Genetic Algorithm with Ensemble Learning for Detecting Community Structure in Complex Networks
复杂网络中的社区发现是近年来科学界研究的热点。针对遗传算法在复杂网络社团社区发现中应用不多的问题，提出了一种基于集成学习的遗传算法（GAEL）来检测复杂网络社团结构。GAEL用基于集成学习的多个体交叉算子代替传统的交叉算子。因此，GAEL可以避免传统交叉算子只能混合不同个体的字符串块，而不能将不同个体的聚类上下文重组成新的更好的聚类上下文的问题。此外，在变异算子中采用了局部搜索策略，使变异节点被放置到其邻居最多的社区中。最后，本文采用了一种基于马尔可夫随机游走的方法来初始化种群，从而为我们提供了一个精确多样的聚类解种群。这些个体的多样性和准确性适合于基于集成学习的多个体交叉算子。在计算机生成的网络和真实世界的网络上进行测试，并与当前复杂网络中的社区发现的代表性算法进行比较。实验结果表明，GAEL是非常有效的发现社区结构。
2013-03-22 cs.SI physics.soc-ph
Detecting Statistically Significant Communities
社区发现是一个跨领域的关键数据分析问题。在过去的几十年中，已经提出了许多算法来解决这个问题。然而，大多数关于社区发现的工作并没有解决统计显著性的问题。虽然一些研究工作已经取得了对挖掘统计上显着的社区，推导出一个社区的配置模型下的p值的分析解决方案仍然是一个具有挑战性的任务，仍然没有解决。配置模型是社区发现中广泛使用的随机图模型，在生成的随机网络中保持每个节点的度。为了部分地填补这一空白，我们提出了一个严格的上限上的配置模型下，一个单一的社区的p值，它可以用于量化分析每个社区的统计意义。同时，我们提出了一种局部搜索方法，以迭代的方式检测统计显著社区。实验结果表明，我们的方法是可比的竞争方法检测统计上显着的社区。
2019-08-11 cs.SI physics.soc-ph
Statistical test for detecting community structure in real-valued edge-weighted graphs
提出了一种新的方法来检验无向实值边赋权图的社团结构的存在性。该方法是基于实对称矩阵特征值的广义过程的Wigner半圆律。我们为这种方法提供了理论基础，并报告了其在合成和真实数据中的性能，表明我们的方法优于其他最先进的方法。
2016-10-13 cs.SI math.ST physics.soc-ph
A Unified Method of Detecting Core-Periphery Structure and Community Structure in Networks
核心-外围结构和社团结构是复杂网络中两种典型的中尺度结构。虽然社区发现已经从不同的角度进行了广泛的研究，但核心-边缘结构的定义和发现还没有得到足够的关注。此外，还分别探讨了核心-边缘和群落结构的检测问题。在本文中，我们开发了一个统一的框架，同时检测复杂网络中的核心-外围结构和社区结构。此外，我们的算法还有几个额外的优点：我们的方法不仅可以检测到单个，但也可以检测到多对核心-外围结构;属于不同社区的重叠节点可以识别;不同规模的核心-外围结构可以通过调整核心的大小来检测。该方法的良好性能已在合成和实际复杂网络上得到验证。因此，我们提供了一个基本的框架来检测两个典型的中尺度结构：核心-边缘结构和社区结构。
2018-01-12 cs.SI physics.soc-ph
Detecting the optimal number of communities in complex networks
社区数目的确定是社区结构检测中的一个重要问题。在本文中，我们扩展了社区发现算法的测量，以找到最佳的社区数。基于归一化互信息指数，这已被用来作为一个衡量社区的相似性，一个统计$Ω(c)$提出了检测的最佳社区数目。一般来说，当$Ω(c)$达到其局部最大值时，特别是第一个时，相应的社区数\emph{c}在社区检测中可能是最优的。此外，统计量$Ω(c)$还可以度量复杂网络中社团结构的重要性，这一点近年来受到了广泛的关注。数值和实验结果表明，该指标$Ω(c)$在人工网络和真实世界网络中都是有效的。
2011-03-30 cs.SI physics.soc-ph stat.AP
Detecting Overlapping Temporal Community Structure in Time-Evolving Networks
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Raytheon BBN Technologies（雷神BBN技术公司）
我们提出了一个原则性的方法来检测重叠的时间社区结构的动态网络。我们的方法是基于以下框架：找到重叠的时间社区结构，最大化的质量函数与网络的每个快照的时间平滑约束。提出了一种新的质量函数和光滑性约束来处理重叠，并使用一种新的凸松弛来解决由此产生的组合优化问题。我们提供了理论保证以及实验结果，揭示了真实和合成网络中的社区结构。我们的主要观点是，某些结构可以确定只有当时间相关性被认为是当社区被允许重叠。一般来说，发现这种重叠的时间社区结构可以通过揭示其看似混乱的演化背后的潜在稳定性来增强我们对现实世界复杂网络的理解。
2013-03-28 cs.LG cs.SI physics.soc-ph
Detecting Community Structure in Dynamic Social Networks Using the Concept of Leadership
