Modularity and Projection of Bipartite Networks
研究了二分网络上基于模块度最大化的社区发现问题。特别是,我们感兴趣的投影操作,使用一个节点集的二分网络,以推断节点之间的连接,在其他设置,互动与社区发现。我们首先定义了一个概念的模块化适当的投影二分网络,并概述了一个算法,最大化它,以划分网络。使用真实和合成网络,我们比较了由五种不同算法发现的社区,其中每种算法最大化不同的模块化函数,并看到二分结构的不同方面。基于这些结果,我们提出了一个简单的启发式寻找社区的二分网络。
2019-08-07 cs.SI physics.soc-ph
Detecting Communities in Networks by Merging Cliques
已经提出了许多算法来检测网络中的不相交社区(相对密集连接的子图)。一种流行的技术是优化模块化,这是一种衡量分区质量的标准,即内部和社区间边缘的数量。最大化模块度的贪婪近似算法可以非常快速和有效。我们提出了一个新的算法,开始检测不相交的集团,然后合并这些优化模块化。我们表明,这比其他类似的算法在模块化和执行速度方面表现更好。
2012-02-02 cs.SI physics.soc-ph
Post-processing partitions to identify domains of modularity optimization
我们引入了凸包的容许模块划分(CHAMP)算法修剪和优先级不同的网络社区结构,确定在多个运行的可能各种计算拓扑。给定一组分区,CHAMP识别每个分区的模块化优化域-即,参数空间域,其中它相对于输入集具有最大的模块性-丢弃具有空域的分区以获得分区的子集,所述分区的子集是在所指示的参数域上保持潜在最优的“可接受的”候选社区结构。重要的是,CHAMP可以用于多维参数空间,例如用于多层网络的那些,其中一个包括分辨率参数和层间耦合。使用CHAMP的结果,用户可以通过观察优化域的大小和可容许子集中分区之间的成对比较来更适当地选择健壮的社区结构。我们展示了几个示例网络的实用程序的CHAMP。在这些示例中,CHAMP将注意力集中在可接受分区的修剪子集上,这些子集比输入到CHAMP中的由社区发现算法获得的唯一分区集小20到1785倍。
2017-08-21 cs.SI physics.soc-ph
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。
2013-08-29 cs.SI physics.data-an physics.soc-ph
Community detection in directed acyclic graphs
一些时间网络,最著名的是引用网络,自然地表示为有向无环图(DAG)。为了检测DAG中的社区,我们通过定义适当的空模型(即,随机化网络)尊重节点的顺序。我们实现了一种谱方法,以近似最大化所提出的模块性度量,并在引用网络和其他DAG上测试该方法。我们发现,达到的值的模块化的DAG是相似的分区,我们通过最大化建议的模块化(设计的DAG),模块化的无向网络和一般有向网络。换句话说,如果我们忽略给定的DAG中节点的顺序(以及链接的方向)并最大化传统的模块性度量,则获得的分区接近于DAG模块性意义上的最佳分区。
2015-08-12 cs.SI physics.soc-ph
Modularity functions maximization with nonnegative relaxation facilitates community detection in networks
在这里,我们表明,最大化一个家庭的定量功能,包括模块化(Q-措施)和模块密度(D-措施),社区检测的问题可以统一理解为一个组合优化涉及的矩阵称为模块化拉普拉斯算子的轨迹。我们在图聚类问题中引入了非负约束,并设计了有效的算法来优化新的目标,而不是使用传统的谱松弛算法。在明确的非负约束条件下,我们的解决方案非常接近理想的社区指标矩阵,并可以直接分配到社区的节点。解的近正交列可以重新表示为对应节点属于每个社区的后验概率。因此,所提出的方法可以用来识别模糊或重叠的社区,从而有利于理解网络的内在结构。实验结果表明,我们的新算法一致,有时显着,优于传统的谱松弛方法。
2011-08-30 cs.SI physics.soc-ph
Parallel Heuristics for Scalable Community Detection
