона до миллиарда ссылок.

Во всех экспериментах мы выбрали 1 000 000 подграфов. Мы берем 100 наиболее часто встречающихся подграфов в этой выборке и вычисляем их лог-факторы в рамках моделей ER и EL.Мы сообщаем о количестве значимых мотивов, обнаруженных в рамках модели EL.

Таблица 1 показывает результаты. Самый большой набор данных, который мы можем проанализировать, хранящийся в памяти с помощью стандартного оборудования, — это набор данных wiki-nl. Для больших наборов данных мы храним график на диске. Подробности представлены ниже.

Этот эксперимент показывает, что мы можем проводить анализ мотивов данных в масштабе миллиардов ребер с помощью скромного оборудования. Фаза выборки «досадно параллельна», и действительно, при многопоточном выполнении достигается хорошее ускорение.Мы также наблюдаем, что количество найденных мотивов может сильно различаться между наборами данных. Наборы данных twitter и friendster взяты из одинаковых доменов, и тем не менее для twitter, никаких мотивов не найдено, с большим отрывом, ^{Footnote 11} , тогда как для Friendster большинство подграфов являются мотивами. Что именно вызывает разницу в этих наборах данных, — вопрос будущих исследований. В нижнем ряду рис. 8 показано количество мотивов, обнаруженных еще для 30 графов в различных областях.

При больших объемах данных использование полного параллелизма не всегда является лучшим вариантом.Существует компромисс между максимальным параллелизмом и отказом от сборки мусора. Вторая строка данных Friendster показывает самую быструю среду выполнения (с использованием максимально стабильного пространства кучи), в которой использовалось 9 одновременно выполняющихся потоков (с доступными 16 логическими ядрами).

Мы также показываем, что наш метод может масштабироваться для более крупных мотивов, часто при небольшом увеличении ресурсов. Однако это сильно зависит от данных. По данным твиттера, выборка мотивов больше 7 не завершилась в течение 48 часов.Это может быть связано с неполной реализацией алгоритма Nauty: данные могут содержать подграфы, преобразование которых в канонический порядок занимает много времени. Более эффективный алгоритм канонизации (например, полный Nauty) может улучшить производительность. Однако, как показывают результаты, некоторые данные позволяют быстро анализировать более крупные мотивы.

Дисковые графы Для очень больших графиков недостаточно места в памяти, и мы должны хранить данные на диске. Мы придерживаемся следующего подхода.График хранится в двух списках, как и в версии в памяти. Первый, прямой список , содержит по индексу i отсортированный список целых чисел j для всех существующих ссылок \ ((n_i, n_j) \): то есть список исходящих соседей \ (n_i \) . Второй, обратный список , содержит списки входящих соседей для каждого узла. Данные хранятся на диске таким образом, чтобы обеспечить эффективный произвольный доступ (с использованием механизма базы данных MapDB). ^{Footnote 12}

Для больших графиков преобразование файла из общей кодировки edgelist (файл со строкой для каждой ссылки, закодированной как пара целых чисел) в этот формат может занять значительное время, но это нужно только сделать. один раз, поэтому мы показываем время предварительной нагрузки и время анализа отдельно.Предварительная загрузка графа выполняется путем выполнения дисковой сортировки файла с кодировкой edgelist по первому элементу каждой пары, загрузки прямого списка, повторной сортировки по второму элементу и загрузки обратного списка. Это минимизирует случайный доступ к диску, поскольку оба списка могут быть заполнены последовательно за один проход.

Нам требуется только один проход по всем данным, чтобы вычислить параметры модели (например, последовательность степеней). Для выборки и вычисления логарифмических коэффициентов требуется лишь относительно небольшое количество произвольного доступа.

Для экспериментов с дисками мы ограничиваем общее количество перезаписываемых ссылок в графе шаблона до 500 000, чтобы ограничить использование памяти.

Рис. 7

Диаграмма рассеяния ранее опубликованных анализов мотивов. Обратите внимание на логарифмический масштаб. Результаты взяты из ссылок (Bhuiyan et al. 2012; Hočevar and Demšar 2014; Kashtan et al. 2004; Milo et al. 2004; Picard et al. 2008; Ribeiro and Silva 2010; Carstens 2013; Milo et al. 2002; Wang et al.2014; Li et al.2012; Meira et al.2014; Paredes and Ribeiro 2015; Slota and Madduri 2013; Wang and Ramon 2012; Wernicke 2005). Полный мотив Анализ — это анализ, в котором количество мотивов рассчитывается точно по данным и по случайному ансамблю. Приблизительный анализ мотива — это те анализы, в которых количество приближено к выборке. Перепись производит подсчет, но не проверяет гипотезу (что потребовало бы подсчета на многих выборках из нулевой модели). Мы помещаем наш метод где-то между полным анализом мотива и приблизительным анализом мотива: мы вносим определенные изменения в понятие мотива для достижения масштабируемости, но наша проверка гипотез полностью верна (т.е. консервативный тест, а не приближение) (Цветной рисунок онлайн)