在社交网络中检测社区结构是一个基本问题，使我们能够识别具有相似兴趣的行为者群体。在静态网络中寻找社区已经有了大量的工作，然而，在现实中，由于社交网络的动态性质，它们是不断发展的。忽略社交网络的动态方面，既不能让我们捕捉网络的进化行为，也不能预测个人的未来状态。除了是动态的，现实世界的社交网络的另一个重要特征是领导者的存在，即具有高度中心性的节点具有高吸引力来吸收其他成员，从而形成一个本地社区。在本文中，我们设计了一种有效的方法来增量检测社区在高度动态的社交网络使用的重要性和持久性的社区领导人随着时间的推移直观的想法。我们提出的方法能够根据网络的先前结构找到新的社区，而无需从头开始重新计算它们。这个独特的功能使我们能够随着时间的推移快速有效地检测和跟踪社区。在合成和真实社交网络上的实验结果表明，该方法在动态社交网络中发现社区是有效的。
2017-11-06 cs.SI physics.soc-ph
Ensemble-based Overlapping Community Detection using Disjoint Community Structures
虽然已经有大量的方法来检测不相交的社区从现实世界的复杂网络，最近也提出了一些方法来检测重叠的社区结构。在这项工作中，我们认为，而不是开发单独的方法来检测重叠的社区，一个有前途的替代方案是从多个不相交的社区结构来推断重叠的社区。我们提出了一个集成为基础的方法，称为EnCoD，利用各种不相交的社区发现算法，发现重叠的社区结构产生的解决方案。具体来说，EnCoD根据基本算法的结果为每个顶点生成一个特征向量，并学习哪些特征可以以无监督的方式检测密集连接的重叠区域。它不断迭代，直到每个顶点属于自己社区的可能性最大化。在合成网络和几个真实网络（具有已知的真实社区结构）上的实验表明，EnCoD的性能明显优于9种最先进的重叠社区发现算法。最后，我们证明了EnCoD是通用的，足以应用于网络中的顶点与明确的语义特征。据我们所知，EnCoD是继MEDOC之后的第二种基于集合的重叠社区发现方法[1]。
2018-08-19 cs.SI physics.soc-ph
Community Detecting By Signaling on Complex Networks
基于复杂网络中的信令过程，提出了一种社区结构识别方法.对于具有$n$节点的网络，假设每个节点是可以发送、接收和记录信号的系统。每个节点作为初始信号源一次，通过激励其邻居节点来激励整个网络，然后赋予源节点一个$n$ d向量，记录信令过程的效果。这样，网络上节点的拓扑关系就转化为$n$ d欧氏空间中向量的几何结构。然后利用$F$ -统计量确定最佳的群体划分，最后利用模糊$C$ -均值聚类方法（FCM）给出最终的群落结构。该方法不需要任何额外的参数就能检测出加权网络和未加权网络中的社团结构。它已被应用于adhoc网络和一些实际的网络，包括扎卡里空手道俱乐部网络和足球队网络。与其他方法的结果进行了比较，证据表明，基于信令过程的算法是有效的。
2007-10-29 physics.data-an physics.soc-ph
Information dynamics algorithm for detecting communities in networks
社区检测的问题与许多科学学科有关，从社会科学到统计物理学。考虑到社区检测在许多领域（如心理学和社会科学）的影响，我们已经解决了通过结合领域应用领域的元素（即领域启发）来修改现有性能良好的算法的问题。我们集中在心理学和社会网络启发的方法，这可能是有用的，进一步加强社会网络研究和数学之间的联系，社区检测。在这里，我们介绍了一个社区检测算法来自范东根的马尔可夫聚类算法（MCL）的方法，通过考虑网络的节点作为代理能够作出决定。在这个框架中，我们引入了一个记忆因子来模仿一个典型的人类行为，如遗忘效应。该方法是基于信息扩散，它包括一个非线性处理阶段。我们测试我们的方法在两个经典的社区基准和计算机生成的网络与已知的社区结构。我们的方法有三个重要的特点：检测重叠社区的能力，从个人的角度来看，识别社区的能力和微调社区的可检测性方面的先验知识的数据。最后讨论了如何利用Shannon熵测度进行复杂网络的参数估计。
2011-12-06 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 Important Nodes to Community Structure Using the Spectrum of the Graph
许多复杂系统都可以表示为网络，而网络如何分解成子网或社区是人们广泛关注的问题。然而，开发一种快速准确地检测对社区重要的节点的方法是一个非常具有挑战性和开放性的问题。在本文中，我们介绍了一种新的方法来表征节点对社区的重要性。首先，提出了一种中心性度量，利用邻接矩阵的谱来度量网络节点对社区结构的重要性。我们将节点对社区的重要性定义为网络邻接矩阵的特征值在移除后的相对变化。其次，我们还提出了一个指标来区分社区中的两种重要节点，即，“社区核心”和“桥梁”。我们的指标只依赖于图矩阵的谱。它们被应用于许多人工网络以及许多现实世界的网络。这种新的方法为我们提供了一个基本的方法来解决这个具有挑战性的问题，并提供了一个现实的结果。
2011-08-02 cs.SI physics.soc-ph
Leveraging disjoint communities for detecting overlapping community structure
网络社区代表了理解现实世界网络组织的介观结构，其中节点通常属于多个社区，并在网络中形成重叠的社区结构。由于在寻找这种重叠社区的确切边界方面的非平凡性，这个问题已经变得具有挑战性，因此已经投入了巨大的努力来从网络中检测重叠社区。在本文中，我们提出了PVOC（基于持久性的顶点复制算法重叠社区发现），一个两阶段的框架来检测重叠的社区结构。我们建立在一个新的观察，非重叠的社区结构检测的标准不相交的社区发现算法从网络具有高度的相似性，其实际重叠的社区结构，除了重叠的部分。基于这一观察，我们认为，也许没有必要建立另一个重叠的社区发现算法，但可以有效地操纵任何现有的不相交的社区发现算法的输出，以获得所需的重叠结构。我们提出了一种新的后处理技术，通过结合任何现有的不相交的社区发现算法，可以适当地处理每个顶点使用一个新的基于顶点的度量，称为持久性，从而找出重叠的候选人与他们的社区成员。在合成网络和大型真实网络上的实验结果表明，PVOC在输出与地面真实结构的高度相似性方面明显优于六种最先进的重叠社区发现算法。因此，我们的框架不仅可以从网络中找到有意义的重叠社区，还可以让我们结束构建另一个重叠社区发现算法的持续努力。
