Community detection in network using Szegedy quantum walk
National Institute of Technology Agartala（阿加塔拉国立技术学院）
本文提出利用Szegedy量子行走方法，通过量子行走的极限概率分布发现网络中的社区结构。
2026-02-09 cs.SI math.CO physics.soc-ph
Synwalk -- Community Detection via Random Walk Modelling
Graz University of Technology（格拉茨技术大学）；Know-Center GmbH（Know-Center 有限公司）
复杂系统在日常生活中无处不在，抽象地表示为网络。分析和理解这些系统需要社区发现工具等。由于不可能存在单一的最佳社区发现算法，因此期望跨各种各样的问题设置的鲁棒性。在这项工作中，我们提出了Synwalk，一个基于随机行走的社区发现方法。Synwalk建立在坚实的理论基础上，通过从一类候选随机游走中合成给定网络引起的随机游走来检测社区。我们彻底验证了我们的方法的有效性合成和经验网络，分别，并比较Synwalk的性能与性能的信息地图和Walktrap。我们的研究结果表明，Synwalk在具有不同混合参数和度分布的网络上具有鲁棒性。我们在具有高混合参数的网络上优于Infomap，在具有许多小社区和低平均度的网络上优于Infomap和Walktrap。我们的工作有可能激发进一步发展的社区发现通过合成的随机游动，我们为未来的研究提供了具体的思路。
2021-01-21 cs.LG cs.SI physics.soc-ph
Evaluating community structure in large network with random walks
社团结构是网络的重要性质之一。大多数社区算法由于其耗时而不适合大型网络。事实上，有很多网络都有数百万甚至数十亿个节点。在这种情况下，大多数算法运行时间为O（n2logn）甚至更大是不实际的。我们需要的是线性或近似线性的时间算法。针对这一需求，本文提出了一种快速评估网络社团结构的方法，并在此基础上提出了一种基于随机游动的近似线性时间的局部社团算法。使用我们的社区评价方法，我们可以发现一些与以前使用的方法不同的结果，即，纽曼模块化我们的算法在小规模的基准网络中是有效的，精度比更复杂的算法低，但对于大型网络，特别是超大型网络，在时间上有很大的优势。
2013-01-12 cs.SI physics.soc-ph
Community detection in multiplex networks using locally adaptive random walks
多重网络是一种特殊类型的多层网络，越来越多地应用于从社交媒体分析到生物学的许多领域。在这些应用程序中的一个共同的任务涉及社区结构的检测。许多现有的多路复用中的社区发现算法试图检测由所有层共享的社区。在这篇文章中，我们提出了一个社区发现算法，LART（局部自适应随机转换），用于检测社区共享的一些或所有层的复用。该算法是基于一个随机游走的多重，和定义的随机游走的转移概率被允许依赖于在任何给定的节点，以促进社区的探索层之间的局部拓扑相似性。基于这种随机游走，推导出节点相异性度量，并基于该距离以分层方式对节点进行聚类。我们目前的实验结果，使用网络模拟在各种情况下，展示LART的性能相比，相关的社区发现算法。
2015-07-20 cs.SI physics.soc-ph stat.ML
Maximal entropy random walk in community finding
本文的目的是检查的可行性，使用最大熵随机游走算法发现复杂网络中的社区。许多这样的算法利用普通的或有偏的随机游走用于此目的。它们的关键部分是一个（不）相似性矩阵，根据该矩阵对节点进行分组。本研究包括使用随机游动的随机矩阵，其平均首次通过时间矩阵，和加权路径计数矩阵。我们简要地指出这些数量之间的联系，并建议用最大熵随机游走代替以前选择的模型。这种独特的随机游走使给定长度和端点的路径集合的熵最大化，这导致这些路径的等概率。我们比较所选算法的性能LFR基准图。结果表明，性能的变化非常强烈地依赖于特定的算法，并可能导致轻微的改善以及显着恶化。
2012-08-17 cond-mat.dis-nn cond-mat.stat-mech physics.soc-ph
Network community detection and clustering with random walks
