Detecting overlapping communities in linear time with P&A algorithm
本文提出了一种新的算法-- P&A算法--用于识别无向值图中的重叠社区，而不管它们的数目和大小。该算法的复杂度是最小的，因为操作的数量与顶点的数量呈线性增长。
2005-10-20 physics.soc-ph
Fuzzy Overlapping Community Quality Metrics
模块性被广泛用于有效地度量由社区发现算法发现的不相交社区结构的强度。提出了几种模块度的重叠扩展来度量重叠社区结构的质量。然而，所有这些扩展的不同之处仅在于它们定义归属系数和归属函数的方式。然而，缺乏对不同扩展的系统比较。为了填补这一空白，我们概述了重叠的模块化扩展，并将其推广到一个统一的定义，使不同的归属系数和归属函数的应用程序，以选择最好的。此外，我们扩展了本地化的模块化，模块化密度，和八个本地社区质量指标，使他们的使用重叠的社区。在大量的真实网络和合成网络上使用重叠扩展模块性、重叠模块性密度和局部度量的实验结果表明，当使用两个节点的归属系数的乘积作为归属函数时，获得了最好的结果。此外，研究结果可用于指导研究人员在测量重叠社区结构的质量时采用哪些指标。
2015-07-14 cs.SI physics.soc-ph
Bayesian Overlapping Community Detection in Dynamic Networks
在社交网络中检测社区结构近年来得到了相当大的关注。然而，缺乏关于社区数量的先验知识，以及它们的重叠性质使得社区发现成为一个具有挑战性的问题。此外，许多现有的方法只考虑静态网络，而大多数现实世界的网络是动态的，并随着时间的推移而演变。因此，在没有任何关于社区数量的先验知识的情况下，在动态网络中找到一致的重叠社区仍然是一个有趣的开放式研究问题。本文提出了一种动态网络中的重叠社区发现方法--动态贝叶斯重叠社区检测器（DBOCD）。DBOCD假设在网络的每个快照中，社区的重叠部分是密集区域，并使用链接社区而不是公共节点社区。使用递归中餐馆过程和社区结构的网络在最后一个快照，DBOCD同时提取社区的数量和软社区成员的节点，同时保持社区的一致性随着时间的推移。我们评估了DBOCD合成和真实的动态数据集，以评估其在不同类型的网络演化中找到重叠社区的能力。结果表明，DBOCD优于目前最先进的动态社区发现方法。
2016-05-08 cs.SI physics.soc-ph
Detect overlapping and hierarchical community structure in networks
聚类和社区结构对于许多网络系统和相关的动态过程至关重要。事实证明，社区通常是重叠和分层的。然而，以前的方法分别研究这两个属性的社区结构。本文提出了一种算法（EAGLE），以检测复杂的社区结构的重叠和层次属性。该算法处理最大团集，并采用凝聚框架。将模块度的质量函数推广到评价覆盖的优良性。应用到现实世界的网络的例子给出了很好的结果。
2008-11-03 cs.CY physics.soc-ph
Quantifying and identifying the overlapping community structure in networks
研究表明，复杂网络的社区往往是相互重叠的。然而，目前还没有有效的方法来量化重叠群落结构。在本文中，我们提出了一个度量来解决这个问题。我们的度量不是假设一个节点只能属于一个社区，而是假设一个最大的团只属于一个社区。这样，社区之间的重叠是允许的。为了识别重叠的社团结构，我们从原网络构造了一个极大团网络，并证明了我们度量在原网络上的优化等价于纽曼模块度在极大团网络上的优化.因此，重叠社区结构可以通过使用任何模块化优化方法划分最大团网络来识别。通过对人工网络和具有已知社区结构的真实网络的广泛测试，证明了我们度量的有效性。应用于词联想网络也重现了良好的效果。
2009-07-23 physics.soc-ph
Fuzzy overlapping communities in networks
网络通常表现出社区结构，其中顶点组彼此之间的连接比与其他顶点之间的连接更密集。通常这些社区重叠，使得每个顶点可以出现在多于一个社区中。然而，两种不同类型的重叠是可能的：清晰（每个顶点完全属于它是成员的每个社区）和模糊（每个顶点在不同程度上属于每个社区）。我们调查了群落重叠的影响。我们发现，它对社区检测方法的性能有很大的影响：一些算法在模糊重叠的情况下表现更好，而另一些算法则倾向于清晰重叠。我们还评估了一些算法的性能，当重叠是模糊的，恢复属于系数。最后，我们调查是否真正的网络包含模糊或清晰的重叠。
2011-02-10 cs.SI 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
Overlapping community detection in signed networks