2015-04-14 cs.SI physics.soc-ph
Detecting the Collapse of Cooperation in Evolving Networks
结构化的生物、社会、经济和生态社区的可持续性往往取决于合作和自私个体（骗子）之间社会冲突的结果。作弊者避免了为社区做贡献的成本，偶尔会在人群中传播，导致合作的完全崩溃。虽然这种崩溃往往出乎意料地展现出关键转变的特征，但人们是否能在不断发展的社区中发现作弊者入侵和失去合作的风险不断上升，这一点尚不清楚。在这里，我们结合动态网络和演化博弈论来研究合作的突然丧失作为一个关键的过渡。我们估计了在逐渐变化的条件下引入单个作弊者后合作崩溃的风险。我们观察到，随着崩溃风险的增加，作弊者从社区中被淘汰所需的平均时间会系统性地增加。我们根据社区结构和组成的变化来检测这种风险。尽管如此，可靠的检测取决于控制作弊者在社区中如何进化的机制。我们的研究结果表明，在不断发展的社区中，
2016-02-11 physics.soc-ph q-bio.PE
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
Detecting communities is hard, and counting them is even harder
我们考虑的算法问题的社区检测网络。给定一个无向友谊图$G=\left(V,E\right)$，一个子集$S\subseteq V$是一个$\left(α,β\right)$ -社区，如果：* 社区的每个成员都是社区的一个$α$ -分数的朋友; * 每个非成员最多是社区的一个$β$ -分数的朋友。Arora等人[AGSS 12]给出了一个拟多项式时间算法，用于枚举任何常数$α>β$的所有$\left(α,β\right)$ -社区。在这里，我们证明，假设指数时间假设（ETH），准多项式时间实际上是必要的-甚至对于一个弱得多的近似desideratum。即，区分：* $G$包含$\left(1,o\left(1\right)\right)$ -社区;并且 * $G$不包含任何$β\in\left[0,1\right]$的$\left(β+o\left(1\right),β\right)$ -社区。我们还证明了计算$\left(1,o\left(1\right)\right)$ -社区的数量需要准多项式时间，假设#ETH较弱。
2016-11-25 cs.CC cs.DS cs.SI
Detecting the overlapping and hierarchical community structure of complex networks
自然界、社会和技术中的许多网络都以中观层次的组织为特征，节点组形成紧密连接的单元，称为社区或模块，彼此之间只有微弱的联系。揭示这种社区结构是复杂网络领域中最重要的问题之一。网络通常表现出层次结构，社区嵌入其他社区;此外，节点可以在不同社区之间共享。在这里，我们提出了第一个算法，发现重叠的社区和层次结构。该方法是基于适应度函数的局部优化。群落结构由适应度直方图中的峰值揭示。分辨率可以通过一个参数进行调整，从而能够调查组织的不同层次。在真实和人工网络上的测试给出了很好的结果。
2009-03-11 cond-mat.stat-mech physics.comp-ph physics.soc-ph
Local Edge Betweenness based Label Propagation for Community Detection in Complex Networks
目前，识别和检测复杂网络中的社区结构是从网络中提取有用信息的重要因素。具有近似线性时间复杂度的标签传播算法是目前最流行的社团结构检测方法之一，但其不确定性和随机性是一个缺陷因素。将LPA与其他社区发现度量合并将提高其准确性并降低LPA的不稳定性。考虑到这一点，本文尝试使用边缘介数中心性来提高LPA性能。另一方面，计算边缘介数中心度是昂贵的，所以作为替代度量，我们尝试使用局部边缘介数，并提出LPA-LEB（标签传播算法局部边缘介数）。在真实网络和基准网络上的实验结果表明，LPA-LEB在检测网络社区结构时具有比LPA更高的准确性和稳定性。
2017-09-24 cs.SI physics.soc-ph
Note on the equivalence of the label propagation method of community detection and a Potts model approach
我们表明，最近推出的标签传播方法检测社区在复杂的网络是等价的，找到一个简单的Potts模型的局部极小值。应用于经验数据，发现这种局部最小值的数量非常高，远远大于图中节点的数量。用于组合来自更多局部最小值的信息的聚合方法显示出将社区分割成非常小的片段的趋势。
2008-03-31 physics.soc-ph
Analysis of community structure in networks of correlated data
我们提出了一个重新制定的模块化，允许相关数据的网络中的社区结构的分析。新的模块化保留了原始定义的概率语义，即使网络是有向的，加权的，有符号的，并且有自循环。这是在研究任何网络时可以找到的最普遍的条件，特别是那些从相关数据定义的网络。我们将我们的研究结果应用于一个真实的网络，在里昂市（法国）的商店之间的相关数据。
2009-03-16 physics.soc-ph
Detecting Dynamic Community Structure in Functional Brain Networks Across Individuals: A Multilayer Approach
Monash University Malaysia（马来西亚蒙纳士大学）；King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）；Xiamen University Malaysia（厦门大学马来西亚分校）