社区发现已成为众多图论应用中的基本操作。它用于揭示真实世界网络中存在的自然划分,而不会对社区集合施加事先的大小或基数约束。尽管其潜在的应用,只有有限的支持社区发现的大规模并行计算机上,主要是由于不规则的和固有的顺序性的基本算法。在本文中,我们提出了并行化算法的快速社区发现使用的鲁汶方法作为串行模板。Louvain方法是模块化优化的迭代启发式方法。该方法最初由Blondel等人在2008年开发,由于其能够以快速和内存高效的方式检测高模块化社区分区,因此变得越来越受欢迎。然而,该方法本身也是顺序的,从而限制了其可扩展性。在这里,我们观察到这种方法的某些关键属性,其并行化提出了挑战,因此提出了旨在打破顺序障碍的算法。出于评估目的,我们使用OpenMP多线程实现了我们的算法,并在来自多个应用程序域的真实世界图上对其进行了测试(例如,互联网、引文、生物学)。与串行Louvain实现相比,我们的并行实现能够在相当数量或更少的迭代中为大多数测试输入产生具有更高模块性的社区输出,同时使用32个线程提供高达16倍的绝对加速。
2014-10-07 cs.DC cs.SI physics.soc-ph
Relating modularity maximization and stochastic block models in multilayer networks
描述网络中的大规模组织,包括多层网络,是网络科学中最突出的主题之一,对许多应用都很重要。一种类型的中尺度特征是群落结构,其中节点集内部密集连接,但与其他密集节点集稀疏连接。社区发现的两种最流行的方法是最大化被称为“模块化”的目标函数和使用随机块模型执行统计推断。推广工作纽曼单层网络(物理评论E 94,052315),我们表明,在多层网络中,最大化模块化是等价的,在一定条件下,最大化后验概率的社区分配下,适当选择的随机块模型。我们推导出各种类型的多层结构,包括时间,多路复用和多级网络的这种等价的版本。我们考虑的情况下,其中的关键参数是恒定的,以及它们在不同的层;在后一种情况下,这产生了一个新的,层加权版本的模块化函数。我们的研究结果还有助于解决一个长期存在的困难,多层模块化最大化算法,这需要规范的两套调谐参数,在实践中很难选择。我们展示了如何以一种基于经验的方式进行参数选择,并证明了我们的方法在合成网络和经验网络上的有效性。
2018-12-06 cs.SI math.PR physics.data-an
Multilayer Modularity Belief Propagation To Assess Detectability Of Community Structure
基于模块化的社区发现包括许多广泛使用的、有效的网络结构识别算法。最近,一种用于模块化优化的置信传播方法为识别单层网络中的非平凡结构提供了有用的指导,这是其他优化算法所没有的。在本文中,我们扩展模块化的信念传播多层网络。作为该开发的一部分,我们还直接引入了分辨率参数。我们表明,调整分辨率参数影响算法的收敛性能,并产生不同的社区结构比基线。我们比较我们的方法与广泛使用的社区发现工具,GenLouvain,在一系列的合成,多层基准网络,证明我们的方法执行的最先进的状态。最后,我们证明了我们的工具提供的额外信息的实际优势,通过两个现实世界的网络例子。我们展示了该算法的收敛特性如何可以用于选择适当的分辨率和耦合参数,以及节点级边缘如何为所确定的社区的附着强度提供解释。为了方便使用,我们将我们的工具作为Python包发布。
2020-07-03 cs.SI physics.data-an physics.soc-ph
Scalable detection of statistically significant communities and hierarchies, using message-passing for modularity
模块化是衡量社区结构的一个常用指标。然而,最大化模块性可能会导致许多具有几乎相同模块性的竞争分区,这些分区彼此之间的相关性很差。它还可以在不存在的随机图中产生虚幻的“社区”。我们解决这个问题,通过使用的模块化作为一个哈密顿量在有限的温度,并使用一个有效的信念传播算法,以获得共识的许多分区具有高模块化,而不是寻找一个单一的分区,最大化it.We分析和数值计算表明,该算法的工作一直到可检测性过渡的随机块模型所产生的网络。它在现实世界的网络中也表现良好,揭示了一些网络中的大型社区,而以前的工作声称不存在社区。最后,我们表明,通过递归地应用我们的算法,细分社区,直到没有显著的子社区可以找到,我们可以更有效地检测在现实世界中的网络层次结构比以前的方法。
