Community Detection through Vector-label Propagation Algorithms
社区发现是网络科学中的一个基本而重要的问题，因为社区结构往往揭示了复杂系统中不同组件之间的拓扑和功能关系。在本文中，我们首先提出了一个梯度下降框架的模块化优化称为向量标签传播算法（VLPA），其中一个节点是与一个向量的连续社区标签，而不是一个标签。VLPA在向量标记中保留了弱结构信息，优于一些著名的社区检测方法，特别是在弱社区结构网络中的性能。此外，我们将随机梯度策略纳入VLPA，以避免陷入局部最优，从而导致随机向量标签传播算法（sVLPA）。我们表明，sVLPA表现优于鲁汶方法，一个广泛使用的社区检测算法，在人工基准和现实世界的网络。我们的理论方案的基础上矢量标签传播可以直接应用到高维网络，其中每个节点有多个功能，也可以用于优化其他分区措施，如模块化与分辨率参数。
2020-11-16 physics.soc-ph
Genetic Algorithm with a Local Search Strategy for Discovering Communities in Complex Networks
为了进一步提高现有遗传算法在社区发现方面的性能，提出了一种基于局部搜索的遗传算法GALS。GALS的核心是一种基于局部搜索的变异技术。为了克服传统变异方法的不足，提出了边缘基因的概念，并从节点局部角度推导出模块度函数Q的局部单调性。在此基础上，提出了一种结合局部搜索策略的变异方法。GALS已经在合成基准和几个真实网络上进行了评估，并与目前竞争的一些算法进行了比较。实验结果表明，GALS是一种高效的社区结构发现方法。
2013-03-24 cs.SI 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
Clustering online social network communities using genetic algorithms
为了分析在线社交网络（OSN）中的活动，我们引入了“吸引节点”（NoA）的概念，它代表了网络社区中最活跃的节点。该NoA被识别为吸引其他节点并在任何时间点形成集群的发布/通信的起源/发起者。在这项研究中，一个遗传算法（GA）被用作数据采掘方法，其主要目标是确定集群的网络社区在一个给定的OSN数据集。这种方法在处理我们研究的OSN中不同类型的讨论主题时是有效的-评论，电子邮件，聊天表情等，并且可以根据一个或多个主题形成集群。我们相信，这项工作可以是有用的，在寻找这种基于遗传算法的聚类的在线交互的传播源，并报告了一些实验结果与现实世界的数据，并证明了所提出的方法的性能。
2013-12-08 cs.SI physics.soc-ph
Terminal-Set-Enhanced Community Detection in Social Networks
社区发现旨在揭示社会网络中的社区结构，是社会网络研究的基本问题之一。本文基于终端集的概念研究了社区发现问题。终端集是一组用户，其中任何两个用户属于不同的社区。虽然社区发现一般来说是困难的，但终端集可以非常有助于设计有效的社区发现算法。我们首先提出了一个2-近似算法运行在多项式时间的原始社区发现问题。在另一个问题中，为了更好地支持实际应用，我们进一步考虑了对可行分区施加额外限制的情况。对于这种定制的社区发现问题，我们提供了两个随机算法，这是能够找到一个高概率的最佳分区。在基准网络上的实验表明，所提出的算法能够产生高质量的社区。
2016-07-01 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
Case studies in network community detection
社区结构描述了网络到子图的组织，子图包含每个子图内的边的普遍性和子图之间边界上相对较少的边。社区检测方法的发展跨越了各个学科，提出了许多不同的算法来寻找社区。正如我们在本章中通过几个案例研究所展示的那样，社区检测不仅仅是一个“最终游戏”本身，而是分析网络数据的一个步骤，然后对感兴趣的学科领域的进一步研究很有用。这些案例研究的例子来自不同的应用，从社会和政治科学到神经科学和遗传学，我们选择它们来展示社区检测的关键方面，并强调社区检测在实践中应该由手头的应用程序来指导。
2017-05-05 cs.SI physics.data-an physics.soc-ph
Community Detection Algorithm Evaluation using Size and Hashtags