我们提出了一个统一的统计框架，用于表征大脑功能网络的社区结构，该网络捕获了个体之间的变化和随时间的演变。现有的社区发现方法只关注动态网络的单主题分析，而最近扩展到多主题分析仅限于静态网络。为了克服这些局限性，我们提出了一个多学科，马尔可夫转换随机块模型（MSS-SBM），以确定一组人的大脑社区组织的状态相关的变化。我们首先制定了一个多层扩展的SBM描述的时间依赖性，多学科的大脑网络。我们开发了一种新的程序，用于拟合多层SBM，建立在多层模块化最大化，可以同时发现一个共同的社区分区的所有层（科目）。通过增加一个动态马尔可夫切换过程，我们提出的方法是能够捕获一组不同的，经常性的时间状态相对于社区间的相互作用的主题和它们之间的变化点。仿真结果表明，准确的社区恢复和跟踪动态社区政权多层网络的MSS-SBM。应用于任务功能磁共振成像揭示了有意义的非重复性大脑社区图案，例如，核心-外围结构在群体水平，这是与语言理解和运动功能，表明他们在复杂的信息整合的假定作用。我们的方法检测到动态重新配置的模块化连接引起不同的任务需求，并确定了独特的配置文件内和社区间的连接在不同的任务条件。所提出的多层网络表示提供了一种原则性的方法来检测跨学科大脑网络中的同步，动态模块化。
2020-10-16 cs.LG eess.SP physics.soc-ph
Accuracy and Precision of Methods for Community Identification in Weighted Networks
在简要回顾社区识别和敏感性度量方法的基础上，研究了加权网络中社区识别的几种方法的准确性和精确性。在加权网络中，社团结构应同时考虑链路和链路权重，网络的划分应采用加权模块度$Q^w$进行评价。结果表明，链接权重对社区有重要影响，尤其是在密集网络中。Potts模型和加权极值优化（WEO）算法在加权网络上有很好的应用。然后利用Potts模型和WEO算法对恒河猴网络进行社区检测。结果给出了真实的社区结构的很好的理解。
2006-07-29 physics.soc-ph
Detecting Topological Changes in Dynamic Community Networks
时变（动态）网络（图）的研究对于计算机网络分析具有根本的重要性。已经提出了几种方法来检测显着的结构变化的影响，在一个时间序列的图形。这项工作的主要贡献是一个动态社区图模型的详细分析。该模型是通过添加新的顶点，并将它们随机附加到现有的节点。它是著名的随机块模型的动态扩展。这项工作的目标是检测图动态从正常进化（平衡社区以相同的速度增长）切换到异常行为（社区开始合并）的时间。为了避免将每个图分解为社区的问题，我们使用一个度量来量化作为时间函数的图拓扑的变化。异常的检测成为检验图正在经历重大结构变化的假设之一。除了理论分析的测试统计量，我们进行蒙特卡罗模拟我们的动态图模型，以证明我们的测试可以检测到图拓扑结构的变化。
2017-07-23 cs.DM cs.SI 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
OLCPM: An Online Framework for Detecting Overlapping Communities in Dynamic Social Networks
社团结构是复杂网络最显著的特征之一。社区结构检测对于深入了解网络结构和功能具有重要意义。大多数建议都集中在静态网络上。然而，在动态网络中寻找社区更具挑战性，特别是当社区彼此重叠时。在这篇文章中，我们提出了一个在线算法，称为OLCPM，基于团渗流和标签传播方法。OLCPM可以检测重叠社区，并以细粒度在时间网络上工作。通过局部更新社区结构，OLCPM提供了显着的改善，在运行时间相比，以前的团渗透技术。在人工网络和真实网络上的实验结果表明了该方法的有效性。
2018-04-11 cs.DS cs.SI physics.soc-ph
GenPerm: A Unified Method for Detecting Non-overlapping and Overlapping Communities
非重叠社区和重叠社区的检测本质上是同一个问题。然而，目前的算法集中在寻找重叠或不重叠的社区。我们提出了一个通用的框架，可以识别非重叠和重叠的社区，没有任何事先输入的网络或其社区分布。为此，我们引入了一个基于顶点的度量，GenPerm，量化的顶点属于它的每个组成社区。我们的社区发现算法是基于最大化网络中所有顶点的GenPerm。我们证明，通过实验合成和真实世界的网络，GenPerm是更有效的比其他指标在评估社区结构。此外，我们表明，由于其以顶点为中心的属性，GenPerm可以用来展开几个推理超越社区发现，如核心-外围分析和消息传播。我们用于最大化GenPerm的算法在准确预测地面实况标签方面优于六种最先进的算法。最后，我们讨论了重叠社区中的分辨率限制问题，并证明了最大化GenPerm可以缓解这个问题。
2016-04-12 cs.SI physics.soc-ph
A framework for community detection in heterogeneous multi-relational networks
在只包含一种类型的节点和边的同构单关系网络中，社区发现引起了人们极大的兴趣。然而，许多现实世界的系统自然被描述为异构的多关系网络，其中包含多种类型的节点和边缘。在本文中，我们提出了一种新的方法来检测社区在这样的网络。我们的方法是基于优化的复合模块，这是一个新的模块化提出的评估分区的异构多关系网络社区。我们的方法是无参数的，可扩展的，并适用于各种网络的一般结构。我们证明了它在检测合成网络中的预种植社区方面优于最先进的技术。应用于现实世界的Digg网络，它成功地检测到有意义的社区。
2014-07-15 cs.SI physics.soc-ph
Community detection in networks with positive and negative links