Сравнение с альтернативными методами Эти результаты нельзя сравнивать индивидуально с результатами из литературы: протокол, которому мы следуем, отличается в ключевых местах от стандартного протокола предусмотрены для анализа мотивов. Во-первых, мы не проверяем всех мотивов заданного размера, мы используем частоту дискретизации для предварительного отбора кандидатов. Во-вторых, мы сосредотачиваемся на различных статистических данных, чтобы определить, что составляет мотив.Чтобы по-прежнему иметь общее представление о масштабе, мы наносим размеры графиков, подвергнутых анализу мотивов в существующих статьях, вместе с нашими на рис. 7. Собранные данные доступны. ^{Сноска 13}

Обратите внимание, что существует заметная разница между экспериментами по мотивам и экспериментами по переписи населения. Мы предполагаем, что это связано не только с дополнительными затратами на повторение переписи случайного ансамбля, но и с затратами на простую выборку случайного ансамбля. Такая выборка обычно выполняется с помощью метода MCMC, такого как алгоритм переключения или алгоритм Curryball.Такие методы не только требуют создания полной копии данных для каждой выборки, они также требуют выполнения случайных переходов до тех пор, пока не будет достигнуто надлежащее сочетание. Это время смешивания увеличивается с размером графика, а это означает, что даже если приблизительную перепись можно провести в постоянное время, создание случайного ансамбля становится узким местом.

Вычислительная сложность

Вычисление кода мотива Вычислительная сложность описанного здесь алгоритма 1 зависит от сложных манипуляций с копией графа G .Это делает вычислительную сложность не менее O ( м ), поскольку требуется копия графа.

Рис. 8

Вверху: время выполнения анализа мотивов для 30 графиков из репозитория KONECT (Kunegis 2013). Пунктирные линии показывают линейную подгонку в пространстве журнала. Легенда показывает уклон. В центре: время выполнения выборки в одном эксперименте. Внизу: количество мотивов в 100 подграфах-кандидатах. Планки погрешностей в верхнем и среднем рядах показывают доверительный интервал 95% для 10 повторов.Для нижней строки они показывают диапазон данных (цветной рисунок онлайн)

Однако, создав реализации, специфичные для используемого базового кода, мы можем сделать эту операцию более эффективной: вычисление \ (L_ \ text {base} (H) \) обычно является доминирующей операцией, и для кодов, описанных здесь, нам не нужен весь граф \ (H ‘\) для вычисления этой длины кода, только определенная описательная статистика (размеры в случае модели ER и последовательность степеней в случае моделей DS и EL).Мы проиллюстрируем случай для модели EL.

Предложение 1

Пусть \ (\ text {inc} (I) \) будет набором всех ссылок, относящихся только к одному узлу в подграфе I , и пусть \ (\ text {inc} ({{\ mathcal {I}}} ) = \ bigcup _ {I \ in {{\ mathcal {I}}}} \ text {inc} (I) \). Если код EL используется в качестве основы, код мотива для графа G и мотива M с экземплярами \ ({{\ mathcal {I}}} \) может быть вычислен за время \ (O (n (G) + | {{\ mathcal {I}}} | \ cdot m (M) + | \ text {inc} ({{\ mathcal {I}}}) |) \).

Проба

Предположим, что график хранится как прямой и обратный список, как описано в Разд. 4.4 (или один такой список в случае неориентированного графа). Сначала нам требуется представление последовательности степеней в памяти в виде массива.

Если граф находится в памяти, это может быть достигнуто в O (1) путем создания объекта, который динамически ссылается на списки узлов. Если график хранится на диске, это займет O ( n ( G )).Назовите получившийся объект D . Если для одного графа проверяется несколько мотивов, эта часть кода может быть амортизирована.

Затем мы можем перемещаться по экземплярам мотива \ ({{\ mathcal {I}}} \) и выяснять, как удаление каждого экземпляра из графа, заменяя его узлом экземпляра, преобразует последовательность степеней графа. Для ссылок, полностью находящихся внутри экземпляра, степени обоих инцидентных узлов уменьшаются. Для ссылки с одной стороной внутри экземпляра степень внутреннего узла уменьшается, а степень первого узла экземпляра (который становится узлом экземпляра) увеличивается.Если эта конкретная ссылка уже была создана, степень узла не увеличивается, а дополнительная ссылка сохраняется отдельно в словаре R . То есть модифицированная последовательность степеней — это последовательность \ (H ‘\).