了解社交媒体中的社区结构至关重要，因为它有着广泛的应用，如朋友推荐、链接预测和协同过滤。然而，在文献中没有广泛接受的社区定义。现有的工作使用结构相关的指标，如模块化和功能相关的指标，如地面真理来衡量社区发现算法的性能，而忽略了一个重要的指标，社区的大小。[1]建议在社交媒体上有密切联系的社区的规模应限制在150人以内。正如我们在本文中所发现的，许多流行的社区发现算法所获得的大多数社区要么非常小，要么非常大。太小的社区没有实际价值，太大的社区包含弱连接，因此不稳定。在本文中，我们比较各种社区发现算法考虑以下指标：社区的大小，社区的覆盖率，扩展模块化，三角参与率，和用户在同一社区的兴趣。我们还提出了一个简单的集团为基础的算法社区发现作为比较的基线。实验结果表明，我们提出的算法和公认的不相交算法InfoMap在所有的指标表现良好。
2016-12-11 cs.SI physics.soc-ph
SCOUT: simultaneous time segmentation and community detection in dynamic networks
许多演化的复杂系统可以通过动态网络建模。动态网络研究中的一个重要问题是社区发现，它识别拓扑相关的节点组。通常，这个问题是通过假设每个时间点都有一个不同的社区组织或所有时间点共享一个社区组织来解决的。事实上，真相可能介于这两个极端之间，因为在某些时期，社区组织可以发展，而在另一些时期，社区组织可以保持不变。为了找到折中的方法，我们考虑在分段检测问题的背景下进行社区发现，该分段检测识别具有一致网络结构的连续时间段。因此，我们制定了一个组合的问题段社区发现（SCD），同时分区网络连续的时间段与一致的社区组织，并发现这个社区组织为每个段。为了解决SCD，我们引入了SCOUT，一个明确考虑分割质量和分区质量的优化框架。SCOUT解决了可以适于解决SCD的现有方法的限制，其通常仅考虑分割质量或分区质量中的一个。在一个全面的评估，SCOUT优于现有的方法在精度和计算复杂性。
2016-05-05 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
Constrained Spectral Clustering for Dynamic Community Detection
网络是许多具有交互实体的系统的有用表示，例如社会，生物和物理系统。描述中尺度组织即社团结构是网络科学的一个重要问题。社区检测的目的是将网络划分为内部连接密集但与其他密集节点集稀疏连接的节点集。目前的社区检测工作主要集中在静态网络上。然而，许多现实世界的网络是动态的，即它们的结构和属性随时间变化，需要动态社区检测的方法。在本文中，我们提出了一个新的随机块模型（SBM）的社区成员的演化建模。与现有的SBM不同，所提出的模型允许每个社区以不同的速度发展。这个新的模型被用来推导出一个最大后验估计社区检测，它可以被写为一个受约束的谱聚类问题。特别地，每个社区的转移概率在每个时间点修改图邻接矩阵。该公式提供了动态网络的统计网络推理和谱聚类之间的关系。所提出的方法进行评估模拟和真实的动态网络。
2019-11-04 cs.SI physics.soc-ph
SGPD Volume Maximization for Community Detection
在这篇笔记中，我们简要地研究了在复杂网络中使用外围顶点进行社区检测的可行性。我们的方法提出了一个新的方向公理化的问题，聚类图和复杂的网络，通过查看每个顶点在社区结构中发挥的拓扑作用，无论属性。伪外围顶点作为复杂网络分析的杠杆的有前途的力量也证明了对现实世界的数据。
2015-11-04 cs.SI physics.soc-ph
Ensemble-Based Discovery of Disjoint, Overlapping and Fuzzy Community Structures in Networks
虽然数据采掘中的集成聚类已经做了大量的工作，但集成方法在网络社区发现中的应用还处于起步阶段。在本文中，我们提出了两种集成方法：ENDISCO和MEDOC。ENDISCO执行不相交的社区发现。相比之下，MEDOC执行不相交，重叠，和模糊社区发现，并代表了第一次集成方法模糊和重叠社区发现。我们运行广泛的实验，这两种算法对合成和几个真实世界的数据集，社区结构是已知的。我们表明，ENDISCO和MEDOC都击败了最著名的现有独立的社区发现算法（虽然我们强调，他们利用他们）。在不相交的社区发现的情况下，我们表明，ENDISCO和MEDOC击败现有的集成社区发现算法无论是在多个准确性措施和运行时间。我们进一步表明，我们的集成算法可以帮助探索网络社区的核心-外围结构，识别动态网络中的稳定社区，并帮助解决“解的退化”问题，产生强大的结果。
2017-12-06 cs.SI 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
Correlation-Based Community Detection
