Identifying multi-scale communities in networks by asymptotic surprise
优化社区结构的统计度量是最流行的社区发现策略之一，但其中许多策略缺乏分辨率的灵活性，因此与网络的多尺度社区不兼容。在这里，我们进一步研究了社区检测的统计度量，渐近惊喜，惊喜的渐近近似。从理论上讨论了社团划分的相变中渐近突变的临界行为。然后，根据理论分析，提出了一种基于渐近惊奇的多分辨方法，为研究多尺度网络提供了一种新的途径，并提出了一种改进的Louvain算法，以更有效地优化渐近惊奇。通过在不同网络中的一系列实验测试，进一步验证了渐近惊讶的临界行为和改进的Louvain算法的有效性，显示了其解决第一类分辨率极限的能力和对第二类分辨率极限的更强容忍性，证实了其揭示多尺度网络中多尺度社团结构的有效性。
2018-10-25 physics.data-an physics.soc-ph
Defining and Evaluating Network Communities based on Ground-truth
真实世界网络中的节点组织成紧密相连的社区，其中边缘在社区成员中高度集中。识别这样的节点社区已被证明是一项具有挑战性的任务，主要是由于社区的定义过多，算法难以处理，评估问题以及缺乏可靠的黄金标准真值。在本文中，我们研究了一组230个大型的现实世界的社会，协作和信息网络，其中节点显式地说明他们的组成员。例如，在社交网络中，节点明确地加入各种基于兴趣的社交群组。我们使用这样的群体来定义可靠和强大的真值社区概念。然后，我们提出了一种方法，使我们能够比较和定量评估如何不同的结构定义的网络社区对应于真值社区。我们选择了13种常用的网络社区结构定义，并研究了它们在识别真值方面的敏感性、鲁棒性和性能。我们发现，13个结构的定义是高度相关的，自然分为四类。我们发现，这些定义中的两个，电导和三合会参与比，始终给出最好的性能，在确定真值社区。我们还研究了一个任务，检测社区给定一个单一的种子节点。我们将局部谱聚类算法扩展为一种启发式的无参数社区发现方法，该方法可以轻松扩展到具有超过一亿个节点的网络。所提出的方法实现了30%的相对改善，目前的局部聚类方法。
2012-11-06 cs.SI physics.soc-ph
Identification of overlapping communities and their hierarchy by locally calculating community-changing resolution levels
我们提出了一个新的本地，确定性和无参数的算法，检测模糊和清晰的重叠社区的加权网络，同时揭示其层次结构。该算法通过引入局部适应度函数，不断扩展种子的自然社区，直到覆盖整个图。社区的层次结构是通过计算社区增长的分辨率水平而不是通过测试不同的分辨率水平来分析获得的。这种分析方法不仅比LFM和GCE等数值方法更精确，而且速度也更快。关键分辨率水平可以通过搜索分辨率的大变化不会导致群落增长的间隔来识别。我们在基准图和信息科学中的492篇论文的网络上测试了我们的算法。结合一个特定的后处理，该算法给出了更精确的结果，LFR基准与高重叠相比，其他算法和执行非常相似的GCE。
2010-12-06 cs.SI physics.data-an physics.soc-ph
Limitation of multi-resolution methods in community detection
近年来，一种多分辨率社区检测方法被提出，该方法通过调整模块度函数的分辨率参数来调整模块度的分辨率，如Arenas，Fernandez和Gomez以及Reichardt和Bornholdt等提出的方法。在本文中，我们表明，这些方法仍然有内在的限制，大社区可能已经分裂之前，小社区变得可见，因为它是在社区的稳定性，增强模块化分辨率的成本。理论结果表明，该限制取决于小社区的互联程度以及小社区与大社区的规模之差，而与整个网络的规模无关。这些发现已经在几个示例网络中得到证实，其中社区甚至是完全完成的子图。
2011-08-22 cs.SI physics.soc-ph
Searching for Communities in Bipartite Networks
二分网络是表示和研究交互网络的有用工具。我们考虑在二分网络中识别社区的方法。网络社区群体的直观概念，明确使用纽曼的模块化措施。一个专门的版本的模块化，适合于二分网络，描述了相应的算法，通过最大限度地提高这一措施，以确定社区团体。该算法适用于网络来自欧盟的研究和技术发展框架计划。确定的社区群体进行比较，使用信息理论的方法。
2008-03-19 physics.soc-ph
Identification of Overlapping Communities by Locally Calculating Community-Changing Resolution Levels
Lancichinetti、Kertesz和Lancichinetti（LFK）去年提出了一种用于检测网络中重叠自然社区的算法。LFK算法通过最大化社区的局部适应度来构建（原则上）图的所有节点的自然社区。产生的模块可能会重叠。对于许多分辨率值，社区的生成可以很容易地重复;从而允许网络上不同分辨率的不同视图。我们以不同的方式实现了LFK算法的主要思想--生成网络中每个节点的自然社区。我们从分辨率参数的值开始，该值足够高，每个节点都是自己的自然社区。一旦分辨率降低，每个节点就会随着其社区成员（即自然社区）的增长而获得其他节点。对于在某个分辨率级别找到的每个社区，我们计算添加节点的下一个较低分辨率。在将节点添加到种子节点的社区后，我们检查它是否也是我们已经分析过的节点的自然社区。在这种情况下，我们可以停止扩展种子节点的社区。我们测试了我们的算法在一个小的基准图和网络上的约500篇论文在信息科学（加权索尔顿指数的书目耦合）。在我们的测试中，这种方法会导致分辨率的特征范围，其中大的分辨率变化不会导致自然群落的增长。这种稳定的模块也是通过应用LFK算法获得的，但由于我们在一次运行中确定了所有分辨率值的社区，因此我们的方法比LFK参考更快。而且我们的算法更容易揭示图的层次结构。
2010-08-05 physics.data-an physics.soc-ph
A testing based extraction algorithm for identifying significant communities in networks