我们提出了一种新的方法来划分网络节点到不重叠的社区-揭示网络模块化和层次组织的关键一步。我们的方法，适用于网络的加权和未加权的对称边缘，使用随机游走，以探索在同一社区的相邻节点。步行似然算法（WLA）产生一个最佳的网络节点划分成一个给定数量的社区。步行似然社区发现者（WLCF）采用WLA来预测社区的最佳数量和相应的网络分区。我们对这两种算法进行了广泛的基准测试，发现它们在预测分区的模块化程度和社区之间的链接数量方面优于或匹配其他方法。利用我们的方法的计算效率，我们调查了科罗拉多州的道路和交叉口的大规模地图。我们的聚类在相邻社区之间产生了地理上合理的边界。
2022-02-22 physics.soc-ph q-bio.QM
Community detection in networks using self-avoiding random walks
不同类型的随机游动在复杂网络的结构特性研究中被证明是有用的。其中，自避免随机游动（SAW）的限制动力学，在同一个行走中的每个顶点最多只访问一次，已被成功地用于网络探索。网络中强连通顶点社区的检测仍然是一个开放的问题，尽管它的重要性，由于相关的优化问题的高计算复杂性和缺乏一个唯一的正式定义的社区。在这项工作中，我们提出了一种基于SAW的方法来提取网络的社区分布，并表明它实现了很高的模块化分数，特别是对于现实世界的网络。我们结合SAW与主成分分析来定义用于凝聚层次聚类的相异性度量。为了评估该方法的性能，我们将其与四种流行的社区检测方法进行比较：Girvan-Newman，Fastgreedy，Walktrap和Infomap，使用两种类型的合成网络和六个着名的真实案例。
2018-01-21 cond-mat.stat-mech cs.SI physics.soc-ph
Emergence of community structures through biased random walks rewiring
社区结构已经在各种复杂的现实世界网络中被识别出来，例如，通信，信息，互联网和股东网络。群落规模分布的尺度性反映了网络拓扑结构的异质性。现有的网络生成或生长模型能够再现网络的一些性质，包括度分布、大聚类系数和社区。然而，社区规模的缩放行为缺乏调查，特别是从本地相互作用的角度。基于异构节点行为不同导致网络拓扑位置不同的假设，我们提出了有向网络中设计随机游动的模型来解释观测网络中的特征.该模型强调了两种不同的动力学可以模拟局部相互作用，并且在再现真实复杂网络的特征时，隐藏层是必不可少的。该模型可以解释的关键特征包括社区规模分布、度分布、渗流性质、平均路径长度分布以及上述性质对数据中节点标签的依赖性。
2022-07-08 math.DS physics.soc-ph
Ant Colony Optimization with a New Random Walk Model for Community Detection in Complex Networks
从复杂网络中发现社区最近引起了人们的极大兴趣。针对这一问题，提出了一种基于马尔可夫随机游走理论的蚁群优化策略MACO。该算法以蚁群优化框架为基本框架。在每次迭代中，采用马尔可夫随机游走模型作为启发式规则，通过聚类集成的思想将所有蚂蚁的局部解聚合为一个全局解，然后利用全局解更新信息素矩阵.该战略依赖于逐步加强社区内部的联系和削弱社区之间的联系。逐渐地，这收敛到一个解决方案，在这个解决方案中，复杂网络的底层社区结构将变得清晰可见。建议的MACO已评估合成基准和一些现实世界的网络，并与一些目前的竞争算法。实验结果表明，MACO是非常有效的发现社区。
2013-03-24 cs.SI physics.soc-ph
EntropyWalker, a Fast Algorithm for Small Community Detection in Large Graphs
这份报告提出了一个非常简单的算法，用于在大型图中进行社区检测，例如允许的最小和最大成员数。该算法是基于随机游走的模拟和测量的熵，每个随机游走检测社区的发现。
2015-05-10 cs.SI physics.soc-ph
Metadata-informed community detection with lazy encoding using absorbing random walks
整合结构信息和元数据，如性别、社会地位或兴趣，丰富了网络，使人们能够更好地理解复杂系统的大尺度结构。然而，现有的元数据集成方法只考虑直接相邻的节点，从而无法识别和利用元数据和网络结构之间的长期相关性，这是许多空间和社会系统的典型特征。在这里，我们展示了基于流的社区检测方法如何整合网络信息和远程元数据，提供更细致入微的网络结构和相关性。我们使用地图方程框架分析社交和空间网络，发现我们的方法可以检测不同现实世界系统中各种有用的元数据信息分区。该框架为系统地将元数据纳入网络分析铺平了道路。
2021-11-09 cs.IT math.IT physics.data-an
Computing communities in large networks using random walks (long version)