2014-12-27 cond-mat.stat-mech cs.SI physics.soc-ph
Total variation based community detection using a nonlinear optimization approach
最大化网络的模块化是识别重要节点社区的成功工具。然而,这个组合优化问题是NP完全的。受最近的非线性模块化特征向量方法的启发,我们引入了模块化总变差$TV_Q$,并证明了其框约束的全局最大值与原始离散模块化函数的最大值相一致。因此,我们描述了一个新的非线性优化方法来解决等价的问题,导致社区发现策略的基础上$TV_Q$。所提出的方法依赖于使用一个快速的一阶方法,嵌入一个定制的活动集策略。我们报告了广泛的数值比较与标准的基于矩阵的方法和广义RatioDCA方法的非线性模块化特征向量,表明我们的新方法相比,有利的国家的最先进的替代品。
2020-06-05 cs.SI math.OC 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
Null-adjusted persistence function for high-resolution community detection
针对复杂网络社区检测中模块度与持久概率的各自缺陷,提出融合二者特性的零模型调整持久度目标函数,用改进Louvain方法最大化该函数,在基准和真实网络中实现了更高分辨率的社区检测效果。
2025-05-19 math.OC physics.soc-ph
Optimality Of Community Structure In Complex Networks
社区发现是发现复杂网络结构的关键工具之一。大多数的社区发现方法依赖于优化某些质量函数的特点提出的社区结构。也许,这些质量函数中最常用的是模块化。许多算法都声称在模块化最大化方面是有效的,这通常是通过将它们的结果与其他已知算法提供的结果进行比较来相对证明的。然而,由于所有的方法都是穷举法,而完全的蛮力是不可行的,没有已知的方法来理解所获得的划分是否真的是最优的。在这篇文章中,我们从另一个方面解决模块化最大化问题--找到给定网络中可能的模块化值的上限估计,从而更好地评估建议的社区结构。此外,在某些情况下,当上界估计满足实际获得的模块化分数时,它提供了一个证明,即建议的社区结构确实是最优的。我们提出了一个有效的算法来建立这样一个上限估计,并说明其使用的例子,著名的经典和合成网络,能够证明现有的分区的最优性的一些网络,包括著名的扎卡里的空手道俱乐部。
2017-12-14 cs.SI physics.data-an 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
Community structure in directed networks
我们考虑在有向网络中寻找社区或模块的问题。在以前的文献中,这个问题的最常见的方法是简单地忽略边缘方向和应用开发的方法在无向网络中的社区发现,但这种方法丢弃潜在的有用信息中包含的边缘方向。在这里,我们展示了如何被广泛使用的效益函数称为模块化,可以推广到一个原则性的方式,将包含在边缘方向的信息。这反过来又允许我们通过最大化网络可能划分的模块性来找到社区,我们使用基于相应模块性矩阵的特征向量的算法来实现这一点。这种方法被证明比以前的方法在各种测试网络,真实的和计算机生成的结果。
2007-09-27 physics.data-an physics.soc-ph
Finding Community Structure with Performance Guarantees in Complex Networks
许多网络,包括社交网络,计算机网络,和生物网络被发现自然地划分成密集连接的个体的社区。社区结构的发现是网络科学的基本问题之一。自从Newman建议使用\emph{modularity}作为衡量社区结构优劣的一个标准以来,许多有效的方法被提出来最大化模块化,但没有最优性的保证。在本文中,我们提出了两个多项式时间算法的模块化最大化问题的理论性能保证。第一个算法带有一个\emph{priori guarantee},当网络具有幂律度分布时,所发现的社区结构的模块度在最优模块度的一个常数因子内。尽管主要是理论上的兴趣,据我们所知,这是第一个近似算法寻找社区结构的网络。在我们的第二个算法中,我们提出了一个\emph{sparse metric},一个大大加快的线性规划方法,最大限度地提高模块化和应用舍入技术的基础上,这个稀疏度量与\emph{posteriori approximation guarantee}。我们的实验表明,舍入算法在大多数情况下返回的最优解,是非常可扩展的,也就是说,它可以运行在一个网络上的几千个节点,而在文献中的LP解决方案只能运行在一个网络上的最多235个节点。
