Fast Multi-Scale Detection of Relevant Communities
如今，网络几乎无处不在。在过去的十年中，社区发现作为一种通过将节点分组为内部连接比外部连接更紧密的社区来揭示网络结构的方法受到越来越多的关注。然而，现有的大多数有效方法都没有考虑网络可能包含的潜在组织水平或规模，因此是有限的。在本文中，我们提出了一种方法兼容的全球和当地的标准，使快速多尺度社区发现。该方法是在两个算法，每种类型的标准之一，并与6个已知的标准。发现不同规模的社区是一项计算成本很高的任务。因此，这项工作把重点放在减少计算复杂性。为了加快速度，引入了一些算法。实验证明了我们的方法的效率和准确性，相对于每个算法和标准，通过测试它们对大型生成的多尺度网络。这项研究还提供了一个标准之间的比较和全球和地方的方法。
2012-06-06 cs.DS cs.SI physics.soc-ph
A fast clustering algorithm for mining social network data
许多信仰不同的团体正在网上互动。在线社区中的互动有助于人们相互参与，并增强跨群体的理解。在线社区包括多个子社区，其成员由于社会关系、特征或关于某个主题的想法而相似。在这项研究中，我们有兴趣了解这些子社区的相对规模和活动的变化，它们的合并或分裂模式，以及由于社区内部的内生动力，这些子社区成员的观点的变化。
2014-08-29 cs.SI physics.soc-ph
An efficient and principled method for detecting communities in networks
网络数据分析中的一个基本问题是检测网络社区，即密集互连的节点组，这些节点可能重叠或不相交。在这里，我们描述了一种基于原则性统计方法使用生成网络模型来寻找重叠社区的方法。我们展示了如何使用一个快速的，封闭形式的期望最大化算法，使我们能够分析网络的数百万个节点在合理的运行时间可以实现的方法。我们在真实世界的网络和合成基准测试的方法，发现它给出的结果与以前的方法竞争。我们还表明，同样的方法可以用来提取非重叠社区划分通过松弛法，并证明该算法是有竞争力的快速和准确的非重叠问题。
2011-04-18 cond-mat.stat-mech cs.SI physics.soc-ph
From Louvain to Leiden: guaranteeing well-connected communities
社区发现常用于理解大型复杂网络的结构。发现社区结构的最流行的算法之一是所谓的Louvain算法。我们发现，该算法有一个主要的缺陷，在很大程度上被忽视，直到现在：鲁汶算法可能会产生任意连接不良的社区。在最坏的情况下，社区甚至可能断开连接，特别是当迭代运行算法时。在我们的实验分析中，我们观察到高达25%的社区连接不良，高达16%的社区断开连接。为了解决这个问题，我们引入莱顿算法。我们证明了莱顿算法产生的社区，保证连接。此外，我们证明了，当莱顿算法迭代应用，它收敛到一个分区中的所有社区的所有子集是局部最优分配。此外，通过依赖于快速局部移动方法，Leiden算法比Louvain算法运行得更快。我们证明了性能的莱顿算法的几个基准和现实世界的网络。我们发现，莱顿算法比鲁汶算法更快，发现更好的分区，除了提供明确的保证。
2019-10-30 cs.SI physics.soc-ph
Fast Multi-Scale Community Detection based on Local Criteria within a Multi-Threaded Algorithm
许多系统可以用图或网络来描述。检测这些网络中的社区可以提供有关原始系统的底层结构和功能的信息。然而，这种检测是一项复杂的任务，在过去的十年中，大量的工作都致力于此。一个重要的特征是，社区可以在几个尺度或分辨率级别上找到，表明组织的几个级别。因此，社区结构的解决方案可能不是唯一的。此外，网络往往很大，因此需要有效的处理。在这项工作中，我们提出了一个新的算法，使用本地标准跨尺度的社区的快速检测。我们利用本地方面的标准，使并行计算，进一步提高算法的效率。该算法在大规模生成的多尺度网络上进行了测试，实验证明了该算法的有效性和准确性。
2013-02-05 cs.DS cs.SI physics.soc-ph
Fast community detection using local neighbourhood search
社区在描述和分析现代网络方面发挥着至关重要的作用。然而，随着计算能力和数据存储的增加，这些网络的规模也急剧增长。虽然已经开发了各种方法来提取社区结构，但它们的计算成本或并行化现有算法的难度使得将真实网络划分为社区成为一个具有挑战性的问题。在本文中，我们建议改变一个有效的算法，鲁汶方法，使社区被定义为一个树状分配图的连通组件。在这个框架内，我们精确地描述了我们的算法的不同步骤，并证明其高度并行化的性质。然后，我们表明，尽管它的简单性，我们的算法有一个分区质量类似于原来的方法在基准图，甚至优于其他算法。我们还表明，即使在单个处理器上，我们的方法也要快得多，并且可以分析非常大的网络。
2013-08-28 cs.SI physics.soc-ph
Nodal domain partition and the number of communities in networks
在复杂网络中，社区数量的检测和评估是一个困难的问题，特别是当社区内部和社区之间的密度边界模糊时。本文利用离散节点域理论，通过网络的拓扑结构和几何特征，给出了一个判断网络中有多少个社团以及如何划分社团的标准。通过捕获某些拉普拉斯特征向量的符号，我们可以将网络分成几个合理的簇。该方法导致了一个快速和有效的算法与应用程序的各种实际网络数据集。