在网络研究中出现的一个常见且重要的问题是如何将给定网络的顶点划分为一个或多个称为社区的组，以这种方式，同一社区的顶点比属于不同社区的顶点更加互连。我们提出并研究了一个基于测试的社区发现过程，称为统计显著社区提取（ESSC）。ESSC过程是基于$p$ -值的一个单一的顶点和一组顶点之间的连接强度的参考分布来自一个条件配置网络模型。该过程自动选择网络中的社区数量及其大小。此外，ESSC可以处理重叠的社区，不像大多数现有的方法，确定“背景”顶点不属于一个定义良好的社区。该方法只有一个参数，用于控制假设检验的严格性。我们调查的性能和潜在的使用ESSC，并比较它与现有的方法，通过验证研究，使用四个真实的网络数据集。此外，我们进行了模拟研究，以评估ESSC的有效性，在网络中的各种类型的社区结构，包括网络与重叠社区和背景顶点。这些结果表明，ESSC是一个有效的探索工具，发现相关的社区结构的复杂网络系统。数据和软件可在\urlhttp：//www.example.com上获得。www.unc.edu/~jameswd/research.html
2014-12-03 cs.SI physics.soc-ph stat.ME
Non-Parametric Detection of Network Communities; The Natural Way; A Cascaded Stackelberg Game
现实世界的网络具有内在的动态结构，通常由成员不断变化的社区组成。识别这些社区在分析网络的结构特性时非常重要。因此，近年来已经见证了密集的研究，以解决检测这种不断变化的社区的挑战性问题。朝向社区发现的主流方法涉及在网络上优化全局分区质量度量（例如，模块化）。另一种技术，谱聚类，涉及在低维空间中映射原始数据点，其中图的聚类属性更加明显，然后应用标准聚类技术来识别社区。然而，传统的谱聚类技术不能自然地学习网络中社区的数量。这些技术是基于外部社区连接属性，往往无法识别密集网络中较小的社区结构。在这篇文章中，我们提出了一个算法，即级联Stackelberg社区发现算法（CASCODE）的启发Stackelberg双寡头博弈。该算法使用节点之间的领导者-追随者关系的概念来影响任何一个节点的行为。该算法的直观性是基于网络中进化社区的自然预期内部结构。因此，该算法能够自然地学习网络中的社区数量，而其他技术，如谱聚类，需要社区的预期数量作为输入。由于这种基于Stackelberg模型的社区发现算法是通过社区的内部结构来检测社区的，因此我们能够在密集网络中获得更精细的社区结构解析。
2018-01-18 cs.SI physics.soc-ph
Automatic detection of multilevel communities: scalable and resolution-limit-free
社团结构是复杂网络的重要特征之一。基于模块的社区检测方法通常依赖于启发式算法来优化特定的社区质量函数。这种方法受到两个主要缺陷的限制：（1）分辨率限制问题，它禁止同时检测不同大小的社区，以及（2）启发式算法的发散输出，这使得难以区分相关和不相关的结果。本文提出了一种改进的基于可扩展社区适应度函数的社区发现方法。“我们引入了一个新的参数来增强其可扩展性，以及一个严格的策略来过滤输出。由于可扩展性，一方面，我们的方法是免费的分辨率限制的问题，并在大型异构网络上表现出色，而另一方面，它是能够检测更多的社区比以前的方法在深层次的网络。此外，我们的严格策略会自动删除冗余和不相关的结果，而无需任何人工选择。因此，我们的方法只输出稳定和独特的社区，这些社区在很大程度上可以通过关于网络的先验知识来解释，包括合成网络中的植入结构或真实网络的元数据。
2022-09-01 cs.SI physics.soc-ph
A New Comparative Definition of Community and Corresponding Identifying Algorithm
本文提出了一种新的网络社区比较定义，并给出了相应的检测算法。社区被定义为一组节点，这些节点满足社区内每个节点的度不应小于该节点对任何其他社区的度。在该算法中，社区对节点的吸引力被定义为它们之间的连接。然后采用基于吸引力的自组织过程，不需要任何额外的参数，可以检测出最佳社区。分析了几个人工网络和真实世界的网络，包括扎卡里空手道俱乐部网络和大学足球网络。该算法在发现社区方面效果良好，并且对网络划分和群体形成也给出了很好的描述。
2008-02-02 physics.soc-ph
A shadowing problem in the detection of overlapping communities: lifting the resolution limit through a cascading procedure
社区检测是指在重要社区（例如集群，功能模块）中分配节点和链接的过程，它的发展导致了对复杂网络的更好理解。当应用于相当大的网络，我们认为，大多数检测算法正确地识别突出的社区，但未能做到跨多个尺度。因此，网络的很大一部分是未知的。我们发现，这个问题源于更大或更密集的社区掩盖了更小或更稀疏的，这种影响占大多数未检测到的社区和未分配的链接。我们提出了一个通用的级联方法来社区检测，规避了这个问题。使用真实的和人工的网络数据集与三个广泛使用的社区检测算法，我们展示了如何一个简单的级联过程允许检测的缺失社区。这项工作突出了一个新的社区结构的检测极限，我们希望我们的方法可以启发更好的社区检测算法。
2015-09-30 cond-mat.stat-mech cs.SI physics.soc-ph
Asymptotic resolution bounds of generalized modularity and multi-scale community detection
广义模块度的最大化在所有社区的成员在统计上彼此无法区分的网络中表现良好。然而，没有理论界的最大化性能在更现实的网络中，边缘是异质分布在社区内和社区之间。利用随机图的性质，我们建立了广义模块最大化表现良好的分辨率参数的渐近理论界。从随机图模型的这个新视角，我们发现模块度最大化的分辨率极限可以用一种令人惊讶的简单和直接的方式来解释。给定由随机块模型产生的网络，分辨率参数大于其密度的社区可能分布在多个簇中，而分辨率参数小于其背景社区间边缘密度的社区将合并为一个大的组件。因此，当一个子图中的社团内边密度低于另一个子图中的社团间边密度时，不存在合适的分解参数。对于这样的网络，我们提出了一个渐进的凝聚启发式算法来检测实际上在多个尺度上显着的社区。
2020-04-16 cs.SI physics.soc-ph
Leveraging local network communities to predict academic performance