在过去的几年里，考虑到积极和消极的联系的复杂网络得到了相当大的关注。社区发现是复杂网络分析的主要挑战之一。现有的社区发现算法大多数都是针对签名网络的一个硬划分，即网络中的任意节点是否属于某个社区。然而，他们不能检测重叠的社区，其中一个节点被允许属于多个社区。重叠社区广泛存在于许多现实世界的网络中。本文提出了一种符号概率混合（SPM）模型，用于符号网络中的重叠社区发现。与已有的模型相比，该方法的优点在于：（i）为签名网络提供了软划分方案;（ii）提供了节点的软成员资格。在多个签名网络上的实验表明，我们的SPM模型：（i）可以识别与其他最先进的模型相同的重叠结构或不重叠结构;（ii）可以检测重叠社区;（iii）在揭示合成签名网络中的社区发现方面优于其他最先进的模型。
2014-03-27 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
Overlapping Community Detection in Bipartite Networks
近年来的研究发现，自然界和社会中的实体之间存在着丰富的交互作用，形成了具有社团结构的复杂网络。虽然对社区结构的研究促进了许多成功算法的发展，但大多数算法只能找到分离的社区，而对于绝大多数现实世界的网络，社区实际上在一定程度上是重叠的。此外，网络的顶点通常也可以属于不同的域。因此，在本文中，我们提出了一种新的算法BiTector Bi-community Detector），有效地挖掘大规模稀疏二分网络中的重叠社区。它只依赖于网络的拓扑结构，而不需要任何关于网络的数量或原始划分的先验知识。我们将该算法应用于来自不同领域的真实数据，表明BiTector可以成功地识别重叠的二分网络的社区结构。
2008-04-23 physics.data-an physics.soc-ph
Overlapping Community Detection Using Neighborhood-Inflated Seed Expansion
社区发现是网络分析中的一项重要任务。社区（也称为集群）是一组内聚顶点，其内部连接多于外部连接。在许多社会和信息网络中，这些社区自然重叠。例如，在社交网络中，图中的每个顶点对应于通常参与多个社区的个人。在本文中，我们提出了一个有效的重叠社区发现算法，使用种子扩展方法。我们的算法的核心思想是找到好的种子，然后根据社区度量对这些种子进行greenly扩展。在这种种子扩展方法中，我们研究了如何在图中确定好的种子节点的问题。特别是，我们开发了新的播种策略的个性化PageRank聚类方案，优化电导社区得分。实验结果表明，我们的种子扩展算法优于其他国家的最先进的重叠社区发现方法产生的凝聚力集群和识别地面真理社区。我们还表明，我们的新播种策略比现有的策略更好，因此在现实世界的网络中找到良好的重叠社区是有效的。
2015-04-03 cs.SI physics.soc-ph
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 overlapping community structure: Estonian network of payments
揭示真实网络所表现出的社区结构是全面理解复杂系统的一个基本阶段，超越了其组件的局部组织。社区检测技术有助于深入了解网络组件的本地组织。在这项研究中，我们确定和调查的重叠社区结构的一个有趣的和独特的案例研究：爱沙尼亚的支付网络。为了进行研究，我们使用团渗流方法，并探讨社区的统计分布函数，在大多数情况下，我们发现无标度属性。在这个网络中，节点代表爱沙尼亚公司，链接代表公司之间的支付。我们的研究通过对一个国家的支付网络进行首次重叠社区检测分析，增加了复杂网络的文献。
2018-12-11 cs.SI physics.soc-ph
Towards Linear Time Overlapping Community Detection in Social Networks
成员多样性是社交网络的一个特征方面，其中一个人可能属于一个以上的社会群体。因此，发现重叠结构对于现实的社会分析是必要的。在本文中，我们提出了一个快速算法1，称为SLPA，重叠社区发现在大规模的网络。SLPA根据动态交互规则展开标签。它可以应用于单部和二部网络。它还能够发现重叠的嵌套层次结构。SLPA的时间复杂度与网络中的边的数量成线性比例。在模拟网络和真实网络中的实验表明，SLPA在识别节点和社区层次的重叠结构方面都有很好的性能。
2012-02-11 cs.CY cs.DS cs.SI
Overlapping Community Detection in Networks: the State of the Art and Comparative Study
本文回顾了重叠社区发现算法、质量度量和基准测试的最新进展。提供了不同算法（共14种）的全面比较。除了社区级别的评估，我们提出了一个评估算法的能力，以检测重叠节点，这有助于评估过度检测和检测不足的框架。在考虑了由归一化互信息、Omega指数测量的社区级检测性能和由F分数测量的节点级检测性能之后，我们得出以下结论。对于低重叠密度的网络，SLPA，OSLOM，游戏和COPRA提供更好的性能比其他测试算法。对于具有高重叠密度和高重叠分集的网络，SLPA和Game都提供相对稳定的性能。然而，测试结果也表明，这种网络中的检测仍然没有完全解决。在现实世界的网络中，各种算法观察到的一个共同特征是重叠节点的比例相对较小（通常小于30%），每个节点只属于2或3个社区。
2012-07-03 cs.DS cs.SI physics.soc-ph