准确地检测复杂网络中的社区是进一步分析网络特征和动态特性之前的主要挑战。到目前为止，社区检测只考虑了正价值的链接，而许多实际网络也具有负链接。我们扩展了现有的波茨模型，将负链接，以及在一个类似的方法，在社会平衡理论中处理的符号图的聚类，但更一般。为了说明我们的方法，我们将其应用于国际联盟和争端网络。使用1993- 2001年的数据，结果表明，世界可以分为六个类似于亨廷顿文明的权力集团，除了一些值得注意的例外。
2009-09-25 physics.soc-ph
Metrics for Community Analysis: A Survey
在过去的十年里，从社会和信息网络中检测和分析密集群体或社区引起了人们的极大关注，因为它在不同领域具有巨大的适用性。社区发现是一个定义不清的问题，因为社区的性质事先并不知道。这个问题已经被证明是甚至复杂的，由于社区出现在网络中的各种形式-不相交的，重叠的，分层的等，已经提出了各种不同的算法取决于在手的应用程序。所有这些生态学已经具体化的形式，在大多数情况下，作为优化功能，用于检测社区结构，或提供一个良好的检测社区在评估过程中的指示。有必要对社区发现和评价方面提出的衡量标准进行有组织的详细调查。在这项调查中，我们提出了一个全面的和结构化的概述，用于检测和评估社区结构的最先进的指标。我们还对合成网络和真实网络进行了实验，以比较分析这些指标在衡量底层社区结构的良好性方面的作用。
2016-04-12 cs.SI physics.soc-ph
Community Detection in Networks with Node Attributes
社区发现算法是一种基本的工具，它使我们能够揭示网络中的组织原则。当检测社区时，有两种可能的信息源可以用途：网络结构，以及节点的特征和属性。即使社区围绕具有共同边缘和共同属性的节点形成，通常，算法仅关注这两种数据形式之一：社区发现算法传统上仅关注网络结构，而聚类算法大多仅考虑节点属性。在本文中，我们开发的社区从边缘结构和节点属性（CESNA），一个准确的和可扩展的算法，用于检测重叠的社区在网络中的节点属性。CESNA对网络结构和节点属性之间的相互作用进行统计建模，这导致更准确的社区发现以及在网络结构中存在噪声的情况下改进的鲁棒性。CESNA在网络规模上具有线性运行时间，并且能够处理比可比方法大一个数量级的网络。最后，CESNA还通过查找每个社区的相关节点属性来帮助解释检测到的社区。
2014-01-28 cs.SI physics.soc-ph
Using Model-based Overlapping Seed Expansion to detect highly overlapping community structure
随着对社交网络中社区发现的研究的进展，需要能够检测重叠社区结构的算法。近年来，已经提出了许多算法，能够将每个节点分配给多个社区。这些算法的性能往往会下降时，地面实况包含一个更高度重叠的社区结构，与节点分配到两个以上的社区。这种高度重叠的结构很可能存在于许多社交网络中，例如Facebook的友谊网络。在本文中，我们提出了一个可扩展的算法，MOSES，基于统计模型的社区结构，这是能够检测高度重叠的社区结构，特别是当有方差的社区数量的每个节点是在。在合成数据的评价中，发现MOSES优于现有的算法，特别是在高水平的重叠。我们通过分析五所美国大学的学生之间的友谊联系网络，在真实的社交网络数据上展示了MOSES。
2010-11-17 cs.SI physics.soc-ph stat.ML
Detecting the community structure and activity patterns of temporal networks: a non-negative tensor factorization approach
随着时间网络数据可用性的不断提高，人们需要对时间网络中的介观结构进行提取和表征，并将这种结构与系统的特定功能或属性联系起来。一个突出的挑战是扩展静态网络的结果随时间变化的网络，其中系统的拓扑结构和其组件的时间活动模式交织在一起。在这里，我们研究使用潜在的因子分解技术，非负张量因子分解，提取时间网络的社区活动结构。该方法本质上是时间性的，可以同时识别社区并跟踪其活动。我们将时间网络的时变邻接矩阵表示为三向张量，并将此张量近似为可以解释为具有相关活动时间序列的节点社区的项的总和。我们总结了已知的张量分解的计算技术，并讨论了一些质量指标，可用于调整的复杂性的因式分解表示。随后，我们将张量因式分解应用到一个时间网络中，对于该网络，社区结构和时间活动模式都可以使用地面实况。我们使用的数据描述了学生在学校的社会互动，学生和学校班级之间的关联，以及学生随时间的时空轨迹。我们表明，非负张量因式分解是能够恢复的类结构具有高精度。特别地，所提取的张量分量可以被验证为已知的学校班级，或者根据相关的活动模式，即，由已知的学校活动时间表确定的空间和时间巧合。
2013-11-05 cs.SI physics.soc-ph
Limited resolution and multiresolution methods in complex network community detection
在现实世界的网络中检测社区结构是一个具有挑战性的问题。最近，它已被证明，基于优化模块化措施或相应的能量的方法的分辨率是有限的，社区的大小低于一些阈值仍然没有解决。解决这个问题的一种可能性是通过使用调优参数来改变阈值，并在可变分辨率下研究社区结构。在这里，我们分析了两种不同的方法的分辨率极限和多分辨率行为：由Reichard和Bornholdt提出的q状态Potts方法，以及最近由Arenas，Fernandez和Gomez提出的多分辨率方法。这些方法进行了分析研究，并应用到三个测试网络，使用模拟退火。
2008-01-25 physics.soc-ph
Detecting Overlapping Communities from Local Spectral Subspaces