20多年来，学生协作网络的社会网络分析一直关注学生的中心性，以预测学习成绩。尽管越来越多的社会学文献支持学业成功具有传染性，但仅仅识别网络中的核心学生并不能捕捉到同伴互动如何促进学业成功在整个网络中的传播。因此，我们提出了新的预测，治疗学术成功的传染病，通过识别学生的学习社区，包括最有可能影响学生的表现在一门课程的同行。我们评估这些学习社区的重要性，预测学术成果在介绍大学统计课程与103名学生。特别是，我们观察到，通过包括这些学习社区预测器，所得到的模型是正确模型的可能性是文献中当前最先进的中心网络模型的68倍。
2018-10-10 cs.SI physics.soc-ph stat.AP
Heuristic and exact modularity optimization with size-constrained communities
Kellogg School of Management, Northwestern University（西北大学凯洛格管理学院）；Department of Mechanical and Industrial Engineering, University of Toronto（多伦多大学机械与工业工程系）；Centre for Science and Technology Studies (CWTS), Leiden University（莱顿大学科学技术研究中心）；Center for Complex Networks and Systems Research, Luddy School of Informatics, Computing, and Engineering, Indiana University Bloomington（印第安纳大学布鲁明顿分校卢迪信息、计算与工程学院复杂网络与系统研究中心）
研究在模块度优化中限制所有社区大小在用户指定范围内的社区检测问题，提出一种启发式方法，并通过精确整数优化模型验证其可靠性。
2026-05-24 cs.SI physics.soc-ph
Detecting Stable Communities in Link Streams at Multiple Temporal Scales
链接流模型在广泛的领域中随着时间的推移进行交互。在这种模式下，面临的挑战是有效地挖掘时间和拓扑结构。社区发现和变化点检测是分析这种不断变化的相互作用的最有力的工具之一。在本文中，我们建立在这两个检测稳定的社区结构，确定有意义的社区内的变化点。与现有的动态社区发现算法不同，该方法能够在多个时间尺度上有效地发现稳定的社区。我们测试了我们的方法在合成网络上的有效性，以及从真实社交网络中提取的高分辨率时变网络的联系人。
2019-07-24 cs.SI physics.soc-ph
Identifying latent shared mobility preference segments in low-income communities: ride-hailing, fixed-route bus, and mobility-on-demand transit
移动按需（MOD）和移动即服务（MaaS）的概念，其特点是集成了各种共享使用的移动选项，近年来得到了广泛的普及。虽然这些概念为旅行者带来了巨大的好处，但它们对技术的严重依赖引发了公平问题，因为社会弱势群体可能会在按需移动时代被排除在外。本文调查了居住在低收入社区的旅行者对MOD公交服务（综合固定路线和按需服务）的潜在吸收。特别地，我们分析了人们对三种共享使用的移动服务的潜在态度，包括乘车服务，固定路线公交和MOD公交。我们进行了一个潜在的类聚类分析825调查受访者从低收入社区在底特律和密歇根州伊普西兰蒂。我们确定了三个潜在的部分：共享模式的爱好者，共享模式的对手，和固定路线的过境忠诚。来自共享模式爱好者群体的人通常使用叫车服务，并且居住在交通不便的地区，他们可能是MOD交通服务的早期采用者。共享模式的对手主要包括对共享移动选项缺乏兴趣的车主。固定路线过境忠诚者部分包括相当大比例的低收入个人，他们面临使用MOD过境的技术障碍。我们还发现，男性、大学毕业生、车主、有移动数据计划的人以及生活在交通不便地区的人对MOD交通服务的偏好程度更高。最后，我们提出政策建议，以发展更容易获得和公平的国防部过境服务。
2021-05-04 cs.SI physics.soc-ph stat.AP
Constant Communities in Complex Networks
社区结构识别是网络分析中的一个基本问题。大多数社区检测算法是基于优化组合参数，例如模块化。这种优化通常是NP困难的，因此仅仅改变顶点的顺序就可以改变它们对社区的分配。然而，关于顶点排序如何影响社区发现算法结果的研究却很少。在这里，我们确定和研究的性质不变的顶点（常数社区），其分配给社区是，相当显着，不受顶点排序。恒定社区的百分比可以在不同的应用程序和经验的结果，我们提出的指标来评估这些社区。使用常数社区作为预处理步骤，可以显着减少结果的变化。最后，我们提出了一个音素网络的案例研究，并说明恒定的社区，相当引人注目的是，形成更大的社区的核心功能单位。
2013-02-23 cs.SI physics.soc-ph
Fluid Communities: A Competitive, Scalable and Diverse Community Detection Algorithm
我们介绍了一个社区发现算法（流体社区）的基础上的想法，流体在环境中相互作用，扩大和收缩的结果，相互作用。Fluid Communities基于传播方法，在计算成本和可扩展性方面代表了最先进的技术。在高效的同时，Fluid Communities能够在合成图中找到社区，其准确性接近当前最佳替代品。此外，Fluid Communities是第一个能够识别网络中可变数量社区的基于传播的算法。为了说明该算法的相关性，我们评估了流体社区发现的社区的多样性，并发现它们与其他方法发现的社区有显着不同。
2017-10-09 cs.DS cs.SI physics.soc-ph
Hyperlink communities in higher-order networks
本文将链接社区扩展为超图中的超链接社区，通过超边层次聚类揭示高阶网络的层次与多尺度结构，并支持节点重叠归属及结构角色分类。
2024-02-19 cs.SI physics.soc-ph stat.ME
Challenges in Community Discovery on Temporal Networks
社区发现是网络科学研究的热点问题之一。近年来，许多工作都集中在发现社区的时间网络，从而确定动态社区。有趣的是，动态社区不仅仅是静态社区的序列;新的挑战来自其动态性质。在本章中，我们将讨论其中的一些挑战以及最近的解决方案。我们将讨论在逐渐发展的网络中的社区事件的问题，通过变化的身份的概念，在链接流中的动态社区，动态社区的平滑度，以及不同类型的算法的复杂性。