从复杂网络中挖掘社区结构是一个跨领域的重要问题。许多现有的社区发现方法通过优化社区评价函数来检测社区。然而，这些函数中的大多数甚至在随机图上具有很高的值，并且可能无法检测大规模网络中的小社区（所谓的分辨率限制问题）。在本文中，我们引入了两个新的节点为中心的社区评价功能，通过相关性分析与社区发现。我们将进一步表明，相关性分析可以提供一个新的理论框架，它统一了一些现有的评价函数的背景下，基于相关性的优化问题。在此框架下，我们可以通过选择合适的相关函数来缓解分辨率极限问题并消除随机波动的影响。此外，我们将关联规则挖掘中的三个关键属性引入到社区发现中，以帮助我们选择合适的相关函数。基于我们引入的相关函数，我们提出了一个社区发现算法CBCD。我们提出的算法优于现有的国家的最先进的算法在合成基准网络和现实世界的网络。
2019-04-09 cs.SI physics.soc-ph
Multiscale Evolutionary Perturbation Attack on Community Detection
社区发现的目的是根据节点之间的连接关系对节点进行分组，它在网络分析中起着重要的作用，因为社区被视为元节点，允许我们创建一个大规模的网络地图，以简化其分析。然而，出于隐私原因，我们可能希望在某些情况下防止社区被发现，从而导致社区欺骗的话题。在本文中，我们形式化这个社区发现攻击问题在三个尺度，包括全球攻击（宏观），目标社区攻击（中尺度）和目标节点攻击（微观）。我们将其视为一个优化问题，并进一步提出了一种新的进化扰动攻击（EPA）方法，在那里我们生成对抗网络来实现社区发现攻击。数值实验验证了我们的EPA可以成功地攻击所有三个尺度上的网络社区算法，即，隐藏目标节点或社区，并通过仅改变一小部分链接来进一步扰乱整个网络的社区结构。相比之下，我们的EPA在六个合成网络和三个真实网络上的表现优于一些基线攻击方法。更有趣的是，虽然我们的EPA是基于louvain算法，它也是有效的攻击其他社区发现算法，验证了其良好的可移植性。
2021-02-08 cs.SI physics.soc-ph
Joint Nonnegative Matrix Factorization for Community Structures Detection in Signed Networks
符号网络中的社团结构检测对于理解符号网络的拓扑结构以及符号网络的功能（如信息扩散、传染病传播等）具有重要意义.本文提出了一种联合非负矩阵分解模型来检测社团结构.此外，我们提出了修改的分区密度来评估社区结构的质量。我们使用它来确定社区的适当数量。我们的方法的有效性证明了基于合成和现实世界的网络。
2018-07-22 cs.SI physics.soc-ph
Metrics matter in community detection
我们提出了一个重要的评价归一化互信息（NMI）作为评价指标的社区发现。NMI夸大了leximin方法在弱社区上的性能：leximin在寻找平凡的单例聚类时，真的优于其他八种社区发现方法吗？来自文献的三种NMI改进是AMI、rrNMI和cNMI。我们在相关随机模型下显示了等效性，并且为了评估社区发现，我们建议在$\mathbb{M}_{\mathrm{all}}$模型（$n$节点的所有分区）下单侧AMI。这项工作的目的是（1）开始关于健全的衡量标准的对话，（2）倡导不提供“免费午餐”的评价。
2019-01-05 cs.SI physics.soc-ph
From Community Detection to Community Deception
University of Calabria（卡拉布里亚大学）；Institute for High Performance Computing and Networking, ICAR-CNR（高性能计算与网络研究所，ICAR-CNR）
社区欺骗问题是关于如何从社区发现算法中隐藏目标社区C。每当一组实体（例如，积极分子、警察执法部门）希望合作，同时隐瞒他们作为一个社区的存在。在本文中，我们介绍和形式化的社区欺骗问题。为了解决这个问题，我们描述了仔细重新连接C的成员的算法。我们的实验表明，如何现有的社区发现算法可以欺骗，并通过引入欺骗分数量化的欺骗水平。我们相信，我们的研究是有趣的，因为，同时显示如何欺骗可以实现它提高了意识的设计新的检测算法鲁棒欺骗技术。
2016-09-01 cs.AI cs.SI physics.soc-ph
RobustECD: Enhancement of Network Structure for Robust Community Detection
社区发现是网络分析中的一个重要环节，它主要研究节点间的相互作用。然而，它也面临着许多挑战，如数据丢失和对抗攻击。如何进一步提高社区发现在现实网络中的性能和鲁棒性，已经引起了人们的极大关注。本文从增强网络结构的角度研究了鲁棒社区发现问题，提出了两种通用算法：一种是基于遗传算法的鲁棒社区发现算法（RobustECD-GA），在适应度函数中结合模块度和聚类数来寻找最优的结构增强方案;另一种是基于相似性集成的鲁棒社区发现（RobustECD-SE），集成了各种顶点相似性捕获的社区结构的多种信息，在大规模网络上具有很好的扩展性。在真实网络上的综合实验表明，与传统的两种增强策略相比，新方法使六种典型的社区发现算法的性能得到了更显著的提高。在相应的对抗网络上的实验表明，新方法还能在一定程度上优化网络结构，对对抗攻击具有较强的鲁棒性。本文的源代码发布在https://github.com/jjzhou012/RobustECD上。