稀疏图的稠密子图（社区）在现实世界的复杂网络中有着重要的作用。然而，计算它们通常是昂贵的。我们在这里提出了一种基于随机游走的顶点之间的相似性度量，它具有几个重要的优点：它很好地捕捉了网络中的社区结构，它可以有效地计算，并且它可以用于凝聚算法来有效地计算网络的社区结构。我们提出了这样一个算法，称为Walktrap，在最坏的情况下，它在时间O（mn^2）和空间O（n^2）中运行，在大多数真实情况下，时间O（n^2log n）和空间O（n^2）（n和m分别是输入图中的顶点和边的数量）。广泛的比较测试表明，我们的算法超过以前提出的关于所获得的社区结构的质量，它的运行时间是最好的。
2005-12-12 cond-mat.dis-nn cond-mat.stat-mech physics.soc-ph
Flow-based Community Detection in Hypergraphs
为了将系统的结构、动力学和功能与多体相互作用联系起来，网络科学家在超图上对随机漫步进行建模，并识别出长期限制漫步的社区。两种基于流的社区检测方法马尔可夫稳定性和地图方程基于不同的原则和搜索算法来识别这样的社区。但由此产生的社区有多相似呢？我们解释了这两种方法的机械应用到超图，并比较他们在合成和现实世界的超图使用各种超边大小有偏随机游动和时间尺度。我们发现，地图方程是更敏感的时间尺度的变化和马尔可夫稳定性是更敏感的超边尺寸偏差。
2021-05-10 physics.soc-ph
Community detection based on first passage probabilities
社区发现对于理解复杂网络的拓扑特征和传播动态具有重要意义。随机游走被广泛应用于社区发现算法中，但仍存在两个主要缺陷：（1）如果使用所有可能随机游走的平均步长，则随机游走的最大长度太大，无法区分聚类信息;（2）如果使用预先分配的最大长度，则在所有其他步长处都错过了有用的社区信息。在本文中，我们提出了一种新的社区检测方法的基础上的第一次通过概率（FPPM），配备了一个新的相似性度量，包括完整的结构信息的最大步长。这里选择网络的直径作为随机游动的一个合适的边界，它对不同的网络是自适应的。然后，我们使用层次聚类分组的顶点到社区，并进一步选择相应的模块度值的最佳划分。最后，设计了一种后处理策略，对不合理的小社区进行整合，显著提高了社区划分的准确性。令人惊讶的是，数值模拟表明，FPPM表现最好的几个经典算法相比，在合成基准和现实世界的网络，这表明我们的方法的通用性和有效性。
2020-05-05 cs.SI physics.soc-ph
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。
2016-05-22 cs.SI math.PR nlin.AO
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
Non-parametric resampling of random walks for spectral network clustering
最近在复杂网络分析中引入了参数重新分配方案，目的是评估图聚类的统计意义和社区划分的鲁棒性。本文提出了一种基于图上无偏随机游走转移矩阵的非参数重构来复制复杂网络结构特征的方法。我们在合成和真实世界的模块化网络上测试了这种自举技术，我们表明，通过重新搜索获得的复制的集合可以用来提高标准光谱算法的性能，用于社区检测。
2013-11-19 cs.SI physics.soc-ph stat.AP
A new method for quantifying network cyclic structure to improve community detection
网络中社区的一个显著特性是，社区内的循环比社区间的循环更普遍。因此，这些社区的检测可以通过结合循环结构的局部“丰富度”的测量来帮助。在本文中，我们引入更新非回溯随机游动（RNBRW）作为量化这种结构的一种方式。RNBRW为每条边赋予一个权重，该权重等于非回溯随机游走与该边完成一个循环的概率。因此，具有较大权重的边可以被认为对循环的形成更重要。值得注意的是，由于可以并行执行单独的随机游走，因此可以非常快速地估计RNBRW权重，即使对于大型图也是如此。我们给出的仿真结果表明，预加权边缘通过RNBRW可以大大提高常见的社区发现算法的性能。我们的结果表明，RNBRW对于检测稀疏图中的社区的挑战性情况特别有效。
2019-10-18 cs.SI physics.soc-ph
Robustness of community structure to node removal