基于局部谱子空间的定义，提出了一种新的局部重叠社区发现方法LOSP。我们没有使用整个网络的主导特征向量所覆盖的不变子空间，而是运行幂方法来近似描述感兴趣种子周围局部邻域结构嵌入的主导特征向量。然后，我们寻求一个稀疏的近似指示向量在本地的频谱子空间，这些向量所跨越的种子是在其支持。我们评估LOSP在不同领域的五个大型现实世界的网络与标记的地面真相社区，并比较结果与国家的最先进的社区发现方法。LOSP从非常少的种子成员中以高准确度识别目标社区的成员，并且优于局部Heat Kernel或PageRank扩散以及全局基线。两个候选定义的局部谱子空间进行了分析，不同的社区评分函数，用于确定社区边界，包括两个新的度量，进行了彻底的评估。不同的种子集的结构特性和种子集大小的影响进行了讨论。我们观察到低度种子表现更好，即使从单个随机种子开始，LOSP也是鲁棒的。使用LOSP作为一个子程序，从每个自我连接组件开始，我们尝试更难但重要的任务，即识别单个顶点所在的所有社区。实验表明，该方法在检测到的包含种子顶点的多个局部重叠社区上实现了较高的F1测度。
2015-09-27 cs.SI physics.soc-ph
Application of a cognitive-inspired algorithm for detecting communities in mobility networks
移动设备的出现和全球适应已经影响了个人，社区和社会层面的人类互动，导致所谓的网络物理世界（CPW）融合场景[1]。CPW的最重要的功能之一是利用信息的用户的社会社区的结构，揭示了联合运动模式和频率的物理协同定位的可能性。属于同一社交社区的用户的移动设备可能比社区外的设备更频繁和更有规律地“看到”彼此（并且因此能够通过自组织联网技术进行通信）。在移动机会网络中，这一事实可以被利用，例如，优化网络操作，如消息的转发和传播。在本文中，我们提出了一种认知启发算法[2，3，4]的应用，用于使用用户移动设备记录的物理接触信息来揭示这些动态社交网络的结构（由HCMM模型[5]模拟）。我们的算法的主要特点是：（i）通过分布式算法检测用户的物理协同定位引起的社会社区的能力;（ii）检测属于更多社区的用户的能力（从而充当跨越它们的桥梁），以及（iii）检测社区的时间演化的能力。
2013-08-06 cs.SI 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
Detecting Global Community Structure in a COVID-19 Activity Correlation Network
过去两年半的COVID-19全球大流行产生了大量的流行病/公共卫生数据集，这些数据集也可能有助于研究我们全球互联世界的基本结构。在这里，我们使用约翰霍普金斯大学COVID-19数据集构建了一个国家/地区的相关网络，并研究了其全球社区结构。具体而言，我们从数据集中选择了至少有10万例累积阳性病例的国家/地区，并生成了每个国家/地区报告的新阳性病例的7天移动平均时间序列。然后，我们计算了一个时间序列的每日变化指数，采取每日的差异，在对数的新的阳性病例。我们构建了一个相关性网络，通过连接国家/地区，在其每日变化指数时间序列中具有正相关性，使用他们的皮尔逊相关系数作为边权重。应用模块化最大化方法发现有三个主要社区：（1）主要是欧洲+北美+东南亚，在大流行期间呈现类似的六峰模式，（2）主要是近东/中东+中亚/南亚+中亚/南美洲，松散地跟随社区1，但由于Delta变体，活动显著增加，后来受到Omicron的显著影响主要分布在非洲+加拿大中部/东部+澳大利亚，直到Omicron变种引起巨大的高峰才有太多的活动。这三个社区在不同的环境下被检测到。通过使用这三个社区的中位曲线作为x-y-z坐标来构建3D“相空间”，生成了全球大流行如何发展的有效摘要轨迹。
2022-07-18 cs.SI physics.soc-ph
Modeling and Detecting Communities in Node Attributed Networks
社区作为现实网络中的一种基本结构，除了图的拓扑结构外，还可以通过丰富的节点属性来反映。在属性社区发现中，概率生成模型（PGMs）由于其原则性的特征描述和竞争性的性能而成为主流方法。在这里，我们提出了一种新的PGM不施加任何分布假设的属性，这是优于现有的PGM，需要属性是分类或高斯分布。该模型基于图结构的块模型，通过描述属性对节点流行度的影响来引入属性。为了定量地描述这种影响，我们分析了我们模型的社区可检测性，然后建立了节点流行度项的要求。这为选择和求解属性社区发现模型中的关键模型选择问题提供了一种新的解决方案。在模型确定的基础上，提出了一种有效的参数估计算法和群落推断算法。从两个方面对所提出的方法进行了验证。首先，我们的算法的有效性从理论上保证了可检测性条件。第二，大量的实验表明，我们的方法不仅优于竞争的方法在所采用的数据集，但也显示出更好的适用性，以各种节点属性的网络。
2022-05-30 cs.SI physics.soc-ph
Spectral estimation for detecting low-dimensional structure in networks using arbitrary null models
在现实世界的网络中发现低维结构需要一个合适的空模型来定义有意义的结构的缺失。在这里，我们介绍了一种谱方法，用于检测网络的低维结构，以及参与其中的节点，使用任何空模型。我们使用生成模型来估计在指定的空模型下的期望特征值分布，然后检测数据网络的特征谱超过估计界限的地方。在合成网络上，这种谱估计方法干净地检测随机和社区结构之间的转换，恢复社区的数量和成员资格，并去除噪声节点。在真实网络上，谱估计发现噪声节点的显著部分或不偏离零模型，与传统的社区发现方法形成鲜明对比。在所有的分析中，我们发现零模型的选择可以强烈地改变关于网络结构存在的结论。因此，我们的谱估计方法是一个很有前途的基础，在现实世界的网络中检测低维结构，或缺乏。
2021-05-21 cs.SI physics.soc-ph
An improved belief propagation algorithm for detecting meso-scale structure in complex networks