2021-07-01 cs.SI physics.soc-ph
Community Detection via Facility Location
在本文中，我们应用设施选址理论的理论和实际结果的问题，社区检测网络。其结果是一个算法，计算上的局部模块化的最小化变量的界限。我们还定义了边缘支持的概念和一个新的措施的良好的社区结构相对于这个概念。我们目前的初步结果，并指出，我们的方法是大规模并行化。
2007-11-09 physics.data-an physics.soc-ph
Community Detection in Complex Networks using Link Prediction
社区发现和链接预测在网络分析中具有重要意义，它们从不同的角度对网络的拓扑结构提供了非常有价值的见解。针对链接预测能否提高社区划分的准确性这一问题，提出了一种新的社区发现算法，该算法引入了链接预测.对于链接预测，我们提出了两个新的索引来计算每对节点之间的相似性，其中一个旨在添加丢失的链接，另一个试图删除虚假的边缘。在基准数据集上进行了大量的实验，并将该算法的结果与两类基线进行了比较。总之，我们提出的算法是有竞争力的，揭示了链接预测确实提高了社区发现的精度。
2017-07-10 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
Community Structure Detection in Complex Networks with Partial Background Information
约束聚类在无监督学习领域得到了广泛的研究。然而，如何在复杂网络中将约束编码到社区结构检测中仍然是一个具有挑战性的问题。在本文中，我们提出了一个半监督学习的社区结构检测框架。该框架通过修改网络的邻接矩阵隐式地编码了必须连接和不能连接的约束，也可以看作是对社团结构的一致性矩阵进行了去噪处理。我们提出的方法考虑了复杂网络的拓扑结构和功能（背景信息），这增强了结果的可解释性。在合成基准测试和真实网络上进行的比较表明，该框架能够在较少约束条件下显著提高社区发现性能，是复杂网络分析中一种有吸引力的方法.
2013-03-22 cs.SI physics.soc-ph
Node-centric community detection in multilayer networks with layer-coverage diversification bias
信息网络中以节点为中心的或局部的社区发现问题是指对于具有关于网络拓扑的有限信息的给定输入节点的社区的识别。然而，解决这个问题的现有方法并不适用于复杂网络。在本文中，我们提出了一个新的框架，局部社区发现的多层网络模型的基础上。我们的方法依赖于社区内部连接密度和外部连接密度之间的比例最大化，根据多层相似性为基础的社区关系。我们还定义了一个偏置方案，允许发现当地社区的特点是不同程度的层覆盖多样化。在真实世界的多层网络上进行的实验评估表明了我们的方法的意义。
2017-04-11 cs.SI physics.soc-ph
Community detection algorithm evaluation with ground-truth data
社区结构对于理解复杂网络至关重要。因此，为了开发有效的社区发现算法，存在巨大的努力。不幸的是，公平评估这些算法的问题是一个蓬勃发展的开放问题。如果真值社区结构可用，则使用各种基于聚类的度量，以便将其与这些算法发现的度量进行比较。然而，在节点级别定义的这些度量对整个社区结构的变化相当不敏感。为了克服这些限制，我们建议利用的拓扑特征的“社区图”（其中的节点是社区和链接代表他们的相互作用），以评估算法。为了说明我们的方法，我们进行了全面的分析重叠社区发现算法使用一组现实世界的网络与已知的先验社区结构。结果提供了一个更好的感知其相对性能相比，经典的指标。此外，他们表明，更多的重点应该放在社区结构的拓扑结构。我们还研究了社区结构的拓扑性质和替代评价指标（质量指标和聚类指标）之间的关系。显然，他们提出了不同的意见，社区结构，他们必须结合起来，以评估社区发现算法的有效性。
2017-11-26 cs.SI physics.soc-ph
Ensemble approaches for improving community detection methods
Linkoping University（林雪平大学）；Umeå University（于默奥大学）；Swedish Defence Research Agency（瑞典国防研究局）