Semi-Supervised Overlapping Community Finding based on Label Propagation with Pairwise Constraints
在复杂网络中检测社区的算法通常是无监督的，仅依赖于网络的结构。然而，这些方法通常无法发现反映数据中底层社区的有意义的分组，特别是当这些结构高度重叠时。提高这些算法的有用性的一种方法是通过合并附加的背景信息，其可以用作约束的来源以指导社区发现过程。在这项工作中，我们探索了半监督策略的潜力，以改善算法，在网络中找到重叠的社区。具体来说，我们提出了一种新的方法，标签传播的基础上，使用有限数量的成对约束，寻找社区。对合成和真实世界数据集的评估表明，这种方法在每个节点可能属于多个社区的情况下，有可能揭示有意义的社区结构。
2018-11-21 cs.SI physics.soc-ph
Immunization of networks with non-overlapping community structure
虽然社区结构在复杂网络中普遍存在，但很少有研究利用这种拓扑性质来控制流行病。在这项工作中，致力于非重叠社区结构的网络（即，一个节点属于一个单一的社区），我们提出并研究了三个确定性免疫策略。为了表征节点的影响，使用各种信息，例如节点在一跳中可以到达的社区的数量、链路的性质（社区内链路、社区间链路）、社区的大小以及社区之间的互连密度。在真实网络和合成网络上进行了易感-感染-移除（SIR）流行病模型的数值模拟。实验结果表明，所提出的策略是更有效的比经典的确定性的替代品是不可知的社区结构。此外，它们优于为模块化网络设计的随机和确定性策略。
2018-06-14 cs.SI physics.soc-ph
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
Overlapping Network Community Detection Using Sparse Backbones
University of Toronto（多伦多大学）
研究针对重叠社区检测算法在质量与可扩展性平衡上的不足，提出Highway算法，利用网络稀疏骨干进行社区推理。通过与10种算法在728个基准网络上比较，Highway在重叠归一化互信息上领先，其他指标也居前列，实现了准确性与效率的较好权衡。
2026-07-17 cond-mat.stat-mech cs.SI physics.soc-ph
Detecting highly overlapping community structure by greedy clique expansion
在复杂网络中，每个节点通常属于多个社区，这意味着社区结构高度重叠。基准测试的最新进展表明，现有的社区分配算法，能够检测重叠的社区表现良好，只有当社区重叠的程度保持在适度的水平。为了克服这个限制，我们引入了一个新的社区分配算法称为贪婪集团扩张（GCE）。该算法识别不同的集团作为种子，并扩大这些种子的greenetly优化的局部适应度函数。我们进行了广泛的基准测试的合成数据，以证明GCE的良好性能是强大的不同的图形拓扑结构。值得注意的是，GCE是唯一在这些合成图上表现良好的算法，其中每个节点都属于多个社区。此外，当被用于识别蛋白质相互作用数据中的功能模块和Facebook友谊数据中的大学宿舍分配时，我们发现GCE具有竞争力。
2010-06-15 physics.data-an physics.soc-ph
Overlapping Community Structure in Co-authorship Networks: a Case Study
社团结构是现实世界复杂网络的重要性质之一。它在它们的行为和拓扑结构中起着至关重要的作用。虽然在社区发现问题上已经做了重要的工作，但很少关注社区结构的分析。在本文中，我们提出了一个广泛的调查重叠社区网络推导出一个大规模的合著网络。重叠社区网络的节点代表了合著网络的功能社区，链接说明了社区共享合著网络中的一些节点。对这两种网络拓扑性质的比较分析表明，它们具有相似的拓扑性质。这些结果非常有趣。事实上，社区网络似乎是原始合著网络的一个很好的代表。由于其较小的尺寸，它可能更实用，以便实现在大规模现实世界网络中无法轻松执行的各种分析。
2015-04-01 cs.SI physics.soc-ph
Ensemble-Based Algorithms to Detect Disjoint and Overlapping Communities in Networks
给定一组社区检测算法${\cal AL}$和一个图$G$作为输入，我们提出了两个集成方法$\mathtt{EnDisCO}$和$\mathtt{MeDOC}$，（分别）确定不相交和重叠的社区$G$。$\mathtt{EnDisCO}$通过利用多个基本解决方案将图转换为潜在特征空间，并发现不相交的社区结构。$\mathtt{MeDOC}$将相似的基本社区分组为元社区，并检测不相交和重叠的社区结构。实验在不同的规模上进行的合成生成的网络，以及在几个现实世界的网络，其底层的地面真相社区结构是可用的。我们广泛的实验表明，这两种算法优于国家的最先进的非集成算法的显着保证金。此外，我们比较了$\mathtt{EnDisCO}$和$\mathtt{MeDOC}$与最近的集成方法不相交的社区发现，并表明我们的方法取得了优异的性能。据我们所知，$\mathtt{MeDOC}$是第一个集成方法重叠社区发现。