模块化结构的识别是必不可少的表征真正的网络形成的中观层次的组织集群包含具有高的内部连通度的节点。人们已经开发了许多方法来揭示社区结构，但只有少数研究探讨了它们在不完全网络中的适用性。在这里，我们评估了采样过程中生成的不完整网络中社区检测技术的准确性。我们表明，步行陷阱和快速贪婪算法是高度准确的检测模块化结构的不完整的复杂网络，即使他们的许多节点被删除。此外，我们实现了一种方法，提高了walktrap和快速贪婪算法的时间性能，同时保持了识别节点社区成员的准确率。总之，我们的研究结果表明，这种新方法可以应用于加速几乎任何社区检测方法在密集的复杂网络，因为它是相似性网络的情况下。
2015-02-06 cs.SI 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
An adaptation of InfoMap to absorbing random walks using absorption-scaled graphs
受疾病传播动态启发，本文通过吸收缩放图和 Markov 时间扫描将 InfoMap 适配于吸收随机游走，证明该方法能揭示异质节点吸收率对网络社区结构及 SIR 动态的重要影响。
2024-04-23 cs.LG cs.SI math.PR
Semi-Supervised Community Detection via Quasi-Stationary Distributions
针对两平衡社区的PL-SBM半监督社区检测场景，提出基于随机游走拟平稳分布的分类方法，证明该类算法在连通区域达最优错误率，实验验证其在真实与模拟数据集上性能更优。
2024-12-13 cs.SI math.ST physics.soc-ph
Maps of sparse Markov chains efficiently reveal community structure in network flows with memory
为了更好地理解思想或信息在社会和生物系统中的流动，研究人员开发了揭示网络流动重要模式的地图。在实践中，网络流模型隐含了无记忆的一阶马尔可夫链，但最近研究人员引入了具有记忆的高阶马尔可夫链模型来捕获多步路径中的模式。高阶模型对于有效地揭示实际的、重叠的社区结构特别重要，但是高阶马尔可夫链模型遭受维度灾难：它们庞大的参数空间需要指数增长的数据来避免过度拟合，因此对于中等规模的系统来说，映射效率已经很低了。为了克服这个问题，我们引入了一个有效的交叉验证映射方法的基础上，稀疏马尔可夫链建模的网络流。为了说明我们的方法，我们提出了一个地图的引用流在科学与研究领域重叠的多学科期刊。与目前科学学研究中使用的类别相比，研究领域形成了更好的分析单位，因为地图更有效地捕捉了思想如何通过科学流动。
2016-06-27 cs.SI physics.soc-ph
Modeling financial transactions via random walks on temporal networks
Intesa Sanpaolo（圣保罗银行）；Department of Physics, Universitá di Torino（都灵大学物理系）；Institut de Física Interdisciplinària i Sistemes Complexos (IFISC, CSIC-UIB)（跨学科物理学与复杂系统研究所 (IFISC, CSIC-UIB)）；Department of Engineering, Universitat Pompeu Fabra（庞培法布拉大学工程学院）
本文通过时间网络的随机游走建模金融交易，推导出厚尾分布并再现流入流出相关性，揭示货币流通的涌现特性。
2026-02-24 physics.soc-ph
Random Walks, Markov Processes and the Multiscale Modular Organization of Complex Networks
大多数发现复杂网络中社区的方法依赖于组合图的性质。通常，与空随机图模型相比，边计数质量函数（例如模块性）在图的所有分区上进行优化。在这里，我们介绍了一个系统的动态框架，设计和分析各种各样的质量功能的社区检测。划分的质量是通过其马尔可夫稳定性来衡量的，马尔可夫稳定性是一个时间参数化函数，根据图上发生的马尔可夫过程的统计特性定义。马尔可夫过程提供了对图中所有尺度的动态扫描，而时间尺度是一个内在参数，可以以不同的分辨率揭示社区。这种基于动态的社区检测导致了复合优化，它有利于具有可比中心性的社区（如由固定分布定义的），并为谱算法提供了统一的框架，以及用于社区检测的不同算法，包括模块化和Potts模型的版本。我们的动态框架创建了一个系统的不同的随机动态之间的联系，并根据不同的（节点和边缘）中心的最佳社区的相应概念。我们表明，马尔可夫稳定性可以有效地计算，以找到大型网络中的多尺度社区结构。
2015-02-15 cond-mat.stat-mech cs.SI physics.soc-ph