统计估计往往可以通过融合来自几个不同来源的数据来改进。一个例子是所谓的集成方法，它已成功应用于机器学习等领域，用于分类和聚类。在本文中，我们提出了一种集成方法，以提高社区检测聚合的信息发现在一个合奏的社区结构。这个集合可以通过重新采样方法、多次运行随机社区检测方法或应用于同一网络的几种不同社区检测算法来发现。使用随机网络的社区结构，并与两种常用的社区检测方法进行了比较，所提出的方法进行了评估。所提出的方法应用于随机社区检测算法时，表现良好，计算复杂度低，从而提供了一种新的方法来社区检测和额外的社区检测方法。
2013-09-01 cs.LG cs.SI physics.soc-ph
Modeling Node Exposure for Community Detection in Networks
在社区发现中，数据集经常遭受采样偏差，通常具有高亲和力的节点似乎具有零亲和力。例如，当社交网络的两个仿射用户彼此不接触时，就会发生这种情况。在这种数据上的社区发现则受到将仿射节点视为非仿射节点的影响。为了解决这个问题，我们明确的模型（非）暴露机制的贝叶斯社区发现框架，通过引入一组额外的隐藏变量。与不对暴露进行建模的方法相比，我们的方法能够更好地重建输入图，同时在恢复社区方面保持类似的性能。重要的是，它允许估计两个节点被暴露的概率，这是标准模型无法提供的可能性。
2022-07-06 cs.SI physics.soc-ph
A similarity-based community detection method with multiple prototype representation
社区对于理解社交网络中的图结构具有重要意义。一些现有的社区发现算法使用单个原型来表示每个组。在实际应用中，这可能无法充分模拟不同类型的社区，因此限制了社交网络上的聚类性能。针对这一问题，提出了一种基于相似性的多原型社区发现方法。在SMP中，每个社区中的顶点具有不同的权重来描述它们的代表性程度。这种机制使每个社区能够由多个节点表示。节点的中心性用于计算原型权重，而相似性用于指导我们划分图。计算机生成的和真实世界的网络上的实验结果清楚地表明，SMP执行良好的检测社区。此外，与现有的社区发现模型相比，该方法借助原型权值，能够提供更丰富的社区内部结构信息。
2015-08-25 cs.SI 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
Community Detection with the Map Equation and Infomap: Theory and Applications
IceLab, Department of Physics, Umeå University（于默奥大学物理系冰实验室）；Scientific Computing Laboratory, Center for the Study of Complex Systems, Institute of Physics Belgrade, University of Belgrade（贝尔格莱德大学贝尔格莱德物理研究所复杂系统研究中心科学计算实验室）
本文介绍了Map Equation和Infomap方法用于复杂网络社区发现的理论与应用，探讨其灵活性及在不同研究问题中的适用性。
2026-02-04 physics.data-an physics.soc-ph
Accelerating Community Detection by Using K-core Subgraphs
社区检测是昂贵的，并且成本通常至少线性地取决于图中的顶点的数量。我们建议使用一个简化的图，它具有更少的节点，但仍然可以捕获关键的社区结构。图的K-核心是每个节点至少有K个连接的最大子图。我们提出了一个框架，通过应用昂贵的算法（模块化优化，鲁汶方法，谱聚类等）加速社区检测。到K-核心，然后使用廉价的启发式（如本地模块化最大化）来推断剩余节点的社区标签。我们的实验表明，该框架可以减少80%以上的运行时间，同时保持解决方案的质量。最近的理论研究提供了支持使用K-核心作为一个简化的表示。
2014-10-13 cs.SI physics.soc-ph
Modular Networks for Validating Community Detection Algorithms
如何准确比较不同的社区发现算法？这些算法对给定网络中的节点进行集群，并且它们的性能通常在具有显式地面真相社区的基准网络上进行验证。由于现实网络中缺乏聚类标签，因此需要一个生成真实网络的模型来准确评估这些算法。在本文中，我们提出了一个简单，直观，灵活的基准生成器生成本质上模块化的网络社区验证。我们展示了如何生成的网络密切遵守观察到的真实网络的特性，而他们的特性可以直接控制，以匹配广泛的现实世界的网络。我们进一步展示了如何共同的社区发现算法排名不同，当被评估这些基准相比，目前可用的替代品。