统计推断框架已被成功地应用于复杂网络中的中尺度结构，如社团结构、核心-外围（CP）结构。其主要原理是使用随机块模型（SBM）来拟合观测网络，学习的参数指示组分配，其中模型参数通常通过期望最大化（EM）算法计算，并实施置信传播（BP）算法来计算分解本身。在BP算法的推导过程中，忽略了节点邻域的影响，对网络进行了一些近似，但当网络密度较大或节点度较大时，这些近似不成立。因此，例如，BP算法不能很好地检测网络中的CP结构，甚至产生错误的检测，因为核心组中的节点度非常大。在此基础上，提出了一种改进的BP算法，在不增加任何计算复杂度的情况下解决了原BP算法中的问题。通过对改进的BP算法和原BP算法在社区检测和CP检测上的比较，发现在网络稀疏的情况下，两种算法在社区检测上的性能相当，而对于密集网络中的社区结构或网络中的CP结构，改进的BP算法的性能更好，更稳定。改进的BP算法可以帮助我们正确划分网络中不同类型的细观结构。
2018-08-28 cs.SI physics.soc-ph
Detecting groups of similar components in complex networks
我们研究了如何在复杂网络中检测组，每个组由共享相似连接模式的组件节点组成。基于混合物模型和由Newman和Leicht建立的探索性分析（Newman和Leicht 2007 { \it Proc. Natl. Acad. Sci. USA} { \bf 104} 9564），我们开发了一个算法，该算法适用于具有任意度分布的网络。该算法所建议的网络划分也适用于其互补网络。通常，相似组件的组不一定与社区网络中的社区相同;因此将网络划分为相似组件的组提供了网络结构的附加信息。该算法还可以用于群体和社区重叠时的社区检测。通过引入一个可调参数来控制异质性的影响，我们也可以方便地研究如何将群结构与异质性特征耦合起来。特别是，一个有趣的例子表明，在某些情况下，当所涉及的异质性效应被调整时，组分区可以演变成社区分区。本文还讨论了该算法在加权网络中的推广。
2008-10-09 physics.data-an physics.soc-ph
An evolving network model with community structure
许多社会和生物网络都由社区组成，社区内的节点群连接密集，但节点群之间的连接稀疏。近年来，在现实世界的复杂网络中，社区结构检测算法的设计引起了人们极大的兴趣。在本文中，我们提出了一个进化的网络模型，展示社区结构。该网络模型基于社区内优先依附和社区间优先依附机制。基于平均场方法分析了该网络模型的度分布。理论结果和数值模拟表明，该网络模型具有社团结构和无标度特性。
2005-10-26 cond-mat.dis-nn physics.soc-ph
Overlapping Community Detection by Online Cluster Aggregation
我们提出了一个新的在线算法检测重叠社区。主要成分是修改的在线k-均值算法和一种新的方法来模拟社区重叠。大型基准图的评价表明，发现的社区的质量相比，在最近的文献中的几种方法，而运行时间显着改善。
2015-04-26 cs.LG cs.SI physics.soc-ph
Local Core Members Aided Community Structure Detection
社交网络中的朋友关系可能很强，也可能很弱。一些研究工作表明，朋友之间的亲密关系会产生良好的社区结构。在此基础上，我们提出了一种基于邻居关系紧密度的社交网络社区结构检测方法。该方法通过计算每个邻居节点对核心节点的引力，判断该节点是否属于社区，最终形成社区发现过程。实验结果表明，该方法能够以较低的计算复杂性有效地挖掘社会结构
2017-10-31 cs.SI physics.soc-ph
Temporal Stable Community in Time-Varying Networks
识别复杂网络的社区结构提供了对网络拓扑结构和网络涌现的集体行为之间的相互依赖性的洞察，而在时变网络中检测这样的不变社区更具挑战性。本文定义了时变网络中的稳定社区，并提出了动态模块度的概念来评价时变网络中的稳定社区结构。此外，利用功能脑网络中时间稳定社区的波动特征，我们成功地区分了ADHD（注意缺陷多动障碍）患者和健康对照。
2018-11-12 physics.soc-ph q-bio.NC
On Efficiently Detecting Overlapping Communities over Distributed Dynamic Graphs
现代网络规模庞大、动态性强，对社区发现算法的效率提出了挑战。本文研究了分布动态图上的重叠社区发现问题。给定一个分布式的、无向的和无权的图，目标是随着图的动态变化而增量地检测重叠的社区。我们提出了一个有效的算法，称为\textit{randomized Speaker-Listener Label Propagation Algorithm}（rSLPA），通过放宽标签传播的概率分布的基础上的\textit{Speaker-Listener Label Propagation Algorithm}（SLPA）。除了检测高质量的社区外，rSLPA还可以在一批边插入和删除操作后增量更新检测到的社区。据我们所知，rSLPA是第一个可以增量捕获与通过在更新的图上从头开始应用检测算法获得的社区相同的社区的算法。在人工数据集和真实数据集上进行了大量的实验，结果表明，该算法可以同时获得较高的准确率和效率。
2018-01-18 cs.SI physics.soc-ph
Finding community structure in networks using the eigenvectors of matrices
我们考虑在网络中检测社区或模块的问题，这些社区或模块是具有高于平均密度的连接它们的边的顶点组。以前的工作表明，一个强大的方法来解决这个问题是最大化的利益函数被称为“模块化”的网络可能的部门。在这里，我们表明，这个最大化的过程可以写在一个矩阵的特征谱，我们称之为模块化矩阵，它在社区检测中发挥的作用类似于图拉普拉斯在图分区计算中发挥的作用。这一结果导致我们的一些可能的算法检测社区结构，以及其他几个结果，包括一个频谱测量网络中的二分结构和一个新的中心性措施，确定这些顶点占据中心位置的社区内，他们属于。所提出的算法和措施，说明了各种现实世界的复杂网络的应用程序。