2011-08-19 cs.DS cs.SI 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
A fast multilevel algorithm for graph clustering and community detection
聚类质量的最有用的度量之一是分区的模块性,它度量连接来自同一聚类的顶点的边的数量与随机(非结构化)图中此类边的预期数量之间的差异。在本文中,我们表明,寻找一个分区最大化给定的图G的模块度的问题可以归结为一个最小加权割问题上的一个完全图与G的顶点相同。然后,我们表明,所产生的最小割问题可以有效地解决与现有的软件图分区,我们的算法发现聚类的质量更好,速度更快,比现有的聚类算法。
2007-07-16 physics.data-an physics.soc-ph
Detecting Functional Communities in Complex Networks
我们考虑一个替代定义的社区结构是功能性动机。我们定义网络社区结构的基础上的功能的网络系统是要执行的。特别是,作为这种方法的一个具体例子,我们认为社区的功能是增强的能力,同步和/或节点故障的弹性。以前的工作表明,在许多情况下,网络的邻接矩阵的最大特征值控制同步和渗透过程的发生。因此,对于网络的功能性能取决于这些过程,我们提出了一种方法,将一个给定的网络划分为社区的基础上最大化的最大特征值的函数的邻接矩阵的社区。我们还探讨了通过我们的方法和模块化方法(这是完全基于网络结构的考虑)获得的分区之间的差异。我们对几种不同类型的网络进行了这种分析。我们发现,在许多情况下,基于模块化的分区做几乎以及我们的功能为基础的方法在寻找功能社区,即使模块化并没有特别纳入功能的考虑。
2012-03-02 physics.data-an physics.soc-ph
Mixing local and global information for community detection in large networks
大型复杂网络的聚类问题在从生物学到社会学和计算机科学等多个科学领域中起着关键作用。许多聚类复杂网络的方法都是基于最大化网络模块度函数的思想。其中一些方法可以归类为全局方法,因为它们利用有关整个网络拓扑的知识来查找集群。相反,其他方法可以被解释为本地的,因为它们只需要网络拓扑的部分知识,例如,顶点的邻居。全球的方法是能够实现高价值的模块化,但他们没有规模以及大型网络,因此,他们不能应用于分析在线社交网络,如Facebook或YouTube。相比之下,本地方法速度快,可以扩展到大型的真实网络,但代价是结果比本地方法差。在这篇文章中,我们提出了一个glocal方法来最大化模块化,即,我们的方法使用全局级的信息,但其在大型网络上的可扩展性与局部方法相当。所提出的方法被称为复杂网络集群检测(或简称为结论)。它分为两个阶段:在第一阶段中,它使用基于有限长度的随机和非回溯行走的信息传播模型来计算每个边缘在保持网络连接中的重要性(称为边缘中心性)。然后,使用边中心性将网络顶点映射到欧氏空间的点上,并计算所有连接顶点对之间的距离。在第二阶段,CONCLUDE使用第一阶段计算的距离将网络划分为聚类。结论是计算效率高,因为在平均情况下,它的成本是大致线性的网络的边缘数量。
2013-10-16 cs.SI 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
On the Complexity of Newman's Community Finding Approach for Biological and Social Networks