2018-01-04 cs.SI physics.soc-ph
Multi-Community Detection in Signed Graphs Using Quantum Hardware
符号图是社交网络建模的主要工具。它们可以表示个体之间的关系（即，节点）使用带符号的边。在签名图中发现社区在许多领域都非常重要，例如，有针对性的广告。我们提出了一个算法来检测多个社区的签名图。我们的方法减少了多社区检测问题的二次二进制无约束优化问题，并使用最先进的量子或经典优化器，找到一个最佳的分配每个人到一个特定的社区。
2019-01-12 physics.soc-ph quant-ph
LabelRank: A Stabilized Label Propagation Algorithm for Community Detection in Networks
大数据分析中的一个重要挑战是在大规模网络中发现内聚群体，包括社交网络、遗传网络、通信网络等。在本文中，我们提出了LabelRank，一个有效的算法检测社区通过标签传播。一组运营商被引入到控制和稳定的传播动力学。这些操作解决了传统标签传播算法（LPA）中的随机性问题，在同一网络的所有运行中稳定发现的社区。对真实网络的测试表明，与LPA以及其他流行算法相比，LabelRank显著提高了检测到的社区的质量。
2013-03-13 cs.DS cs.SI physics.soc-ph
Role-based Label Propagation Algorithm for Community Detection
网络的社区结构提供了对其组织结构和功能行为的全面洞察。LPA是最常用的社区发现算法之一，具有近似线性的时间复杂度。但由于引入了随机性，导致其稳定性差，容易出现怪物群落。我们注意到，不同的面向社区的节点角色以不同的方式影响标签传播。在本文中，我们提出了一个基于角色的标签传播算法（roLPA），在其中使用了关于面向社区的节点角色的算法。我们已经评估了所提出的算法在真实和人工网络。结果表明，roLPA是国家的最先进的社区发现算法相媲美。
2016-01-23 cs.SI physics.data-an physics.soc-ph
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。
2016-01-04 cs.SI physics.data-an physics.soc-ph
The many facets of community detection in complex networks
社区发现是将图分解为基本构建块的过程，是近年来网络科学的核心研究课题。由于什么构成社区的精确概念仍然是模糊的，社区发现算法经常在基准图上与特定形式的替代社区结构进行比较，并根据它们采用的数学技术进行分类。然而，这种比较可能会产生误导，因为它们的数学机制中明显的相似之处可能会掩盖不同的目标和原因，而这些目标和原因正是我们首先要采用社区发现的原因。在这里，我们提供了这些不同的动机，支持社区发现的重点审查。这种问题驱动的分类在应用网络科学中很有用，在应用网络科学中，为给定的目的选择合适的算法是很重要的。此外，强调不同方面的社区发现也划定了许多线的研究，并指出开放的方向和途径，为未来的研究。
2017-02-15 cs.SI physics.data-an physics.soc-ph
Efficient Bayesian Community Detection using Non-negative Matrix Factorisation
识别网络中的重叠社区是一项具有挑战性的任务。在这项工作中，我们提出了一种新的方法来社区检测，利用贝叶斯非负矩阵分解（NMF）模型产生一个概率输出的节点成员资格。该方案具有计算效率高，软社区成员和直观的基础。我们提出了对各种基准问题的方法的性能，并比较和对比它与其他几种算法的社区检测。与其他方法相比，我们的方法在计算成本的一小部分上表现良好。
2010-09-25 cond-mat.stat-mech physics.soc-ph stat.ML
Local multiresolution order in community detection
社区检测算法试图在任意复杂网络中找到最佳的节点簇。多尺度（“多分辨率”）社区检测扩展了这个问题，以确定这些集群的最佳网络规模。后一项任务通常通过同时分析网络中所有集群的社区稳定性来完成。在目前的工作中，我们扩展了这种一般的方法来定义本地多分辨率方法，使定义良好的本地社区的提取，即使在平均意义上的全球社区结构定义模糊。为此，我们提出了类似于变化的信息和归一化的互信息，用于定量识别的最佳分辨率（S）在社区层面上的集群在独立解决的系统之间的相关性的基础上的措施。我们证明了我们的方法在两个构建的网络，以及一个真正的网络，并得出推论当地社区的力量。我们的方法是独立的应用社区检测算法保存的固有要求，该方法能够识别社区在不同的网络规模，适当的变化，以考虑如何不同的分辨率进行评估或定义在一个特定的社区检测方法。原则上，它应该很容易适应其他社区比较措施。
