首页/论文/0706.3880

arXiv 0706.38802007-06physics.data-anphysics.soc-ph

评估网络中的局部社区方法

Evaluating Local Community Methods in Networks

James P. Bagrow

备注：: 8 pages, 9 figures, code included with source
发表信息：: J. Stat. Mech. (2008) P05001
DOI：: 10.1088/1742-5468/2008/05/P05001

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

我们提出了一个新的基准程序，是明确的和具体的当地社区发现的方法，允许一个比较各种方法的准确性。我们将其应用于新的和现有的算法。还开发了一个简单的合成基准网络类，能够测试这些本地方法的特定属性。

英文摘要：

We present a new benchmarking procedure that is unambiguous and specific to local community-finding methods, allowing one to compare the accuracy of various methods. We apply this to new and existing algorithms. A simple class of synthetic benchmark networks is also developed, capable of testing properties specific to these local methods.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

网络社区结构模型中过拟合与欠拟合的评价

Evaluating Overfit and Underfit in Models of Network Community Structure

网络上的一个常见的数据挖掘任务是社区检测，它寻求基于网络连通性的统计特征将网络无监督地分解为结构组。虽然存在许多方法，但社区检测的“没有免费的午餐”定理意味着每种方法都会做出某种权衡，没有算法可以在所有输入上都是最优的。因此，不同的算法会在不同的输入上过度或不足，找到更多，更少或只是不同的社区，而使用元数据分区作为基础事实的评估方法将产生关于一般准确性的误导性结论。在这里，我们提出了一个广泛的评估过度和欠拟合在社区检测，比较16个国家的最先进的社区检测算法的行为上的一个新的和结构多样的语料库的406个真实世界的网络。我们发现，（i）算法在它们找到的社区数量和它们相应的组成方面都有很大的差异，给定相同的输入，（ii）算法可以根据它们在真实世界网络上的输出的相似性被聚类到不同的高级别组中，（iii）这些差异导致链接预测和链接描述任务的准确性有很大的差异。我们引入了一种新的诊断方法来评估实践中的过拟合和欠拟合，并使用它将社区检测方法大致分为一般和专门的学习算法。在各种方法和输入中，基于随机块模型和最小描述长度正则化方法的贝叶斯技术代表了最佳的通用学习方法，但在特定情况下可能会表现出色。这些结果介绍了一个理论上的原则性的方法来评估过拟合和欠拟合的网络社区结构模型和一个现实的基准，新的方法可以进行评估和比较。

2019-04-16cs.SIphysics.data-anq-bio.MN

Bridge Bounding：复杂网络中有效社区发现的局部方法

Bridge Bounding: A Local Approach for Efficient Community Discovery in Complex Networks

在过去的几年中，Web 2.0应用程序的重要性日益增加，这使得人们对用于分析和描述Web中的集体用户活动和新兴现象的工具产生了极大的兴趣。网络结构已被广泛采用，在这方面的建模用户，网络资源和它们之间的关系。然而，现代网络系统产生的数据量导致网络具有前所未有的规模和复杂性，因此很难解释。为此，社区检测方法试图通过分析其包含网络的拓扑结构来揭示Web对象的自然分组。有许多技术采用全局视角来解决社区检测问题，即它们在完整的网络结构上操作，因此计算昂贵并且难以以流式传输方式应用。为了增加一个本地的角度来研究这个问题，我们提出了桥定界，社区检测的本地方法，它探讨了一个种子节点周围的本地网络拓扑结构，以确定边缘作为边界的本地社区。所提出的方法可以集成在一个高效的全球社区检测计划，媲美最先进的状态。作为一个案例研究，我们应用该方法来探索的主题结构的LYCOS iQ协作问答应用程序通过检测社区中创建的网络从集体标记活动的用户。

2009-02-05physics.data-anphysics.soc-ph

利用局部结构信息增强社区检测

Enhancing community detection by local structural information

许多现实世界的网络，如基因网络，蛋白质-蛋白质相互作用网络和代谢网络表现出社区结构，这意味着网络中存在密集连接的顶点组。网络中的许多局部相似性度量与社区结构的概念密切相关，对网络中的社区发现有积极的作用。在这里，各种局部相似性措施被用来提取局部结构信息，然后被应用到社区检测网络中使用的边缘重加权策略。社区检测的局部相似性措施的效果进行了仔细研究，并在各种网络中进行了比较。实验结果表明，局部相似性度量对社区检测方法的改进至关重要，而局部相似性度量的积极效果与所研究的网络和所应用的社区检测方法密切相关。