给定交互图,模块(也称为社区或集群)是节点的子集,其适应度是模块中节点的成对交互的统计显著性的函数。本文的主题是一个基于模型的社区发现方法,通常被称为模块化聚类,最初由纽曼提出,随后在实践中非常流行。目前,各种启发式方法被用来寻找最优解。然而,这种方法的精确计算复杂度在很大程度上仍然是未知的。为此,我们发起了一个系统的研究模块化聚类的计算复杂性。由于模块度函数具有特殊的二次性质,有必要分别研究其在稀疏图和稠密图上的取值。我们的主要结果包括稠密图的(1+ \eps)-不可逼近性和稀疏图的对数逼近。我们利用几个组合性质的模块得到这些结果。这些是第一个非平凡的逼近结果超出了以前已知的NP-硬度的结果。
2012-04-11 cs.CC cs.DM cs.SI
Recurrent Graph Neural Network Algorithm for Unsupervised Network Community Detection
Center For Urban Science+Progress, New York University(纽约大学城市科学与进步中心)
网络社区发现通常依赖于优化划分质量函数,如模块化。这种优化似乎是一个复杂的问题,传统上依赖于离散算法。虽然该问题可以重新表述为连续优化,但直接应用标准优化方法在克服众多局部极值方面的效率有限。然而,深度学习的兴起及其在图形中的应用提供了新的机会。虽然图神经网络已被用于网络上的监督和无监督学习,但尚未探索其在模块化优化中的应用。本文提出了一种新的变体的递归图神经网络算法的无监督网络社区发现,通过模块优化。将新算法的性能与一种流行的快速Louvain算法和作者最近提出的一种效率更高但速度更慢的Combo算法进行了比较。该方法还作为一个概念验证的更广泛的应用程序的经常性图神经网络无监督网络优化。
2021-03-03 cs.LG cs.SI physics.soc-ph
Generalized Louvain Method for Community Detection in Large Networks
在本文中,我们提出了一种新的策略,发现社区结构(可能是大型)网络。这种方法是基于众所周知的网络模块化优化的概念。要做到这一点,我们的算法利用了一种新的措施的边缘中心,基于k路径。这种技术允许在接近线性时间内有效地计算大型网络中的边缘排名。一旦计算出中心性排名,该算法就计算网络节点之间的成对接近度。最后,它发现了社区结构,采用了著名的最先进的鲁汶方法(以下简称LM)的启发策略,有效地最大化网络模块化。我们进行的实验表明,我们的算法优于其他技术,并略有改善原始LM的结果,提供可靠的结果。另一个优点是,它的采用自然地扩展到甚至未加权的网络,与LM不同。
2012-02-10 cs.SI physics.soc-ph
Multiway spectral community detection in networks
网络中社区检测最广泛使用的方法之一是最大化称为模块度的质量函数。在此背景下使用的许多最大化技术中,一些概念上最有吸引力的是谱方法,该方法基于模块度矩阵的特征向量。然而,谱算法在很大程度上局限于将网络划分为两个或三个社区,而划分为三个以上社区则是通过重复的双向划分来实现的。在这里,我们提出了一个频谱算法,可以直接将网络划分为任何数量的社区。该算法利用从模块化最大化到向量划分问题的映射,结合向量划分的快速启发式。我们比较这种频谱算法与以前的方法的性能,并发现它给优越的结果,特别是在社区规模不平衡的情况下。我们还给出了该算法在两个真实网络中的示范应用,并发现它产生的结果与所研究的网络的预期吻合得很好。
2015-06-22 cond-mat.stat-mech cs.SI physics.soc-ph
Geometric Multiscale Community Detection: Markov Stability and Vector Partitioning
多尺度社区发现可以从马尔可夫稳定性框架内的动态角度来看待,该框架使用马尔可夫过程在图上的扩散来揭示所有尺度上的内在网络子结构。在这里,我们重新制定多尺度社区发现作为一个最大和长度向量分割问题的一组时间相关的节点向量表示的特征向量的过渡矩阵。这个公式提供了一个几何解释的马尔可夫稳定性的时间依赖的频谱嵌入,其中马尔可夫时间作为一个非齐次的几何分辨率因子,缩放的组件的节点向量以不同的速率。我们的几何公式包括模块化和多分辨率Potts模型,这被证明是对应于伪欧几里德空间中的向量分区,也与频谱分区方法,其中使用的特征向量的数量对应于底层嵌入向量空间的维度。启发的卢万优化社区发现,然后我们提出了一个算法的基础上的图形理论启发式的向量划分问题。我们将该算法应用于模块化和马尔可夫稳定性社区发现的谱优化。基于转移矩阵特征向量的谱嵌入比模块度矩阵的特征分解具有更高的信息量和更高的模块度。我们用随机网络基准来说明结果。