2014-11-19 cond-mat.stat-mech cs.SI physics.soc-ph
Fast Detection of Community Structures using Graph Traversal in Social Networks
Heritage Institute of Technology（遗产理工学院）；University of Notre Dame（圣母大学）
在社交网络中寻找社区结构被认为是一项具有挑战性的任务，因为许多所提出的算法在计算上是昂贵的，并且对于大型图来说不能很好地扩展。迄今为止提出的大多数社区发现算法不适合于需要实时社区检测的应用，尤其是对于大规模网络。Louvain方法使用模块度最大化来检测簇，通常被认为是最快的社区发现算法之一，即使其运行时间没有任何可证明的限制。我们提出了一种新的基于图的社区发现框架，它不仅运行速度比鲁汶方法，但也产生更好的质量为大多数基准数据集的集群。我们表明，我们的算法运行在O（|V| + |E|）时间来创建初始覆盖，然后使用模块化最大化来获得最终覆盖。关键词-社区发现;影响邻居得分;代理;社区节点;社区
2018-05-25 cs.AI cs.SI physics.soc-ph
MCMC Louvain for Online Community Detection
我们介绍了一种新的算法的社区发现，动态维护社区结构的大型网络，随着时间的推移。该算法最大限度地提高了模块化指数由于一个随机层次聚类的基础上的蒙特卡罗马尔可夫链（MCMC）方法的建设。有趣的是，它可以被视为Louvain算法的动态化（参见Blondel et Al，2008），其中聚合步骤被分层工具概率取代。
2016-12-05 cs.SI physics.soc-ph stat.ML
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
The efficiency of community detection by most similar node pairs
社区分析是确定复杂系统是否由具有不同性质的子结构组成的重要方法。本文利用最相似共引模式对SSCI期刊系统进行了两级社区结构分析。介绍了选择最相似节点（日志）对的五种不同策略。利用归一化互信息互信息技术检验了算法的有效性。统计特性和社团结果的比较表明，两级检测都能对复杂系统的社团结构提供指导性信息。通过对这5种策略的进一步比较发现，无论相似性信息是否完备，最有效的策略都是将相似性最大的节点分配到同一个社区中，而随机选择生成的是没有内部序的小世界局部社区。这些结果为有效的社区发现的最相似的节点对的指示。
2018-01-11 cs.DL cs.SI physics.soc-ph
Simultaneous Detection of Multiple Change Points and Community Structures in Time Series of Networks
在许多复杂系统中，网络和图以自然的方式出现。通常，时间演化行为可以很容易地发现和建模使用时间序列方法。其中，网络分析中两个常见的研究问题是社区发现和变点检测。社区发现的目的是发现网络中的特定子结构，而变点检测则试图发现子结构发生变化的时间点。我们提出了一种新的方法来检测社区结构和变化点同时基于模型选择框架，其中最小描述长度原则（MDL）被用作最小化的客观标准。一系列的数值实验和实际数据分析表明，该方法具有良好的实用性能。
2020-06-30 cs.SI physics.soc-ph stat.ME
Modularity based community detection in heterogeneous networks
异构网络是由不同类型的节点和链接这些节点的多种类型的边组成的网络。虽然社区发现已被广泛开发为分析仅包含一种类型节点的网络的有用技术，但针对异构网络开发的社区发现技术却很少。在本文中，我们提出了一个基于模块化的社区发现框架的异构网络。与现有的方法不同，所提出的方法具有灵活性，可以将社区的数量视为未知量。我们描述了一个Louvain型的最大化方法找到社区结构，最大化的模块化功能。我们的仿真结果表明，所提出的方法优于现有的方法。此外，所提出的模块度函数是一致的异构随机块模型框架下。DBLP四区域数据集和MovieLens数据集的分析证明了该方法的有效性。
2018-03-21 cs.SI physics.soc-ph stat.ME
Community Detection Algorithm Combining Stochastic Block Model and Attribute Data Clustering