2016-01-04cs.SIphysics.data-anphysics.soc-ph

一种基于模块度的大规模社区发现的智能局部移动算法

A smart local moving algorithm for large-scale modularity-based community detection

我们介绍了一种新的算法，在大型网络中基于模块的社区检测。该算法，我们称之为智能本地移动算法，利用了一个众所周知的本地移动启发式，也被其他算法使用。与其他算法相比，我们提出的算法使用本地移动启发式在一个更复杂的方式。基于对一组不同网络的分析，我们证明了我们的智能局部移动算法识别出的社区结构具有比其他大规模模块化优化算法更高的模块化值，其中包括Blondel等人（2008）介绍的流行的“Louvain算法”。我们的算法的计算效率使得它可以在网络中执行社区检测与数以千万计的节点和数亿条边。我们的智能本地移动算法在中小型网络中也表现良好。在很短的计算时间内，它识别出的社区结构的模块化值与文献中报道的最高值一样高，或几乎一样高，有时甚至高于文献中发现的最高值。

2013-08-29cs.SIphysics.data-anphysics.soc-ph

在网络中寻找局部社区结构

Finding local community structure in networks

虽然网络中的全局社区结构的推断最近已经成为物理界非常感兴趣的话题，但所有此类算法都要求图是完全已知的。在这里，我们定义了一个衡量当地社区结构和算法，推断出社区的层次结构，包围一个给定的顶点，探索图形一个顶点的时间。当$d$是平均度，k是要探索的顶点数时，该算法对一般图的时间复杂度为O（d*k^2）。对于探索一个新顶点是耗时的图，运行时间是线性的，O（k）。我们表明，在计算机生成的图形，这种技术相比，有利的算法，需要全局知识。我们还使用该算法提取有意义的局部聚类信息的大型推荐网络的在线零售商和介观结构的存在。

2005-03-04cond-mat.dis-nnphysics.data-anphysics.soc-ph

网络上的抽样：估计光谱中心性测度及其在评价其他相关网络测度中的影响

Sampling on networks: estimating spectral centrality measures and their impact in evaluating other relevant network measures

我们进行了广泛的分析如何抽样影响几个相关的网络措施的估计。特别是，我们专注于如何采样策略优化，以恢复一个特定的光谱中心性措施影响其他拓扑数量。我们的目标是一方面扩展TCEC [Ruggeri2019]行为的分析，TCEC是一种用于特征向量中心估计的理论基础采样方法。另一方面，为了更广泛地展示采样如何影响相关网络属性的估计，例如不同于旨在优化的中心性度量，社区结构和节点属性分布。最后，我们适应TCEC背后的理论框架的情况下，PageRank中心，并提出了一个抽样算法，旨在优化其估计。我们表明，虽然理论推导可以适当地适应，以涵盖这种情况下，所得到的算法遭受的高计算复杂性，需要进一步的近似相比，特征向量中心的情况下。

2020-03-10cs.SIphysics.data-anphysics.soc-ph

更多相关论文收起更多论文

多层网络社区结构的局部视角

A Local Perspective on Community Structure in Multilayer Networks

多层网络的分析是网络科学中最活跃的领域之一，现在有几种方法可以检测多层网络中节点的密集“社区”。定义社区的一种方法是将其定义为一组节点，这些节点在很长一段时间内捕获了类似扩散的动态过程（通常是随机游走）。在这种观点中，社区是一组节点，它们对网络上动态过程的传播产生瓶颈。我们分析了多重网络（这是多层网络，其中不同的层对应于不同类型的边缘）上不同的随机游走的局部行为，并表明它们具有非常不同的瓶颈，因此对应于相当不同的概念，这意味着一组节点是一个很好的社区。这对基于这些随机游走的社区检测方法的行为有直接的影响。

2016-05-22cs.SImath.PRnlin.AO