Unveiling community structures in weighted networks
简单图上的随机游走与电阻网络的连接导致马尔可夫链的定义与转移概率矩阵的电导。我们将这个定义扩展到一个有效的转移矩阵$P_{ij}$，以说明从顶点$i$到原始连通图$G$的任何顶点$j$的概率。此外，我们提出了一个算法的基础上定义的有效的过渡矩阵之间的顶点在网络中提取的拓扑特征有关的方式图$G$已组织。该拓扑特征对应于图中的社区。
2007-03-07 cond-mat.stat-mech physics.data-an physics.soc-ph
Steady state and mean recurrence time for random walks on stochastic temporal networks
随机游走是网络上的基本扩散过程，在搜索、导航、排名和社区检测等方面都有应用。最近认识到的重要性，时间方面的网络刺激的研究随机游动的时间网络。在这里，我们从理论上研究了两种类型的事件驱动的随机游动的随机时间网络模型，产生任意分布的interevent-times。在所谓的主动随机游走中，在步行者的每次移动时，在所有链路上重新初始化间隔时间。在所谓的被动随机游走中，只在上次使用过的链路上重新初始化间隔时间，这是一种相关随机游走。我们发现，对于被动随机游动，定态总是均匀密度。相反，对于主动随机游动，它的增加或减少取决于间隔时间的分布的节点的度。对于主动和被动随机游动，节点的平均递归时间与度成反比。此外，对于主动随机游动和被动随机游动，平均重现时间分别取决于或不取决于间隔时间的分布。
2015-01-13 cond-mat.dis-nn cs.SI physics.soc-ph
Random walks and diffusion on networks
随机游动在科学中无处不在，从理论和实践的角度来看，它们都很有趣。它们是随机过程中最基本的类型之一;可用于模拟许多现象，包括人类和动物之间的扩散，相互作用和意见;并可用于提取有关网络中重要实体或密集实体组的信息。几十年来，人们一直在研究规则格和（特别是最近几十年）具有各种结构的网络上的随机游动。在这篇文章中，我们综述了网络上随机游动的理论和应用，仅限于单随机游动和非自适应随机游动的简单情况。我们区分了三种主要类型的随机游动：离散时间随机游动，以节点为中心的连续时间随机游动和以边缘为中心的连续时间随机游动。我们首先简要地研究了直线上的随机游动，然后考虑各种类型网络上的随机游动。我们广泛讨论了随机游走的应用，包括节点的排名（例如，PageRank）、社区检测、响应者驱动的采样和意见模型（如投票者模型）。
2020-04-09 cond-mat.dis-nn cs.SI physics.soc-ph
Gaussian Networks Generated by Random Walks
我们提出了一个基于随机游动的模型来生成复杂网络。许多作者研究和开发了不同的方法和工具来分析复杂网络的随机游走过程。仅举几例，随机游走已被用于执行社区检测，探索任务和研究时间网络。此外，它们也被用来生成无标度网络。在这项工作中，我们定义了一个随机步行者，扮演的角色“边生成器”。特别地，随机游走器生成新的连接，并使用这些连接访问网络的每个节点。因此，该模型允许实现具有高斯度分布的网络，而且，一些特征如聚类系数和非线性度表现出临界行为。最后，我们进行了数值模拟研究的行为和所引用的模型的属性。
2014-04-06 cond-mat.stat-mech cs.SI physics.soc-ph
Maximal-entropy random walk unifies centrality measures
在本文中，不同的相似性矩阵之间的类比。这些矩阵，连接到路径枚举和随机游动，用于社区检测方法或计算复杂网络的中心性措施。重点是一些已知的中心性措施，继承了相似性矩阵建立的连接。这些措施是基于主特征向量的邻接矩阵，路径枚举，以及对平稳状态，随机矩阵或平均首次通过时间的随机游动。特别注意的是最大熵随机游走，这是一个非常独特的替代普通的随机游走在网络分析中使用。各种重要性的措施，定义与使用普通的随机游走和最大熵随机游走，数值上的一组基准图进行比较。结果表明，定义为两个随机游动的中心性措施组聚类成两个独立的家庭。特别是，最大熵随机游走的中心群，连接到特征向量中心和路径枚举，是强烈不同于所有其他措施，并产生很大程度上等效的结果。
2012-08-30 cond-mat.dis-nn cond-mat.stat-mech cs.SI
Walking through a library remotely - Why we need maps for collections and how KnoweScape can help us to make them?