2019-07-26 cs.SI physics.soc-ph
Error-Correcting Decoders for Communities in Networks
正如最近的工作所证明的，识别网络中的社区的任务可以被认为类似于解码沿着噪声信道传输的消息的经典问题。我们利用这个类比开发一个社区检测方法，直接受到标准和广泛使用的解码技术的启发。我们进一步简化了算法，将时间复杂度从二次降低到线性。我们测试的原始版本和简化版本的算法的性能与预先施加的社区结构的人工基准，并在真正的网络与注释的社区结构。我们的系统分析的结果表明，所提出的技术是能够提供令人满意的结果。
2019-02-03 cs.SI physics.soc-ph
Mapping memory-biased dynamics with compact models reveals overlapping communities in large networks
针对识别基于流的重叠社区需高阶关系数据却常不可得的问题，该研究利用node2vec的流模型，通过紧凑模型对记忆偏置随机游走的高阶动态约束建模，结合地图方程框架识别重叠模块，在合成及实证网络中表现稳健且可扩展至大型网络。
2025-11-12 physics.soc-ph
An upper bound on community size in scalable community detection
众所周知，基于模块化优化的社区发现方法往往不能发现小社区。因此，用于社区检测的几个目标函数涉及一个分辨率参数，允许在不同尺度上检测社区。我们提供了一个明确的上限社区规模的社区，从这些功能的优化。我们还显示了一个简单的例子，使用的分辨率参数可能会人为地迫使大型和密集连接的社区完全解体。
2011-03-29 cs.SI physics.soc-ph
Constrained Community Detection in Social Networks
网络中的社区检测是识别异常良好连接的子网络的过程，是许多应用网络分析的核心组成部分。模块化优化的范例规定了网络顶点的分区，该分区最大化组（社区）内的边缘分数与边缘随机分布时的预期分数之间的差异。模块化的目标函数采用了网络的拓扑结构专门和已被广泛研究，而社区组成的约束条件或外部信息的整合在很大程度上仍然是未开发的。我们对模块化目标函数施加惩罚函数，以规范社区的构成，并应用我们的方法在医院网络内识别医疗保健社区（HCC），使每个HCC内进行的心脏除颤器手术的数量超过最低阈值。这一限制允许通过标准化整个医院网络的心脏护理分布，在由此产生的医疗保健社区之间进行有意义的心脏护理比较。
2017-08-14 cs.SI physics.soc-ph stat.AP
Identification of hybrid node and link communities in complex networks
复杂网络中社团的识别已经成为分析复杂系统的有效手段。它在社会科学、工程学、生物学和医学等不同领域有着广泛的应用。节点社区和链路社区是网络结构分析的两种常用方法。然而，这些计划有固有的缺点，往往不足以正确地捕捉在真实的网络复杂的组织结构。我们介绍了一种新的方案和有效的方法来识别复杂的网络结构，使用混合的节点和链接社区，称为混合节点链接社区。我们的方法的一个核心部分是一个概率模型，可容纳节点，链接和混合节点链接社区。我们在各种真实世界的网络上进行了大量的实验，包括一个大型的蛋白质-蛋白质相互作用网络和一个大型的常用词语义关联网络，表明混合社区的方案在揭示网络特征方面具有优越性。此外，新的方法优于现有的方法分别找到节点或链接社区。
2013-09-18 cs.SI physics.soc-ph
Quantifying and identifying the overlapping community structure in networks
研究表明，复杂网络的社区往往是相互重叠的。然而，目前还没有有效的方法来量化重叠群落结构。在本文中，我们提出了一个度量来解决这个问题。我们的度量不是假设一个节点只能属于一个社区，而是假设一个最大的团只属于一个社区。这样，社区之间的重叠是允许的。为了识别重叠的社团结构，我们从原网络构造了一个极大团网络，并证明了我们度量在原网络上的优化等价于纽曼模块度在极大团网络上的优化.因此，重叠社区结构可以通过使用任何模块化优化方法划分最大团网络来识别。通过对人工网络和具有已知社区结构的真实网络的广泛测试，证明了我们度量的有效性。应用于词联想网络也重现了良好的效果。
2009-07-23 physics.soc-ph
Consistency landscape of network communities
社区检测的概念一直被用作处理网络中尺度结构的关键设备。适当地进行社区检测揭示了网络拓扑结构的各种嵌入式信息子结构。然而，对于社区检测的实际应用，它一直是一个棘手的问题，分配一个合理的社区决议感兴趣的网络。由于缺乏一致接受的标准，大多数以前的研究都是使用相当临时的经验来决定社区解决方案。在这项工作中，我们利用网络社区结构的一致性概念来提供网络的整体社区分辨率景观，我们最终将其用于量化给定分辨率参数的检测社区的可靠性。更确切地说，我们利用随机检测算法的结果中的模糊性，并提出了一种方法，表示社区结构的相对有效性方面的稳定性，使用多个检测过程的全球和局部不一致的措施。将我们的框架应用于合成和真实网络，我们证实它有效地显示了社区结构的深刻的基本方面。
2021-05-27 physics.data-an physics.soc-ph
Identifying Influential Nodes in Bipartite Networks Using the Clustering Coefficient
复杂网络中影响节点的识别是一个非常具有挑战性的问题。如果网络具有社区结构，则中心性度量可能无法识别完整的有影响力的节点集，因为网络的集线器和其他中心节点可能仅位于一个社区内。在这里，我们定义了一个二分聚类系数，通过考虑不同结构的集群，可以找到跨社区的重要节点。
2015-03-20 cs.SI physics.soc-ph
Multi-resolution community detection in massive networks