Tohoku University（东北大学）；Yamagata University（山形大学）
我们提出了一种新的算法来检测社区结构的网络，利用网络结构和顶点属性数据。假设我们有网络结构和顶点属性数据，即分配给每个顶点的信息与它所属的社区相关联。本文所解决的问题是从网络结构和顶点属性数据的信息中检测社区结构。我们的方法是基于贝叶斯方法，模型的后验概率分布的社区标签。在我们的方法中的社区结构的检测是通过使用信念传播和EM算法。我们使用计算机生成的网络和真实世界的网络数值验证了我们的方法的性能。
2016-07-21 cs.LG 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
Different approaches to community detection
网络社区的确切定义仍然难以捉摸。因此，网络科学家将基准网络上的社区发现算法与特定形式的社区结构进行了比较，并根据它们采用的数学技术对其进行了分类。然而，这种比较可能会产生误导，因为它们的数学机制中明显的相似性可能会掩盖我们为什么要首先使用社区发现的不同原因。在这里，我们提供了这些不同的动机，支持社区发现的重点审查。这种问题驱动的分类在应用网络科学中很有用，在应用网络科学中，为给定的目的选择合适的算法是很重要的。此外，强调不同的方法来社区发现也划定了许多线的研究，并指出开放的方向和途径，为未来的研究。
2017-12-18 cs.SI physics.data-an physics.soc-ph
Generalized network community detection
社区结构在很大程度上被认为是复杂现实世界网络的内在属性。然而，最近的研究表明，网络包括更复杂的模块比经典的凝聚力社区。更准确地说，现实世界的网络也可以根据节点之间的常见连接模式自然划分。最近，已经提出了一种基于传播的算法用于检测任意网络模块。在这里，我们提出了一个更充分的社区建模的基础上网络聚类后者。由此产生的算法评估各种合成基准网络和随机图。它被证明是目前国家的最先进的算法相媲美，然而，与其他方法相比，它不需要一些先验知识的真实社区结构。为了证明其通用性，我们进一步采用该算法在不同的单部和二部现实世界的网络中的社区检测，广义社区检测和预测数据聚类。
2011-10-12 cs.SI physics.data-an physics.soc-ph
Community Detection in Networks with Node Features
网络中的社区检测已经提出了许多方法，但大多数方法都没有考虑到在实践中通常可用的节点上的附加信息。在本文中，我们提出了一个新的联合社区检测标准，使用网络的边缘信息和节点的功能来检测社区结构。与现有的联合检测方法相比，我们的方法的一个优势是学习不同特征的影响的灵活性，这些特征在社区中可能会有所不同。另一个优点是选择特征信息对社区的影响量的灵活性。该方法在块模型下是渐近一致的，并对特征分布做了额外的假设，在模拟和真实网络上都有很好的表现。
2015-09-03 cs.SI physics.soc-ph stat.ML
Community-detection cellular automata with local and long-range connectivity
我们探索了一个社区检测元胞自动机算法的灵感来自人类的记忆，基于信息扩散和非线性处理阶段的动力学灵感来自人类的记忆。该方法的要点是，从个人的角度来看，提供不同的“视图”的聚类水平。我们将该方法应用到网络与本地连接和远程重新布线。
2012-06-11 cs.SI nlin.CG physics.soc-ph
A novel metric for community detection
针对传统Modularity在社区检测中的局限，提出基于链路预测可预测性的新度量，比传统方法更具鲁棒性，能评估算法稳定性并揭露错误检测。
2019-09-27 cs.SI physics.data-an physics.soc-ph
Community Detection in Complex Networks Using Density-based Clustering Algorithm
与聚类分析一样，社区发现的目的是将网络中的节点分配到不同的社区中。Fdp是最近提出的一种基于密度的聚类算法，它不需要事先输入聚类数，聚类结果对聚类参数不敏感。然而，Fdp不能直接应用于社区发现，因为它不能识别网络中的社区中心。针对这一问题，提出了一种新的社区发现方法IsoFdp。首先，我们使用Isomap技术将网络数据映射到一个低维流形上，该流形可以显示不同的成对相似性。然后应用Fdp算法检测网络中的社区。提出了一种改进的划分密度函数来自动选择合适的社区数目。我们在合成网络和真实网络上测试了我们的方法，结果表明我们的算法比最先进的方法有效。
2016-01-31 cs.SI physics.data-an physics.soc-ph