2016-09-16 cs.SI physics.soc-ph
Node-Centric Detection of Overlapping Communities in Social Networks
我们提出了NECTAR，一个社区发现算法，推广了鲁汶方法的局部搜索启发式重叠社区结构。NECTAR根据调用的网络动态选择要优化的目标函数。我们的综合基准图和现实世界的网络，地面真相社区的基础上，实验评估表明，NECTAR提供了优秀的结果相比，最先进的社区发现算法。
2016-07-06 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
High-Quality Disjoint and Overlapping Community Structure in Large-Scale Complex Networks
在本文中，我们提出了一个改进版本的凝聚层次聚类算法，执行不相交的社区发现在大规模复杂网络。该算法将原算法中采用的局部结构相似度替换为最近提出的动态结构相似度，从而实现了对原算法的改进。此外，改进算法被扩展到检测模糊和清晰的重叠社区结构。扩展算法利用自身生成的不相交社区结构和动态结构相似性度量，计算定义模糊社区的隶属度概率函数。此外，为了比较所提出的算法与国家的最先进的参考基准图进行实验评估。
2018-05-30 cs.DS cs.SI physics.soc-ph
Uncovering Complex Overlapping Pattern of Communities in Large-scale Social Networks
当每个顶点参与多个社区时，传统的社区概念倾向于内部边缘与外部边缘的高比率变得无效。这种行为在社交网络中是常见的。社区之间的显著重叠使得大多数现有的社区发现算法无效。缺乏有效和高效的工具，导致很少有实证研究的大规模检测和分析重叠的社区结构在真正的社交网络。我们最近开发了一个可扩展的和准确的方法称为部分社区合并算法（PCMA）的线性复杂度，并证明了其有效性，通过分析两个在线社交网络，新浪微博和Facebook，分别为79.4和65.6万顶点。在这里，我们报告了对PCMA检测到的290万个社区的深入分析，以揭示它们复杂的重叠结构。每个社区通常与大量其他社区重叠，并且具有比内部边缘多得多的向外边缘。然而，这些社区仍然彼此隔离。社区中的大多数顶点是多成员顶点，它们可以位于核心或外围。几乎整个网络的一半可以由一个极其密集的社区网络来占据，社区是顶点，重叠是边。实证研究结果要求我们重新思考社区的概念，尤其是社区的边界。意识到边缘是如何组织的问题，f-核心建议作为一个合适的概念重叠社区在社交网络。研究结果为理解重叠群落提供了新的思路。
2019-06-02 cs.SI physics.soc-ph
Overlapping community detection using superior seed set selection in social networks
社会网络中的社区发现是近十年来引起研究者极大兴趣的领域之一。已经有许多算法。然而，新的种子为基础的算法建立了一个新兴的漂移在这方面。这些策略背后的基本思想是识别给定网络中的特殊节点，称为种子，社区可以围绕这些节点定位。本文提出了一种混合策略，通过应用各种中心性措施，并使用它们来找到重叠社区定位合适的优秀种子集。该算法的检查已被执行的善良的社区的帮助下，内集群密度和集群间密度。最后，将该算法与现有的社区发现算法进行了比较，结果表明该算法在运行时间上有明显的改善。
2018-08-10 cs.SI physics.soc-ph
A Modular Multiscale Approach to Overlapping Community Detection
在这项工作中，我们解决了在社交网络中检测重叠社区的问题。由于“社区”一词含义模糊，因此有必要在特定类型问题的背景下量化社区的含义。我们的解释是，这种量化必须在至少三个尺度上进行。这些尺度是在以下层面上的：单个节点、单个社区和整个网络。这些尺度中的每一个都涉及到在其他尺度中无法准确表示的群落结构的数量特征，但对于定义特定的群落概念很重要。我们的工作重点是提供合理的方法来量化在每个尺度上适用于社交网络的社区概念，并使用这些模型来开发一个社区发现算法。我们的方法的吸引人的特点是，它自然地允许节点属于多个社区，并且对于具有低整体边缘密度的大型网络来说，计算效率很高。该算法的尺度是$O(N~\overline{k^2} + \overline{N_{com}^2})$，其中$N$是网络中的节点数，$\overline{N_{com}^2}$是平均平方社区大小，$\overline{k^2}$是节点度平方的期望值。虽然我们的工作重点是开发一个计算效率高的算法重叠社区发现的背景下，社交网络，我们的主要贡献是开发一种方法，是高度模块化的，可以很容易地适应特定的社区概念。
2015-01-22 cs.SI physics.soc-ph