为了提高复杂网络中社区发现的效率和准确性，提出了一种新的社区发现算法，该算法通过比较子网络内部和外部的凝聚度来发现社区。在我们的方法中，相似的节点首先聚集成元社区，然后决定保留或合并，通过多级标签传播过程，直到他们都满足我们的社区标准。我们的算法既不需要社区的先验信息，也不需要优化任何目标函数。在合成网络和真实网络上的实验结果表明，与其他几种流行的算法相比，我们的算法性能相当好，运行速度非常快。通过调整分辨率参数，我们还可以观察不同尺度的社区，因此这可以揭示网络的层次结构。为了进一步探索该方法的有效性，我们将其应用于大肠杆菌转录调控网络，发现所有识别的模块都具有很强的结构和功能一致性。
2016-12-17 cs.SI physics.soc-ph
SLPA: Uncovering Overlapping Communities in Social Networks via A Speaker-listener Interaction Dynamic Process
重叠是社交网络的特征之一，在这种网络中，一个人可能属于一个以上的社会群体。因此，发现重叠结构对于现实的社会分析是必要的。在本文中，我们提出了一种新的，一般的框架来检测和分析个人重叠节点和整个社区。在这个框架中，节点根据动态交互规则交换标签。一个具体的实现称为扬声器-听众标签传播算法（SLPA 1）在识别重叠节点和重叠社区具有不同程度的多样性表现出优异的性能。
2011-11-10 cs.DS cs.SI physics.soc-ph
Mapping road network communities for guiding disease surveillance and control strategies
人类流动的数量、速度和范围都在增加，导致病原体通过受感染的旅行者移动和传入。了解各地区之间的联系方式、这些联系的强度以及这种联系如何转化为疾病传播，对于规划监测和设计控制和消除战略很有价值。虽然已经进行了分析，以确定和绘制全球航空、航运和移徙网络的连通性，但尚未对中低收入环境中绝大多数旅行者的公路网络进行此类分析。在这里，我们提出了确定道路连接社区，以及映射社区和关键连接路线之间的桥梁区域的方法。我们将这些应用于非洲，并显示有多少高度连接的社区跨越国界，并以整合疟疾流行率和人口数据为例，社区发生变化，突出显示与高负担地区联系最紧密的地区。所介绍的方法和结果提供了一个灵活的工具，通过绘制形成协调一致的干预单位和社区之间的关键联系路线的高度连通性地区，支持疾病监测和控制战略的设计。
2018-02-01 physics.soc-ph
A Dynamical Systems Description of Privilege, Power and Leadership in Academia: identifying barriers and paths to inclusive communities of excellent scholarship
随着高等教育的多样化，大学正在努力提供包容性的环境，在这些差异的存在下培养自由探究的精神。在极端情况下，多样性的价值受到攻击，因为少数直言不讳的学者利用公共论坛质疑某些人口群体的先天智力。在我作为天文学家的整个职业生涯中，从研究生，通过教授到系主任，我亲眼目睹了这些斗争。排外的文化导致机构所有成员-学生、管理人员和教职员工-的潜力得不到发挥，从而失去机会。如何稳步走向包容是一个尚未解决的问题，阻碍了知识本身的进步。每个科学家都知道，问题定义是问题解决的一个基本特征。这篇文章借鉴了社会和行为科学中发展起来的冲突的动力系统描述的见解，提出了一个模型，捕捉了阻碍这个问题进展的错综复杂的相互作用的挑战。这种对复杂性的描述解释了排他性文化的持续存在以及快速或简单解决办法的不足。它还促使必须采取长期和多方面的解决办法。我们的教师有责任认识到问题和解决方案的复杂性，并坚持应对这些棘手的动态。我们的政府有责任提供支持这些任务的一致结构。我们所有的选民-学生，行政和教师-都有责任认识到并响应这些努力。
2019-12-13 astro-ph.IM physics.ed-ph physics.soc-ph
Detecting network communities by propagating labels under constraints
我们研究了最近提出的标签传播算法（LPA）识别网络社区。我们重新制定的LPA作为一个等价的优化问题，给出了一个目标函数，其最大值对应于社区的解决方案。通过考虑目标函数的性质，我们发现了标签传播方法的概念和实际缺陷，最重要的是增加目标函数的值和提高社区质量之间的差距。为了解决这些缺陷，我们修改了优化问题中的目标函数，产生了各种受约束的标签传播算法;特别令人感兴趣的是最大限度地提高社区质量的模块化衡量标准的一种变体。所提出的算法的性能和实施细节进行了讨论。双方以及unipartite网络被视为。
2009-06-18 physics.data-an physics.soc-ph
Finding and testing network communities by lumped Markov chains
识别社区（或集群），即具有相对较强内部连通性的节点组，是深入理解网络结构和功能的基本任务。然而，缺乏界定社区和检验其重要性的正式标准。我们提出了一个尖锐的定义，这是基于一个显着性阈值。通过一个集总马尔可夫链模型的随机步行者，一个质量度量称为“持久性概率”相关联的集群。然后，如果这样的概率不小于$α$，则将集群定义为“$α$ -社区”。一致地，由$α$ -社区组成的分区是“$α$ -分区”。这些定义对于寻找和测试社区非常有效。如果一组候选分区可用，则设置期望的$α$级别允许立即选择具有最精细分解的$α$分区。同时，持久性概率量化了每个社区的重要性。鉴于其单独评估每个集群的质量的能力，这种方法也可以揭示单个定义明确的社区，即使在网络中，总体上不具有明确的集群结构。
2011-06-03 cs.SI physics.soc-ph
Resolution Limits for Detecting Community Changes in Multilayer Networks
多层网络捕捉跨多个交互模式或尺度的复杂系统的组件之间的成对关系。这些网络的一个重要的中尺度特征是通过它们的社区结构来测量的，社区结构定义了存在于网络层内和网络层之间的强连接节点组。由于层间边缘可以描述不同模式、尺度或时间点之间的关系，因此了解社区如何跨层变化和演变至关重要。在多层网络中检测社区的一种流行方法包括最大化称为模块性的质量函数。然而，在多层设置的模块化功能取决于层间耦合参数，$ω$，以及如何影响社区检测这个参数还没有很好地理解。在这里，我们公开了$ω$的上限，超过该上限，就无法检测到跨层的社区更改。这个上限具有非平凡的，纯粹的多层效应，并作为检测不断发展的社区的分辨率限制。此外，我们建立了一个明确的和以前未发现的单层分辨率参数，$γ$，和层间耦合参数，$ω,$，提供了新的理解的模块化参数空间之间的关系。我们的研究结果不仅代表了新的理论考虑，但也有重要的实际意义，选择层间耦合值时，使用多层网络来模拟真实世界的系统，其社区随时间或模态的变化。