2006-07-23 cond-mat.stat-mech physics.data-an 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
Detecting network communities via greedy expanding based on local superiority index
社区发现是网络科学中一个重要而又具有挑战性的课题。近年来，社区发现的局部方法受到了广泛的关注。贪婪扩展算法是一种流行而有效的局部算法，它通常从选定的中心节点开始，通过优化某个质量函数来扩展这些节点以获得临时社区。在本文中，我们提出了一种新的指数，称为本地优势指数（LSI），以确定中心节点。在扩展过程中，我们应用适应度函数来估计临时社区的质量，并确保所有临时社区必须是弱社区。基于归一化互信息的评价结果表明：（1）在考虑最多的网络上，LSI优于全局最大度指标和局部最大度指标;（2）在考虑最多的网络上，基于LSI的贪婪算法优于经典的快速算法。
2022-02-12 cs.SI physics.soc-ph
A Probabilistic Framework for Structural Analysis in Directed Networks
在我们最近的工作中，我们开发了一个无向网络结构分析的概率框架。该框架的核心思想是通过对称双变量分布对网络进行采样，然后使用该双变量分布来定义各种概念，包括中心性，相对中心性，社区和模块性。本文的主要目标是将概率框架扩展到有向网络，其中抽样二元分布可能是不对称的。我们的主要发现是，我们可以放松的假设，从对称的二元分布的二元分布，具有相同的边缘分布。通过使用这样一个较弱的假设，我们表明，在有向网络的结构分析的各种概念也可以定义在相同的方式。然而，由于二元分布可能是不对称的，我们以前的工作中提出的社区发现算法不能直接应用。为此，我们证明了可以构造另一个具有对称双变量分布的采样图，使得对于网络的任何分区，模块化指数与原始采样图的模块化指数保持相同。在此基础上，我们提出了一个层次凝聚算法，返回一个分区的社区时，算法收敛。
2015-10-16 cs.SI physics.soc-ph
Benchmark model to assess community structure in evolving networks
检测网络社区结构的时间演化对于识别许多复杂系统内部组织的重大变化至关重要，这些系统可能经历重要的内源性或外源性事件。这种分析可以通过两种方式来完成：将每个快照视为独立的社区检测问题，或者考虑网络的整个演化。在第一种情况下，可以在时间快照上应用静态方法，其对应于短时间窗口中的系统配置，并且之后跨层匹配社区。或者，可以开发专用的动态过程，以便在检测社区时同时考虑多个快照，这使我们能够保持流的记忆。为了检验任何一种方法能在多大程度上捕捉到社区的演变，都需要合适的基准。在这里，我们提出了一个模型，用于生成简单的动态基准图，基于随机块模型。在它们中，时间演化由系统结构在具有内置社区结构的配置之间的周期性振荡组成。我们还提出了扩展的质量比较指数的动态场景。
2015-07-19 cs.SI physics.data-an physics.soc-ph
A divisive spectral method for network community detection
社区发现是复杂网络分析中的一个基本问题。它受到了极大的关注，在过去的十年中提出了许多社区发现方法。本文提出了一种区分谱方法来识别网络中的社团结构，该方法首先利用稀疏化操作对网络进行预处理，然后利用重复二分谱算法对网络进行社团划分.稀疏化操作使得社团边界更加清晰、尖锐，从而使得重复谱平分算法能够从稀疏化后的网络中准确地提取出高质量的社团结构。实验结果表明，网络稀疏化与谱平分算法的结合是非常成功的，该方法在检测网络社团结构方面比其他方法更有效。
2015-07-13 cs.SI physics.soc-ph
Bayesian Modeling of Random Walker for Community Detection in Networks
我们提出了一个生成模型，利用随机游走检测网络中的全局最优社区结构。先进的参数优化算法的马尔可夫链蒙特卡罗方法的基础上开发，以克服EM算法，这已被用于在以前的作品，但有时被困在局部最优值取决于初始条件的局限性。我们将算法应用于合成和真实世界的网络，以检查它们在检测社区的精度和鲁棒性方面的性能。实验结果表明，Gibbs采样器的性能优于以往的方法，特别是在检测重叠社区。随机游走者的马尔可夫动力学是鲁棒地检测最优社区结构的关键。
2019-10-25 cs.SI physics.soc-ph
Multiple phases in modularity-based community detection
仅基于邻接矩阵来检测网络中的社区是几个科学学科感兴趣的问题。最近，Zhang和Moore在[P. Zhang和C. Moore，Proceedings of the National Academy of Sciences 111，18144（2014）]，称为mod-bp，其通过优化模块度（社区检测中流行的拟合优度度量）和熵（即具有给定模块度的配置的数量）的加权平均来避免过拟合数据。相对权重的调整，即模型的“温度”，对于从mod-bp得到正确的结果至关重要。在这项工作中，我们研究了许多相变，mod-bp可能会通过改变两个参数的算法：温度$T$和最大数量的组$q$。我们引入了一组新的序参量，允许确定实际数量的组$\hat{q}$，我们观察合成和真实的网络上存在的相位与任何$\hat{q} \in \{1,q\}$，这是未知的。我们讨论了如何解释mod-bp的结果，以及如何在发现重要社区的问题上做出最优选择。
2015-06-15 cs.SI physics.soc-ph