Detecting Overlapping Link Communities by Finding Local Minima of a Cost Function with a Memetic Algorithm. Part 1: Problem and Method
我们提出了一种算法，用于检测社区的网络中的链接，它使用本地信息，是基于一个新的评价函数，并允许普遍重叠的社区。聚类任务的复杂性需要应用一种模因算法，该算法将概率进化策略与确定性局部搜索相结合。在第2部分中，我们将展示使用引文网络的实验结果。
2016-06-23 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
Opinion Divergence Reveals the Hierarchical and Overlapping Community Structure in Networks
社区或模块组通常表现出层次和重叠的结构，是网络科学中的基础和复杂。其中一个最常用的工具来检测介观结构是同步。研究了约束条件下的收敛速度和局部收敛等现象，揭示了社区的存在性和特征。本文以观点动力学为背景，研究了在达成全局共识的过程中，主体观点的分歧，即节点的状态差异，并揭示了其与模块结构中的层次和重叠的联系。在此基础上，提出了一种新的层次化和重叠社区识别方法，并在真实网络和人工网络上进行了实验，验证了该方法的鲁棒性和有效性.这两个连接和方法提供了一个新的见解的功能模块化结构的网络。
2018-07-03 physics.data-an physics.soc-ph
Overlapping Communities in Social Networks
复杂网络通常可以分解为组或模块。发现这种“社区结构”是研究网络大规模结构的重要一步。许多算法已经被提出用于社区发现，并且已经创建了基准来评估它们的性能。通常，用于社区发现的算法或者划分图（非重叠社区）或者找到节点覆盖（重叠社区）。在本文中，我们提出了一个特别简单的半监督学习算法发现社区。本质上，给定少量“种子节点”的社区信息，该方法使用从种子节点的随机游走来揭示整个网络的社区信息。该算法按时间$O(k \cdot m \cdot \log n)$运行，其中$m$是边的数量; $n$是链路的数量;以及$k$是网络中的社区的数量。在具有$m = O(n)$和恒定数量社区的稀疏网络中，该运行时间几乎与网络大小成线性关系。我们的算法的另一个重要特点是，它可以用于非重叠或重叠的社区。我们测试我们的算法使用LFR基准创建的Lancichinetti，Raviato，和Radicchi专门用于评估这些算法的目的。我们的算法可以竞争的最好的算法，为两个非重叠和重叠的社区，发现在全面的研究Lancichinetti和Ravinato。
2014-12-18 cs.SI physics.soc-ph
Benchmarks for testing community detection algorithms on directed and weighted graphs with overlapping communities
许多复杂的网络显示出一种介观结构，其中节点组与该组中的其他节点共享许多链接，而与不同组的节点共享的链接相对较少。这个特征被称为社区结构，它编码了关于节点的组织和功能的宝贵信息。已经提出了许多算法，但尚不清楚如何测试它们。最近，我们提出了一般类的无向和无权的基准图，与异质分布的节点度和社区大小。越来越多的注意力最近一直致力于开发算法，能够考虑的方向和重量的链接，这需要合适的基准测试图。在本文中，我们扩展了我们之前的基准测试背后的基本思想，以生成具有内置社区结构的有向和加权网络。我们还考虑了节点属于更多社区的可能性，这是真实系统中出现的一个特征，例如，e。例如，在一个实施例中，社交网络。作为一个实际应用，我们展示了模块化优化如何在我们的新基准上执行。
2009-07-31 physics.comp-ph physics.soc-ph
Finding overlapping communities in networks using evolutionary method
社团结构是现实网络的一个典型性质，已成为理解网络系统动力学的关键。在这些网络中，大多数节点显然位于一个社区中，但往往存在一些节点跨越几个社区。一个理想的社区发现算法是最好的，它可以识别这种网络中的重叠社区。为了表示重叠的划分，我们开发了由两个部分组成的编码模式，第一个部分表示不相交的分区，第二个部分表示允许多个成员资格的分区的扩展。我们给出了一个衡量一个节点的信息量，并提出了一个进化的方法来检测网络中的重叠社区。
2013-02-27 cs.SI physics.soc-ph
Uncover the nature of overlapping community in cities
Technical University of Munich（慕尼黑工业大学）；University of Minnesota（明尼苏达大学）
本研究提出基于图的物理感知深度学习框架，通过美国双子城都会区手机数据，量化城市社区重叠结构及其与收入、种族的关联，首次阐明城市社区重叠本质，为城市结构研究提供新视角。
2024-01-31 cs.LG physics.soc-ph