信息的膨胀无处可逃，因此构建和定位有意义的知识变得越来越困难。如何整理我们的知识的问题与知识的系统获取、流通和储存一样古老。分类系统自古以来就为人们所知。在互联网上，人们可以找到由信息专业人员设计的分类法和分类法，以及基于社会标签的民间分类法。然而，用户在大的信息空间中导航仍然面临基于文本的搜索界面和作为结果的命中列表。例如，在实际接触图书馆的藏书与通过联机目录浏览其内容之间仍有明显的差距。本文从数字学术对有效知识查询的需求出发，回顾了支持知识排序和信息检索的传统方法，并介绍了一个新资助的研究网络，其中来自科学领域各个角落的五个不同社区联合起来寻求知识地图。它可以被解读为一个新资助的特定研究网络KnoweScape的宣言。与此同时，它也是一种普遍的思考，即在表述数据、信息和知识的结构和演变以及设计工具帮助学者和其他人在知识的海洋中航行时，必须考虑到什么。
2015-01-20 cs.DL physics.soc-ph
Community Structure aware Embedding of Nodes in a Network
检测社区或现实生活网络（例如社交网络或产品购买网络）的模块化结构是一项重要任务，因为网络的功能通常由其社区决定。社区发现的传统方法涉及基于模块的算法，一般来说，基于寻求最大化分区内的边缘与它们之间的边缘的比率的算法来构造分区。另一方面，节点嵌入方法将图中的每个节点表示为实值向量，从而能够将图中的社区发现问题转化为对一组向量进行聚类的问题。现有的节点嵌入方法主要基于，首先，从每个节点发起随机游走以构造节点的上下文，然后使节点的向量表示接近其上下文。然而，标准的节点嵌入方法在构建每个节点周围的上下文时并不直接考虑网络的社区结构。为了缓解这种情况，我们探索了两个不同的工作线程。首先，我们研究了使用基于最大熵的随机游走来获得更多的中心保持嵌入的节点，这可能会导致更有效的集群在嵌入空间。其次，我们提出了一个社区结构感知的节点嵌入方法，我们将基于模块化的分区算法到节点嵌入的目标函数。我们证明，我们提出的组合和嵌入方法的组合，用于社区发现优于一些基于模块的基线和K-均值聚类的标准节点嵌入（node 2 vec）向量空间上广泛的现实生活和合成网络的不同大小和密度。
2020-06-27 cs.SI physics.soc-ph
Community detection by label propagation with compression of flow
标签传播算法（LPA）已被证明是一种快速而有效的方法来发现大型复杂网络中的社区。然而，它的性能受到问题的非稳定和平凡的解决方案。在本文中，我们提出了一种改进的标签传播算法LPAf有效地检测网络中的社区结构。代替基本LPA的多数表决规则，LPAf通过考虑网络上随机游走描述的压缩来更新节点的标签。一个多步贪婪凝聚策略，使LPAf逃脱局部最优。此外，还采用了不完全更新条件来加快收敛速度。在合成网络和真实网络上的实验结果证实了该算法的有效性。
2016-11-07 cs.SI physics.data-an physics.soc-ph
On Accuracy of Community Structure Discovery Algorithms
复杂网络中的社区结构发现是一个非常具有挑战性的问题，它涉及到生物学、社会网络和物理学等多个学科。从各种方法中出现了许多算法已经提出来解决这个问题。然而，很少有人关注比较他们的效率在现实的模拟数据。为了更好地了解它们的相对性能，我们系统地评估了涵盖主要方法的11种算法。标准化互信息（NMI）度量用于评估从具有真实拓扑特性的受控人工网络中发现的社区结构的质量。结果表明，随着网络规模，社区内的平均比例社区间的链接是最有影响力的性能参数。总体而言，“Infomap”是领先的算法，其次是“Walktrap”，“SpinGlass”和“Louvain”，它们也实现了良好的一致性。
2011-12-18 cs.SI physics.soc-ph