2017-08-10 cond-mat.stat-mech cs.SI physics.soc-ph
Towards real-time community detection in large networks
最近大规模在线社交网络(OSN)的蓬勃发展,使得并行和可扩展的计算技术的使用成为必要。我们研究的问题,实时社区检测和最近提出的线性时间为O(m)的网络上有m个边缘标签传播或“流行病”社区检测算法。我们确定的算法的特点和缺点,并将其扩展到不同的算法,以促进可靠的和多功能的实时社区检测。在有限的计算资源下,我们将该算法应用于具有100万个节点和约5800万条有向边的OSN数据。实验和基准测试表明,扩展算法不仅速度更快,但其社区检测精度相比,有利的流行的模块化增益优化算法,已知遭受其分辨率限制。
2009-06-20 physics.soc-ph
Network clustering and community detection using modulus of families of loops
我们研究的结构,在网络中的循环使用的概念,模的循环家庭。我们引入了一个新的网络聚类措施,通过量化(简单)循环的家庭的丰富性。Modulus试图通过最佳地扩展预期的链路使用来最小化环路之间的预期重叠。我们提出加权网络使用这些预期的链接使用,以改善经典的社区发现算法。我们表明,所提出的方法提高了某些算法的性能,如频谱划分和模块化最大化算法,在标准的基准测试。
2016-12-26 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
Influencing Busy People in a Social Network
我们确定有影响力的早期采用者在社会网络中,个人资源有限,以最大限度地传播多种,昂贵的行为。这个问题的解决方案对于病毒式营销尤为重要。在社交网络中最大化影响力的问题具有挑战性,因为它在计算上是棘手的。我们做了三个贡献。首先,提出一种新的集体行为模型,它结合了个人意图、邻居行为知识和资源约束。其次,我们证明了多行为影响力最大化是NP难的。此外,我们表明,该问题是次模块化的,这意味着存在一个贪婪的解决方案,近似的最优解在一个常数。然而,由于贪心算法是昂贵的大型网络,我们提出了有效的算法来识别有影响力的个人,包括算法分配行为的不同的早期采用者。我们测试我们的方法在合成和现实世界的拓扑结构与优秀的结果。我们评估的有效性下三个指标:唯一的参与者数量,总的活跃行为和网络资源利用率。我们的算法比单纯的方法在预期资源利用率上提高了15-51%。
2016-03-15 cs.SI physics.soc-ph
Size Matters: A Comparative Analysis of Community Detection Algorithms
了解社交媒体的社区结构是至关重要的,因为它的广泛应用,如朋友推荐,用户建模和内容个性化。现有的研究使用结构性指标,如模块化和电导和功能性指标,如地面真理来衡量各种社区发现算法发现的社区的质量,而忽略了一个自然和重要的维度,社区规模。最近,人类学家邓巴建议,社交媒体中稳定社区的规模应该限制在150人以内,称为邓巴数。在这项研究中,我们提出了一个系统的方法,算法比较正交整合社区规模作为一个新的维度到现有的结构性指标,一致和全面地评估社会媒体环境中的社区质量。我们设计了一个启发式的基于团的算法,它控制的大小和重叠的社区可调参数,并评估它与五个国家的最先进的社区发现算法在Twitter网络和DBLP网络。具体来说,我们将发现的社区根据它们的大小分为四类,称为亲密朋友,普通朋友,熟人,只是一张脸,然后计算覆盖率,模块化,三角参与率,传导性,传递性和社区的内部密度在每个类。我们发现,在不同的类社区表现出不同的结构质量和许多现有的社区发现算法往往输出非常大的社区。
2017-12-03 cs.SI physics.soc-ph
Community detection in temporal multilayer networks, with an application to correlation networks