Finding overlapping communities in networks by label propagation
我们提出了一个算法，发现重叠的社区结构在非常大的网络。该算法基于Raghavan，Albert和Kumara的标签传播技术，但能够检测重叠的社区。与原始算法一样，顶点具有在相邻顶点之间传播的标签，以便社区成员就其社区成员资格达成共识。我们的主要贡献是扩展标签和传播步骤，包括有关多个社区的信息：每个顶点现在可以属于v个社区，其中v是算法的参数。我们的算法也可以处理加权和二分网络。在一组独立设计的基准测试和真实网络上的测试表明，该算法在恢复重叠社区方面非常有效。它也非常快，可以在短时间内处理非常大和密集的网络。
2010-10-14 cs.SI physics.soc-ph
Overlapping Community Discovery Methods: A Survey
重叠社区的检测是一个具有挑战性的问题，近年来越来越受到关注，因为在现实世界的网络中观察到的个人的自然态度，同时参与多个组。本审查报告介绍了该领域的主要建议。除了为静态网络设计的方法之外，还描述了一些新的方法，这些方法处理随着时间变化的网络中重叠社区的检测。方法根据指导它们在共享其节点的一部分的组中获得网络划分的基本原则进行分类。对于其中的每一个，我们还报告，当可用时，计算复杂性和网站地址，从那里可以下载实现该方法的软件。
2014-11-14 cs.SI physics.soc-ph
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
An edge density definition of overlapping and weighted graph communities
网络中的社区检测是指寻找内部连接强而外部连接弱的节点组的过程。在这项工作中，我们介绍和研究的社区定义的基础上，内部边缘密度。从一个简单的概念，边缘密度等于边缘数除以最大边缘数，我们应用这个定义的各种节点和社区的安排表明，我们的定义产生合理的结果。我们的社区定义相当于绝对波茨模型社区检测方法（Phys.Rev.E81，046114（2010）），该方法的性能验证了我们的定义在各种网络类型中的有用性。我们将讨论如何将此定义扩展到加权和多重图，以及如何定义能够处理重叠的社区和本地算法。我们进一步验证了我们的定义对最近提出的隶属图模型（arXiv：1205.6228 [cs.SI]），并表明我们可以精确地解决这些基准。除了提出一个最终的社区定义之外，我们还解释了研究社区定义的详细属性是如何重要的，以便验证定义不具有负分析属性。我们敦促社区定义从社区检测算法中分离出来，并建议通过这些标准进一步评估社区定义。
2013-01-14 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
Normalized Mutual Information to evaluate overlapping community finding algorithms
鉴于重叠聚类算法的日益普及，特别是在社会网络分析中，需要定量措施来衡量方法的准确性。给定一组真正的聚类，以及通过算法找到的聚类集，必须比较这些聚类集，以查看这些集合有多相似或不同。标准化的度量在许多情况下都是可取的，例如，当两个集合完全不相似时赋值为0，当它们相同时赋值为1。基于归一化互信息的度量[1]最近变得流行。我们证明了这种措施的不直观的行为，并显示如何可以通过使用更传统的归一化来纠正。我们将结果与其他测量方法进行比较，例如Omega指数[2]。
2013-08-02 cs.SI physics.data-an physics.soc-ph
Extending the definition of modularity to directed graphs with overlapping communities
复杂网络拓扑结构呈现出有趣和令人惊讶的特性，例如社区结构，可以用来优化通信，找到新的高效和上下文感知的路由算法，或者只是理解节点之间关系的动态和意义。复杂网络作为一个参考模型正变得越来越重要，并且是许多不同种类的自然、生物和社交网络的一个强大的解释工具，其中节点到许多不同社区的有向关系和上下文归属是事实。本文从M. Newman提出的评价网络社区分解的优度的方法，并将其推广到具有重叠社区结构的有向图的更一般情况。有趣的属性，建议的扩展进行了讨论，提出了一种方法，用于寻找重叠的社区，其应用程序的基准案例研究的结果报告。我们还提出了一个新的数据集，可以作为一个参考基准重叠的社区结构识别。
2009-03-24 physics.data-an physics.soc-ph
Deep Overlapping Community Search via Subspace Embedding
针对重叠社区搜索缺乏个性化且机器学习模型训练效率低的问题，提出SSF框架与轻量SMN模型，实现个性化重叠社区搜索，并显著提升F1和效率。
2025-01-09 cs.DB cs.SI physics.soc-ph
Uncovering the overlapping community structure of complex networks in nature and society