Random walks in time-varying networks with memory
网络中的随机游走过程在理解节点的重要性和相似性方面起着基础性的作用，在PageRank、信息检索、社区检测等方面有着广泛的应用。个体的记忆被证明是影响网络演化和网络动态过程的重要因素。在本文中，我们研究了扩展的活动驱动网络模型上的随机行走过程，该模型考虑了个体的记忆。我们分析了当随机游走过程和网络演化的时间尺度相当时，个体记忆如何影响网络上随机游走过程的展开。在长时间演化的约束下，我们得到了定态分布Wa和随机行走过程的平均首次通过时间（MFPT）的解析解。我们发现，与无记忆活动驱动模型相比，个体记忆增强了度分布的波动性，降低了节点聚集步行者的能力，特别是在大活动的情况下，并延迟了平均首次通过时间。真实网络上的结果也支持了人工网络的理论分析。
2020-05-19 physics.soc-ph
Map equation for link community
社区结构存在于许多现实世界的网络中，并已被报道与网络的几个功能属性。传统的方法是将节点划分为社区，而最近的一些研究开始划分链接而不是节点，以有效地找到重叠的节点社区。我们扩展了地图方程方法，这是最初开发的节点社区，在网络中找到链接社区。在不同类型的网络上进行测试，并与网络元数据进行比较，结果表明该方法能够有效地识别节点的角色重叠。该方法的优点是通过测量网络中除社团结构外的未知信息，可以定量地比较节点社团方案和链路社团方案。它可以用来定量地决定是否应该使用链路社区方案来代替节点社区方案。此外，由于该方法是基于随机游动的，因此可以很容易地推广到有向网络和加权网络。
2011-08-12 cond-mat.stat-mech cs.SI physics.soc-ph
Supervised and Extended Restart in Random Walks for Ranking and Link Prediction in Networks
给定一个真实世界的图，我们如何衡量排名和链接预测的相关性分数？带重启的随机游走（RWR）为此提供了极好的测量，并且已经应用于各种应用，诸如朋友推荐、社区发现、异常检测等。然而，RWR遭受两个问题：1）对所有节点使用相同的重新开始概率限制了随机游走的表现力，以及2）在没有理论证明的情况下，需要为每个应用手动选择重启概率。我们在本文中有两个主要贡献。首先，我们提出了带扩展重启的随机游走（RWER），这是一种基于随机游走的度量，通过对每个节点使用不同的重启概率来提高随机游走的表达能力。改进的表现力导致了更高的排名和链接预测的准确性。其次，我们提出了SuRe（监督重启RWER），从给定的图学习RWER的重新启动概率的算法。SuRe消除了为RWER手动选择重启参数的需要。大量的实验表明，我们提出的方法提供了最好的性能排名和链接预测任务，提高MAP（平均平均精度）的最佳竞争对手高达15.8%。
2017-10-18 cs.SI physics.soc-ph
Community-based Immunization Strategies for Epidemic Control
了解流行病的动态，并找到有效的技术来控制它，是一个具有挑战性的问题。针对目标免疫策略已经做了大量的研究，利用各种全球网络拓扑属性。然而，在实践中，可能无法获得关于联络网络全球结构的信息。因此，需要能够处理网络结构的有限知识的免疫策略。在本文中，我们提出了有针对性的免疫策略，只需要在社区一级的信息。我们的调查结果的SIR流行病模型，使用一个现实的合成基准与控制的社区结构，表明社区结构起着重要的作用，在流行病的动力学。一个广泛的比较评价表明，拟议的战略是最有影响力的全球中心性的免疫战略，尽管它们使用的信息量有限的有效性。此外，它们优于其他局部策略，后者对网络结构不可知，并基于随机游走做出决策。
2014-11-23 cs.SI physics.soc-ph
Single-trajectory map equation