2018-03-09 cs.SI physics.data-an physics.soc-ph
Detecting Cohesive and 2-mode Communities in Directed and Undirected Networks
网络是表示对象之间关系信息的通用语言。对网络进行建模、推理和总结的一种有效方法是发现具有共同连接模式的节点集。这样的集合通常被称为网络社区。网络社区发现的研究主要集中在无向网络中密集连接节点的社区识别。在本文中，我们开发了一种新的重叠社区发现的方法，可扩展到数以百万计的节点和边缘的网络，并沿两个维度推进研究：社区的连接结构，并使用边缘定向社区发现。首先，我们扩展了传统的网络社区的定义，通过观察节点可以以两种不同的方式紧密相连：在有凝聚力的社区中，节点相互链接，而在2模式社区中，节点以二分的方式链接，其中链接在两个分区之间占主导地位，而不是在它们内部。我们的方法成功地检测2模式以及凝聚力的社区，也可能重叠或分层嵌套。第二，虽然大多数现有的社区发现方法对待有向边缘，好像他们是无向的，我们的方法占边缘方向，并能够识别新的和有意义的社区结构，在有向和无向网络，使用数据从社会，生物和生态领域。
2014-01-29 cs.SI physics.soc-ph
Discovering link communities in complex networks by exploiting link dynamics
复杂网络中社区的发现是一个基本的数据分析问题，在许多领域都有应用。大多数现有的方法都集中在发现社区的节点，而最近的研究表明，网络中的链接社区的知识有很大的优势和效用。从这个新的角度来看，我们提出了一个基于链接动态的算法，称为UELC，用于识别网络的链接社区。在UELC中，链路-节点-链路随机游动的随机过程被用来展开网络中链路的嵌入式二分结构。然后，利用马尔可夫链的随机游走的局部混合属性来提取两个出现的链接社区。此外，随机游走和二分区过程被包裹在迭代细分策略中，以递归地识别将网络链路隔离成多个细分的链路分区。我们评估了新方法在合成基准上的性能，并在现实世界的网络上展示了其实用性。我们的实验结果表明，我们的方法是非常有效的发现复杂网络中的链接社区。作为比较，我们还扩展了UELC来提取节点的社区，并表明它是有效的节点社区识别。
2013-03-19 cond-mat.stat-mech cs.SI physics.soc-ph
Tolerating the Community Detection Resolution Limit with Edge Weighting
像万维网这样的巨型网络中的顶点社区很可能比网络本身小得多。然而，Mrsanato和Barthélemy已经证明，用于社区检测的模块化最大化算法可能无法解决具有少于$\sqrt{L/2}$边的社区，其中$L$是整个网络中的边的数量。这种分辨率限制导致模块度最大化算法在许多真实网络上的准确性非常差。Rumanato和Barthélemy的论证也可以扩展到带权边的网络，我们推导出这个推论。我们的结论是，加权模块化算法可能无法解决社区小于$\sqrt{W ε/2}$总边的重量，其中$W$是在网络中的总边的重量和$ε$是一个社区间边的最大重量。如果$ε$很小，那么可以解决小社区。给定一个加权或未加权的网络，我们描述了如何获得新的边权重，以实现低$ε$，我们修改了"CNM"社区检测算法，以最大限度地提高加权模块化，并表明，由此产生的算法有很大的提高准确性。在一个新兴的社区标准基准的实验中，我们发现我们简单的CNM变体与最准确的社区检测方法相比具有竞争力。
2009-10-07 physics.data-an physics.soc-ph
Link community detection through global optimization and the inverse resolution limit of partition density
我们调查的可能性，全局优化为基础的重叠社区检测，使用链接社区框架。我们首先表明，分区密度，链接社区检测方法中使用的原始质量函数，是不适合作为一个质量函数的全局优化，因为它更喜欢打破社区成三角形，除非在高度有限的条件。我们分析得出这些条件，并确认它与各种合成和现实世界的网络直接优化的计算结果。为了克服这一限制，我们提出了替代方法相结合的加权线图变换和现有的质量功能，基于节点的社区。我们提出了一个新的线图加权方案，归一化Jaccard指数。计算结果表明，使用归一化Jaccard指数生成的加权线图进行社区检测可以更准确地确定社区结构。
2016-01-19 cs.SI physics.comp-ph physics.soc-ph
Detecting hierarchical and overlapping network communities using locally optimal modularity changes
凝聚聚类是一种确定网络社区的成熟策略。社区逐渐合并为更大的社区，使行为者网络粗化为更易于管理的社区网络。合并发生的顺序一般不清楚，因此需要选择要合并的社区对。我们描述了一个层次聚类算法的基础上的局部最优属性。对于网络中的每个边缘，我们将模块化变化与其链接的社区合并相关联。对于每一个社区顶点，我们称之为首选的边缘的模块化变化是最大的。当一条边被它所链接的两个顶点所偏好时，从局部观点来看，它似乎是最佳选择。我们使用局部最优边缘来定义算法：同时合并由局部最优边缘连接的所有社区对，这将增加模块化，在每一步之后重新确定局部最优边缘，并继续只要模块化可以进一步增加。我们将该算法应用于模型和经验网络，证明它可以有效地产生高质量的社区解决方案。我们将性能和实现细节与由此产生的社区层次结构相关联。我们还考虑了一个互补的局部聚类算法，描述了如何识别重叠社区的局部最优条件的基础上。
2013-09-04 cond-mat.dis-nn cs.SI physics.soc-ph
Fast unfolding of communities in large networks
我们提出了一个简单的方法来提取大型网络的社区结构。我们的方法是一个启发式的方法，是基于模块化优化。它优于所有其他已知的社区检测方法的计算时间。此外，从所谓的模块性衡量，所发现的社区质量非常好。这是通过识别比利时260万客户的移动电话网络中的语言社区，并通过分析1.18亿个节点和超过10亿个链接的网络图来显示的。我们的算法的准确性也验证了ad-hoc模块化网络。.