自然界和社会中的许多复杂系统都可以用网络来描述，这些网络捕捉了组成它们的单元之间错综复杂的连接网络。一个关键的问题是，如何将这种网络的全球组织解释为与更高度互连的部分相关联的结构子单元（社区）的共存。识别这些先验未知的构建块（如功能相关的蛋白质，工业部门和人群）对于理解网络的结构和功能特性至关重要。现有的用于大型网络的确定性方法发现了分离的社区，而大多数实际网络是由高度重叠的内聚节点组组成的。在这里，我们介绍了一种方法来分析重叠社区的交织集的主要统计特征，使一个步骤，揭示模块化结构的复杂系统。在定义了一组新的特征量的统计社区，我们采用了一种有效的技术，探索重叠社区的大规模。我们发现，重叠是显着的，我们介绍的分布揭示了网络的普遍特征。我们的研究合作，字协会和蛋白质相互作用图表明，网络的社区具有非平凡的相关性和特定的缩放属性。
2005-06-15 cond-mat.stat-mech physics.soc-ph q-bio.MN
A shadowing problem in the detection of overlapping communities: lifting the resolution limit through a cascading procedure
社区检测是指在重要社区（例如集群，功能模块）中分配节点和链接的过程，它的发展导致了对复杂网络的更好理解。当应用于相当大的网络，我们认为，大多数检测算法正确地识别突出的社区，但未能做到跨多个尺度。因此，网络的很大一部分是未知的。我们发现，这个问题源于更大或更密集的社区掩盖了更小或更稀疏的，这种影响占大多数未检测到的社区和未分配的链接。我们提出了一个通用的级联方法来社区检测，规避了这个问题。使用真实的和人工的网络数据集与三个广泛使用的社区检测算法，我们展示了如何一个简单的级联过程允许检测的缺失社区。这项工作突出了一个新的社区结构的检测极限，我们希望我们的方法可以启发更好的社区检测算法。
2015-09-30 cond-mat.stat-mech cs.SI physics.soc-ph
Community landscapes: an integrative approach to determine overlapping network module hierarchy, identify key nodes and predict network dynamics
背景：网络社区有助于复杂网络的功能组织和演化。然而，开发一种既快速又准确的方法，提供异构网络的模块化重叠和分区，已被证明是相当困难的。方法/主要发现：在这里，我们介绍了新的概念ModuLand，一个综合的方法家庭确定重叠的网络模块作为山丘的影响功能为基础的，中心型社区景观，并包括几个广泛使用的模块化方法作为特例。作为该方法家族的各种改编，我们开发了几种算法，这些算法提供了对加权和有向网络的有效分析，并且（1）以高分辨率确定普遍重叠的模块;（2）揭示详细的分层网络结构，允许对大型网络进行有效的放大分析;（3）允许确定关键网络节点和（4）帮助预测网络动态。结论/意义：这一概念为开发新的方法和应用提供了广泛的可能性，包括网络路由、分类、比较和预测。
2010-09-03 cond-mat.dis-nn cs.MS physics.comp-ph
Growing networks of overlapping communities with internal structure
我们引入了一个直观的模型，描述了社区结构的出现和社区内部结构的演变不断增长的社交网络。该模型包括两个互补的机制：一个机制占一个单一的社区的内部链接结构的演变，第二个机制协调多个重叠的社区的增长。第一种机制是基于这样的假设，即每个节点与其邻居建立链路，并以不同的速率向社区引入新节点。我们证明，这个简单的机制，产生了有效的最大程度的社区内。这一观察与人类学理论邓巴数有关，即，对一个普通个体在其社会群体中所能维持的最大数量的联系的经验性观察。第二种机制是基于最近提出的对社区结构的偏好附着的概括，适当地称为结构偏好附着（SPA）。将这两种机制结合到一个模型（SPA+）中，使我们能够再现真实网络的一些全局统计数据：社区大小、节点成员和度的分布。SPA+模型还预测了（a）重叠社区内度分布的三种定性制度，以及（b）节点所属社区数量与每个社区内连接数量之间的强相关性。我们提出的经验证据，支持我们的研究结果在真正的复杂网络。
2016-08-25 cs.SI physics.soc-ph
Detecting community structure in networks using edge prediction methods
社区检测和边缘预测是链接挖掘的两种形式：它们涉及发现网络中顶点之间的关系。在边缘预测中使用的一些顶点相似性度量与社区结构的概念密切相关。我们利用这一洞察力，提出了一种新的方法，通过使用一个简单的顶点相似性度量来改善现有的社区检测算法。我们表明，这种新的策略可以更有效地检测社区比基本的社区检测算法。
2012-01-17 cs.SI physics.soc-ph
Seeding for pervasively overlapping communities