本文重新审视 map equation，提出其 single-trajectory map equation 原始形式，以揭示随机游走稳态极限下隐藏的机制，并获得更均衡、更不易过拟合的社区结构。
2023-04-23 cs.SI physics.soc-ph
Random walk in degree space and the time-dependent Watts-Strogatz model
在这项工作中，我们提出了一个计划，提供了一些网络的时间依赖度分布的分析估计。该方案将问题映射为度空间中的随机行走，然后我们选择负责主导贡献的路径。该方法的动态版本的Erdös-Rényi和Watts-Strogatz图，这是作为静态模型在原来的配方。我们已经成功地获得了动力学Watts-Strogatz模型的解析形式，这是渐近精确的某些制度。
2017-01-24 cond-mat.stat-mech cs.SI physics.soc-ph
CONE: Community Oriented Network Embedding
社区检测一直是网络研究的热点。它通常被建模为图上的无监督聚类问题，基于对社区特征的启发式假设，如边缘密度和节点同质性。在这项工作中，我们怀疑这些广泛采用的假设的普遍性，并将人类标记的社区与通过各种主流算法获得的机器预测的社区进行比较。基于支持性的结果，我们认为，社区是由各种社会模式和无监督学习的基础上，数学是无法捕捉所有这些。因此，我们建议通过面向社区的网络嵌入（CONE）将监督注入社区发现中，CONE利用有限的地面实况社区作为示例来学习嵌入模型，了解它们背后的社会模式。具体来说，通过将递归神经网络与图上的随机行走相结合，开发了一种深度架构，以捕获由地面实况社区指导的社会模式。由学习模型产生的其他节点嵌入的通用聚类算法，然后有效地揭示了更多与地面实况共享相似社交模式的社区。
2018-04-22 cs.SI physics.soc-ph
Random walks in directed modular networks
由于扩散通常涉及对称的相互作用，很少注意力集中在研究不对称的情况下。然而，重要的网络系统（如皮层网络和万维网）的基础上的扩散是固有的方向。在无向扩散的情况下，可以证明随机游走动力学的稳态概率与度完全相关，这对于有向网络不再成立。我们研究了这种概率和模块化网络中的内向节点度（我们称之为效率）之间的关系。我们的研究结果表明，一个给定的社区的效率主要取决于它的流入和流出之间的平衡。此外，我们推导出的解析表达式表明，内部度的节点不发挥其效率的关键作用，当考虑Erdens-Rényi和Barabási-Albert模型。结果说明猕猴皮层网络，提供补贴，改善交通和通信系统。
2016-07-22 cond-mat.stat-mech physics.bio-ph physics.soc-ph
Exploring Temporal Networks with Greedy Walks
时间网络具有各种各样的异质性，从事件序列的突发性到节点和链路激活时间之间的相关性。在本文中，我们将探索后者通过使用贪婪的步行作为探针的时间网络结构。给定一个时间网络（一个接触序列），贪婪遍历总是从第一个可用的接触点开始从一个节点到另一个节点。正因为如此，它们的结构对涉及节点集之间重复接触的时间拓扑模式特别敏感。与时间参考模型相比，这一点在它们每步的小覆盖范围中变得很明显-在经验时间网络中，由于相关的接触模式，贪婪的行走经常被困在小的节点集内。虽然这也可能发生在具有明显社区结构的静态网络中，但时间参考模型的使用将潜在的静态网络结构排除在等式之外，并表明观察结果存在纯粹的时间原因。对贪婪游动结构的进一步分析表明，节点对之间重复接触的突发序列是主导因素。然而，也有更大的模式，如非回溯贪婪遍历所示。我们进一步研究了贪婪行走的熵率，并表明与时间不相关的引用相比，原始数据中已访问节点的序列更具结构性和可预测性。总之，这些结果表明，在时间网络的相关时间拓扑模式的丰富性。
2015-11-02 cs.SI physics.soc-ph