2008-07-25 cond-mat.stat-mech cs.CY cs.DS
Communicability and multipartite structures in complex networks at negative absolute temperatures
我们在这里提出了一种方法，清楚地确定网络中的多部子图。该方法是基于最近推出的概念的可通信性，它非常清楚地识别社区在一个复杂的网络。我们在这里表明，而在一个积极的温度的可通性是有用的社区识别，在一个负的温度的可通性是有用的，在multipartitite子图的可通性;后一个量两个节点之间是积极的，当两个节点属于同一个子图，是负的。该方法能够发现“几乎”多方结构，其中社区间的连接大大超过内部连接。我们说明了这项工作的现实生活中的食物网和蛋白质-蛋白质相互作用网络的相关性。
2009-05-26 cond-mat.stat-mech physics.soc-ph
A neurodynamic framework for local community extraction in networks
为了了解大规模社会、生物或技术网络的结构和组织，描述和提取网络的本地社区或模块可能很有帮助。在这篇文章中，我们开发了一个神经动力学的框架来描述本地社区对应的稳态的神经系统建立在网络的基础上。描述神经动力学系统的定量标准可以涵盖大范围的目标函数。这些功能的分辨率限制，使我们能够提出一个通用的标准来探索多分辨率的本地社区。我们解释了这个框架的优点，并通过在一些模型和现实世界的网络上进行测试来说明它们。
2015-11-30 cs.SI physics.soc-ph
Finding network communities using modularity density
许多现实世界的复杂网络都呈现出一种社区结构，其中的模块对应于实际的功能单元。识别这些群落是科学家面临的一个关键挑战。一种常见的方法是搜索使质量函数最大化的网络划分。在这里，我们提出了一个最近提出的功能，即模块密度的详细分析。我们表明，它不会招致传统的模块化所遭受的缺点，它可以识别网络没有地面实况社区结构，推导出其分析依赖于一般随机图中的链接密度。此外，我们表明，模块密度允许不同大小的网络之间的比较容易，我们还提出了一些限制，基于模块密度的方法可能会受到影响。最后，我们介绍了一个有效的，二次社区检测算法的基础上模块密度最大化，验证其准确性对理论预测和一组基准网络。
2016-12-20 cond-mat.stat-mech cs.SI physics.soc-ph
Communities and Hierarchical Structures in Dynamic Social Networks: Analysis and Visualization
社交网络中社团结构的检测是社会学和行为科学领域的研究热点。社交网络也表现出动态的性质，因为这些网络随着时间的推移而不断变化。社交网络也可能呈现由在社会中扮演重要角色的个人（如管理者和决策者）领导的层级结构。这些网络的检测和可视化随着时间的推移而变化是一个具有挑战性的问题，社区的变化作为一个功能的事件发生在社会和人在其中发挥的作用，在本文中，我们解决这些问题，提出了一个系统来分析动态社交网络。该系统是基于动态图离散化和图聚类。该系统允许检测随着时间的推移在社会社区中发生的主要结构变化，并通过识别社交网络中有影响力的人来揭示等级。我们使用两个不同的数据集进行实证评估，并观察到我们的系统有助于发现有关这些社交网络中存在的社交和分层结构的有趣事实。
2014-09-17 cs.SI physics.soc-ph
Effect of size heterogeneity on community identification in complex networks
识别社区结构是分析和理解复杂网络结构的有力工具。到目前为止，用于评估识别算法的性能的方法使用具有相等大小的社区的ad-hoc网络。我们表明，社区大小的不均匀性可以而且确实会极大地影响算法的性能，并提出了一种考虑这些因素的替代方法。此外，我们提出了一个简单的修改纽曼提出的社区检测算法（物理评论E { \bf 69} 066133），它对待社区的不同大小的平等的基础上，并表明它优于原来的算法，同时保持其速度。
2006-01-19 cond-mat.dis-nn physics.comp-ph physics.soc-ph
Community detection using boundary nodes in complex networks
我们提出了一个新的本地社区检测算法，发现社区之间的边界线，使用边界节点。我们的方法执行标签传播社区检测，其中节点决定他们的标签的基础上表现出最大的“效益分数”的近邻作为吸引他们的社区。我们尝试了不同的指标，发现使用共同邻居的数量作为收益分数可以为社区结构做出更好的决策。该算法具有局部逼近的特点，在标签传播迭代过程中只关注边界节点，消除了不必要的步骤，缩短了整体执行时间。它保留了小社区以及大社区，并且在识别社区的质量方面优于其他算法，特别是当社区结构很微妙时。该算法具有分布式的性质，可以在大型网络上以并行的方式使用。
2018-08-03 cs.SI physics.soc-ph
Identifying opinion-based groups from survey data: a bipartite network approach
调查可以用二分网络表示，因为它有两种类型的节点，参与者和项目，其中参与者只能与项目交互。我们引入了一个协议阈值，以采取最小的投影共享的反应，以确定意见为基础的群体的参与者。我们表明，在美国全国大选的数据，这可以确定沿政治态度的两极分化。我们还对参与者如何回应他们的态度进行了预测。这可以用来显示不同国家或社区通常持有的态度。
2020-12-17 cs.SI physics.soc-ph
An Approach for Detecting Dynamic Communities in Social Networks