网络是表示交互实体的复杂系统的方便方式。许多网络包含节点的“社区”,这些节点彼此之间的连接比网络中其他节点的连接更密集。在本文中,我们研究了在时间网络表示为多层网络的社区检测。作为一个焦点的例子,我们研究时间依赖的金融资产相关网络。我们首先认为,使用“模块化”质量函数-这是通过比较观察到的网络中的边缘权重和“空网络”中的预期边缘权重来定义的-是依赖于应用的。在模块化最大化的讨论中,我们区分了“空网络”和“空模型”,并强调了同一个空网络可以对应不同的空模型。然后,我们研究了一个多层模块化最大化问题,以确定社区的时间网络。我们的多层分析只依赖于最大化问题的形式,而不依赖于所选择的特定质量函数。我们引入了一个诊断来衡量社区结构的\emph{persistence}的多层网络分区。我们证明了几个结果,描述了多层最大化问题的措施之间的权衡静态社区结构层和更大的值跨层的持久性。我们还讨论了一些计算问题,流行的“鲁汶”启发式面临的时间多层网络,并建议如何减轻他们。
2017-12-24 cs.SI nlin.AO physics.soc-ph
Identifying network communities with a high resolution
社团结构是复杂网络的一个重要性质。这种结构的自动发现是许多学科的基本任务,包括社会学,生物学,工程学和计算机科学。最近,已经提出了几个社区发现算法的基础上优化的数量称为模块度(Q)。然而,模块化优化问题是NP-难的,现有的方法往往具有运行时间长或质量差的缺点。此外,最近已经指出,基于优化Q的算法将具有分辨率限制,即,低于一定规模的社区可能检测不到。在本研究中,我们首先提出一个有效的启发式演算法Qcut,结合频谱图分割与局部搜寻来优化Q。使用合成和真实的网络,我们表明,Qcut可以找到更高的模块性,比现有的算法更具可扩展性。此外,使用Qcut作为一个必要的组成部分,我们提出了一个递归算法,HQcut,解决分辨率限制问题。我们表明,HQcut可以成功地检测社区在一个更精细的规模和更高的精度比现有的算法。最后,我们应用Qcut和HQcut来研究蛋白质-蛋白质相互作用网络,并表明这两种算法的组合可以揭示有趣的生物学结果,否则可能无法检测到。
2007-04-27 physics.comp-ph 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
Overlapping Community Detection Optimization and Nash Equilibrium
同时使用图和社交网络的社区发现是许多算法的焦点。最近的方法,旨在优化所谓的模块化功能进行社区内的关系最大化,同时最大限度地减少社区间的关系。然而,由于问题的NP完全性,这些算法是不保证最优的算法。在本文中,我们介绍了一个新的算法,以及一个函数,需要一个近似的解决方案,并修改它,以达到最佳。这个重新分配函数被认为是一个“潜在的功能”,并成为一个必要条件,断言计算的最佳确实是一个纳什均衡。我们还使用此功能同时显示分区和重叠社区,这两种检测和可视化模式在揭示社交网络的有趣功能方面具有重要价值。我们的方法是成功地说明通过几个实验,无论是真正的单部,多部或有向图的中型和大型数据集。
2014-06-26 cs.SI physics.soc-ph stat.ML
An ensemble based on a bi-objective evolutionary spectral algorithm for graph clustering
Instituto de Ciência e Tecnologia, Universidade Federal de São Paulo(圣保罗联邦大学科学与技术学院)
图聚类是一个具有挑战性的模式识别问题,其目标是识别具有高组内连通性的顶点划分。本文研究了一个双目标问题,即最大化一个图的簇内边数和最小化一个具有与原始图相同度序列的随机图的期望簇间边数。这两个研究目标之间的区别是图聚类质量的著名度量的定义:模块化。我们引入了一个频谱分解杂交进化的启发式,称为MOSpecG,接近这个双目标的问题和集成策略,巩固MOSpecG到一个最终的强大的分区的解决方案。真实和人工LFR网络的计算实验的结果表明,所介绍的方法的结果和性能的显着改善,在文献中发现的另一个双目标算法。基于模块化最大化问题的几何解释的交叉算子匹配一对个体的社区对于MOSpecG的良好性能至关重要。混合谱图理论和智能系统使我们能够定义显着高质量的社区结构。
2019-09-08 cs.LG cs.NE cs.SI
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