Поскольку D может занимать много памяти для больших графиков, мы не копируем его, а вместо этого создаем динамическое представление на основе требуемых приращений и убытков. Этот процесс занимает \ (O (| {{\ mathcal {I}}} | \ cdot m (G) + \ text {inc} ({{\ mathcal {I}}})) \) при реализации в виде простого цикла по всем ссылкам во всех случаях.

Учитывая результирующую последовательность степеней \ (D ‘\) графа \ (H’ \), мы можем вычислить \ (L_ \ text {EL} (H ‘) \) в O ( m ( G )) простой петлей по степеням.

Остальная часть кода может быть вычислена напрямую, как описано в алгоритме 1: биты перепрограммирования могут быть вычислены в \ (O (| {\ mathcal {I}}} | \ times m (M)) \), с помощью простой цикл по всем ссылкам во всех случаях. Код для нескольких ребер можно вычислить с помощью цикла по всем элементам в R , который в худшем случае имеет размер \ (O (\ text {inc} ({{\ mathcal {I}}})) \) .Длина кода для экземпляров узлов и вставок может быть вычислена в O (1).

Суммируя эти термины и игнорируя постоянные множители, мы получаем временную сложность \ (O \ left (n (G) + | {{\ mathcal {I}}} | \ cdot m (M) + \ text {inc } ({{\ mathcal {I}}}) \ right) \). \ (\ квадрат \)

Эта реализация была спроектирована в предположении, что граф большой, и найдено относительно небольшое количество экземпляров, так что вторым и третьим членами можно пренебречь.Если это предположение неверно (например, если экземпляры покрывают большую часть графа), тогда другие реализации могут быть предпочтительнее.

Выборка Для процесса выборки (поиск мотивов и их экземпляров) сложность вычислений установить сложнее. Случайные блуждания по графу могут выполняться за постоянное время (при условии произвольного доступа за постоянное время), предполагая, что теоретически фаза выборки не зависит от количества узлов и ссылок. Алгоритм Наути, однако, имеет экспоненциальную временную сложность наихудшего случая (в размере подграфа) с эффективным поведением для различных подклассов графов.Это означает, что тип подграфов, присутствующих в данных, вероятно, является основным фактором, определяющим сложность.

Эмпирическая проверка Чтобы понять, верны ли эти предположения, мы провели полный эксперимент на 30 графах среднего размера из репозитория KONECT (Kunegis 2013). Для каждого из них мы отобрали 1000000 экземпляров и выполнили тест мотива на 100 лучших кандидатов, используя модель EL. Мы разделяем среду выполнения на фазу выборки и фазу тестирования мотива .

На рисунке 8 показан результат. Шаблон зашумлен, но фаза тестирования мотива допускает линейную подгонку в n ( G ), как и ожидалось. Подгоняем линию под логарифмы значений. Наклон близок к единице, что говорит о том, что вполне разумно ожидать линейного масштабирования как для n , так и для m .

Выборка, как и ожидалось, имеет высокую дисперсию между наборами данных и низкую корреляцию с размером данных. Четыре графика, для которых выборка заняла больше всего времени, представляют собой большие графики, но они также относятся к той же области (графики гиперссылок).Непонятно, что вызывает такое увеличение времени выполнения, поскольку существуют графики аналогичного размера, для которых выборка выполняется намного быстрее.

% PDF-1.4 % 355 0 объект > эндобдж xref 355 80 0000000016 00000 н. 0000002690 00000 н. 0000003013 00000 н. 0000003057 00000 н. 0000003093 00000 н. 0000003601 00000 п. 0000003761 00000 н. 0000003942 00000 н. 0000004081 00000 п. 0000004219 00000 н. 0000004376 00000 п. 0000004508 00000 н. 0000004679 00000 н. 0000004811 00000 н. 0000004943 00000 н. 0000005076 00000 н. 0000005208 00000 н. 0000005341 00000 п. 0000005474 00000 п. 0000005607 00000 н. 0000005737 00000 н. 0000005872 00000 н. 0000006003 00000 п. 0000006136 00000 н. 0000006266 00000 н. 0000006397 00000 н. 0000006434 00000 н. 0000021905 00000 п. 0000022431 00000 п. 0000023181 00000 п. 0000040289 00000 п. 0000040848 00000 п. 0000041550 00000 п. 0000051677 00000 п. 0000052076 00000 п. 0000052739 00000 п. 0000055475 00000 п. 0000055701 00000 п. 0000056010 00000 п. 0000056994 00000 п. 0000057958 00000 п. 0000058851 00000 п. 0000058982 00000 п. 0000059113 00000 п. 0000059245 00000 п. 0000061112 00000 п.