互联网和技术的最新发展在促进社会数据收集的工具方面取得了重大进展，从而为分析社交网络开辟了新的机会。社会网络分析研究社会关系的模式，旨在发现隐藏在社交网络结构中的特征。社交网络最重要的特征之一是社区结构：由个体组成的紧密联系的群体。社交网络中交互的动态性质常常挑战对这样的社区结构的检测。本论文的贡献可分为两类：第一类强调了识别随时间推移而重叠的社区的问题。为了进行这样的分析，OLCPM（在线标签传播和集团渗透方法）的框架提出。它是一种基于团渗透和标签传播方法的在线算法。OLCPM有两个主要特点：第一个是它能够发现重叠社区，而第二个是它在处理细粒度时态网络的有效性。对于第二类，它侧重于分析嵌入在不同时间尺度上的社区。例如，在电子邮件或电话等互动网络中，个人参与日常和偶尔的对话。我们提出了第一种方法在多个时间尺度上分析社区。因此，在不同的时间粒度的动态网络（链接流）进行了研究，并在一段时间内的相干社区（称为稳定社区）在每个时间粒度检测。这两种方法在合成和真实世界的数据集上进行了验证。
2022-12-05 cs.SI physics.soc-ph
Interpreting communities based on the evolution of a dynamic attributed network
人们已经提出了许多方法来检测社区，不仅在平原，而且在属性，有向甚至动态复杂网络。从建模的角度来看，要具有一定的实用性，社区结构必须相对于所研究系统的属性来表征。然而，大多数现有的工作集中在社区的检测，只有很少的尝试来解决这个解释问题。此外，现有的方法要么受到它们处理的数据类型的限制，要么受到它们输出的结果的性质的限制。在这项工作中，我们认为社区的解释作为一个独立的问题，从检测过程中，包括在确定社区的最具特色的功能。我们给出了这个问题的形式化定义，并提出了一种解决这个问题的方法。为此，我们首先定义了一个基于序列的网络表示，结合时间信息，社区结构，拓扑措施，节点属性。然后，我们描述了如何识别该数据集的最新序列模式，并使用它们来表征社区。我们研究了我们的方法在人工生成的动态属性网络上的性能。我们还在现实世界的系统上实证验证了我们的框架：科学合作的DBLP网络，以及社交和音乐互动的LastFM网络。
2015-06-15 cs.SI physics.soc-ph
Markov random walk under constraint for discovering overlapping communities in complex networks
复杂网络中重叠社区的检测是近年来相关领域研究的热点。针对这个问题，我们提出了一个基于马尔可夫动力学的算法，称为UEOC，这意味着，“展开和提取重叠社区”。在UEOC中，当识别每个自然社区重叠，马尔可夫随机游走方法结合约束策略，这是基于相应的退火网络（度守恒随机网络），执行展开的社区。然后，一个截断标准的援助的当地社区功能，称为电导，它可以被认为是社区内的边缘和那些离开它的数量之间的比率，提出了从整个网络中提取这个新兴的社区。UEOC算法只依赖于一个参数，其值可以很容易地设置，它不需要隐藏的社区结构的先验知识。建议的UEOC已在合成基准和一些现实世界的网络进行了评估，并与一组竞争算法进行了比较。实验结果表明，UEOC是非常有效的和高效的发现重叠社区。
2013-03-22 cond-mat.stat-mech cs.SI physics.soc-ph
Network Communities of Dynamical Influence
在对更大连通性的渴望的推动下，网络系统现在以前所未有的水平渗透到我们的社会中，并将以我们尚不了解的方式影响它。相比之下，大自然已经形成了高效的网络，当关键要素受到刺激时，可以激发快速反应和共识。我们提出了一种技术，通过调查系统的最主要的特征向量之间的关系，确定这些关键要素。这种方法揭示了在刺激下导致网络快速达成共识的最有效顶点，以及在其动态影响下形成的社区。在应用这种技术时，发现椋鸟群的有效性部分是由于每只鸟的低outdegree，增加外向连接的数量可以产生一个反应较弱的群体。一个更大的outdegree也影响了鸟类的位置与最大的影响，这些影响连接的鸟类变得更集中的位置，并在一个贫穷的位置，以观察捕食者，因此，煽动一个逃避机动。最后，该技术被发现在大型体素大脑连接组中是有效的，其中受试者可以从他们有影响力的社区中识别出来。
2019-10-05 cs.SI nlin.AO physics.soc-ph
Detecting communities via edge Random Walk Centrality
本文提出基于边随机游走中心性(RWC)的社区检测新方法，通过线图将节点中心性转化为边中心性，无需逐步重算，在标准网络测试及Indian Railway网络鲁棒性分析中验证了有效性。
2023-09-11 cs.SI physics.soc-ph
Super-resolution community detection for layer-aggregated multilayer networks
应用网络科学通常涉及在应用网络分析方法之前对网络数据进行预处理，这些步骤之间通常存在理论上的脱节。例如，在分析之前将时变网络数据聚合到窗口中是常见的，并且这种预处理的权衡还没有得到很好的理解。针对多层网络中小社区的检测问题，我们通过建立随机矩阵理论来研究层聚集的影响，该理论适用于具有$N$节点和$L$层的层聚集网络的模块度矩阵，这些层聚集网络来自Erdens-Rényi网络的集合.我们研究相变，其中特征向量本地化到社区（允许他们的检测），并发生在一个给定的社区提供其大小超过了可检测性限制$K^*$。当通过求和聚合层时，我们获得$K^*\varpropto \mathcal{O}(\sqrt{NL}/T)$，其中$T$是社区持续存在的层数。有趣的是，如果允许$T$随$L$而变化，则基于求和的层聚合增强了小社区发现，即使社区在层的消失部分上持续存在，只要$T/L$比$ \mathcal{O}(L^{-1/2})$衰减得更慢。此外，我们发现，在某些情况下，阈值的总和可以导致$K^*$指数衰减，减少了数量级的现象，我们称之为超分辨率社区发现。也就是说，具有阈值的层聚合是一种非线性数据过滤器，能够检测否则太小而无法检测的社区。重要的是，不同的阈值通常增强具有不同属性的社区的可检测性，这说明如果使用单个阈值分析网络数据，则社区发现可能被模糊。
2017-07-13 cs.SI physics.soc-ph