在一些社会和生物网络中，大多数节点属于多个社区。它最近被证明，一些算法，旨在检测重叠的社区不执行，以及在这种高度重叠的设置。在这里，我们考虑一类这些算法，那些优化的本地适应度的措施，通常通过使用贪婪的启发式扩展到一个社区的种子。我们执行合成基准表明，适当的播种策略变得越来越重要的程度，社区重叠的增加。我们发现不同的派系提供了最好的种子。我们发现进一步支持这种播种策略与基准上的Facebook网络和酵母相互作用。
2011-04-29 cs.SI physics.soc-ph
Identification of overlapping communities and their hierarchy by locally calculating community-changing resolution levels
我们提出了一个新的本地，确定性和无参数的算法，检测模糊和清晰的重叠社区的加权网络，同时揭示其层次结构。该算法通过引入局部适应度函数，不断扩展种子的自然社区，直到覆盖整个图。社区的层次结构是通过计算社区增长的分辨率水平而不是通过测试不同的分辨率水平来分析获得的。这种分析方法不仅比LFM和GCE等数值方法更精确，而且速度也更快。关键分辨率水平可以通过搜索分辨率的大变化不会导致群落增长的间隔来识别。我们在基准图和信息科学中的492篇论文的网络上测试了我们的算法。结合一个特定的后处理，该算法给出了更精确的结果，LFR基准与高重叠相比，其他算法和执行非常相似的GCE。
2010-12-06 cs.SI physics.data-an physics.soc-ph
Fragility of spectral clustering for networks with an overlapping structure
社区通常在现实世界的网络中重叠。这是开发重叠社区发现方法的动机，因为用于非重叠社区的方法可能执行得不好。然而，用于非重叠社区的检测方法的劣化机制很少被理论研究。在这里，我们分析的准确性谱聚类，它不考虑重叠的结构，通过使用从统计物理学的副本方法。通过对重叠随机块模型的分析，揭示了重叠结构是如何导致前导特征向量的结构信息丢失的。
2020-10-25 cond-mat.stat-mech cs.SI physics.soc-ph
A Simple Probabilistic Algorithm for Detecting Community Structure in Social Networks
在本文中，我们提出了一种新的半参数概率模型，考虑不同社区之间的相互作用，可以提供更多的信息，除了正确检测社区的网络拓扑结构。通过引入一个附加参数，我们的模型不仅可以检测社区结构，而且可以检测模式，这是常识网络社区结构的推广。模型中的先验参数揭示了网络内部模式的特征。一些广泛已知的数据集上的结果证明了我们的模型的有效性。
2008-07-11 physics.soc-ph
Identification of Overlapping Communities by Locally Calculating Community-Changing Resolution Levels
Lancichinetti、Kertesz和Lancichinetti（LFK）去年提出了一种用于检测网络中重叠自然社区的算法。LFK算法通过最大化社区的局部适应度来构建（原则上）图的所有节点的自然社区。产生的模块可能会重叠。对于许多分辨率值，社区的生成可以很容易地重复;从而允许网络上不同分辨率的不同视图。我们以不同的方式实现了LFK算法的主要思想--生成网络中每个节点的自然社区。我们从分辨率参数的值开始，该值足够高，每个节点都是自己的自然社区。一旦分辨率降低，每个节点就会随着其社区成员（即自然社区）的增长而获得其他节点。对于在某个分辨率级别找到的每个社区，我们计算添加节点的下一个较低分辨率。在将节点添加到种子节点的社区后，我们检查它是否也是我们已经分析过的节点的自然社区。在这种情况下，我们可以停止扩展种子节点的社区。我们测试了我们的算法在一个小的基准图和网络上的约500篇论文在信息科学（加权索尔顿指数的书目耦合）。在我们的测试中，这种方法会导致分辨率的特征范围，其中大的分辨率变化不会导致自然群落的增长。这种稳定的模块也是通过应用LFK算法获得的，但由于我们在一次运行中确定了所有分辨率值的社区，因此我们的方法比LFK参考更快。而且我们的算法更容易揭示图的层次结构。
2010-08-05 physics.data-an physics.soc-ph
Percolation Computation in Complex Networks
K-clique percolation是一种重叠社区发现算法，它从复杂网络中提取由重叠集团组成的特定结构。虽然它在概念上很简单，并且可以用团图来优雅地表达，但k团渗流的某些方面在实践中在计算上具有挑战性。在本文中，我们调查方面的经验社交网络，如大量的重叠最大集团内，使集团渗透，集团图表示，计算昂贵。我们激励一个简单的算法进行团渗流，并研究其性能相比，目前最好的同类算法。我们对该算法进行了改进，使我们能够在更大的经验数据集上执行k-团渗流。我们的方法比现有的算法表现出普遍重叠的社区结构的网络，特别是对于较高的k值。然而，团渗透仍然是一个很难的计算问题;当前的算法仍然比其他一些重叠社区发现算法的扩展性更差。
2012-04-30 cs.SI physics.soc-ph