2012-01-27 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
Computing the statistical significance of optimized communities in networks
在网络数据中发现社区，用于无监督学习，特征发现，异常检测或科学研究通常是令人感兴趣的。绝大多数社区检测方法通过优化质量函数来进行，即使在没有社区的随机网络上也是可能的。因此，通常没有一种简单的方法来判断社区是否“重要”，在这种情况下，这意味着比在没有社区的随机图模型下预期的内部连接更多。本文将现有的空模型推广到二分图，并引入了一种新的重要性评分算法，称为快速优化社区重要性（FOCS），该算法具有高度可扩展性和不可知性。此外，与单部图上的现有方法相比，FOCS在数值上更稳定，并且更好地平衡了检测能力和误报之间的权衡。
2018-11-17 cs.SI physics.soc-ph stat.ME
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
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
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
A linear streaming algorithm for community detection in very large networks
在本文中，我们介绍了一种新的社区发现算法，称为SCoDA（流社区发现算法），基于边缘流设置的图。该算法具有极低的内存占用和闪电般的执行时间，因为它每个节点只存储两个整数，并且严格地处理每条边一次。该方法基于以下简单的观察：如果我们在网络中随机均匀地选择一条边，则该边更有可能连接同一社区的两个节点，而不是不同社区的两个节点。我们利用这个想法来建立社区的本地变化在每个边缘到达。使用理论参数，我们与SCoDA的能力，以检测社区通常的质量指标，这些社区，如电导。在从一百万到十亿多条边的大规模现实网络上进行的实验结果表明，SCoDA的运行速度比现有算法快十倍以上，并且在最大的图上获得类似或更好的检测分数。
2017-03-08 cs.SI physics.soc-ph
Modelling opinion formation driven communities in social networks
在以前的论文中，我们提出了一个模型来研究在人类社会中的意见形成的动力学的共同进化过程，涉及两个不同的时间尺度的快速交易和较慢的网络进化动力学。在交易动力学中，我们考虑了个人之间的讨论和长期互动的短期互动，以描述对社会整体情绪的态度。后者是由一个均匀分布的参数$α$，随机分配给每个人，淬火个人偏见。由于交易动态的结果，状态变量的变化，通过重新连接社会网络来实现网络演化动态。这种复杂动态的主要后果是，社区在社会网络中出现的时间尺度之间的比率的一系列值。在本文中，我们把注意力集中在态度参数$α$及其对意见的构象和由此产生的社区的大小的影响。我们提出了数值研究和提取有趣的功能的模型，可以解释的社会行为。
2010-11-11 cs.CY nlin.AO physics.soc-ph
Network communities within and across borders
我们研究了边界对空间嵌入式网络拓扑结构的影响。事实上，领土划分和地理边界极大地限制了网络的地理跨度，从而在网络社区的形成中发挥了关键作用。这一点在科学和技术决策中尤其重要，它突出表明了要求国际化导致建立全球创新体系的压力与国家和区域机构规定的行政边界之间的相互作用。在这项研究中，我们引入了一个外展指数来量化边界对社区结构的影响，并将其应用于欧洲和美国专利共同发明人网络的情况。我们发现，（a）美国的连接衰减作为距离的幂，而我们观察到一个更快的指数衰减欧洲;（b）欧洲网络社区基本上对应于国家和相邻地区，而美国社区跨越多个国家在整个国家没有任何特征的地理尺度。我们通过一组旨在探索不同模式的跨境社区结构和外展指数之间的关系的模拟来证实我们的研究结果。
2014-04-03 cs.SI physics.soc-ph
A sequential algorithm for fast clique percolation
在复杂网络研究中，Palla等人引入了团渗流，是一种确定性社区检测方法，它允许重叠社区，并且纯粹基于网络的局部拓扑属性。在这里，我们提出了一个顺序集团渗透算法（SCP）做快速社区检测加权和未加权网络，集团的选定大小。该方法基于顺序地将组成链接插入到网络中，同时跟踪出现的社区结构。与现有算法不同，SCP方法允许在单次运行中以多个权重阈值检测k-团社区，并且可以同时产生分层社区结构的树状图表示。在稀疏加权网络中，SCP算法也可用于实现Farkas等人最近提出的加权团渗流方法。SCP算法的计算时间与网络中的k-团数成线性比例。作为一个例子，该方法被应用到一个产品关联网络，揭示其嵌套的社区结构。
2008-07-30 physics.soc-ph
Communication and correlation among communities
给定一个网络和一个划分的社区，我们考虑的问题“社区如何相互影响”和“当两个给定的社区进行通信”。具体来说，我们解决这些问题的背景下，小世界网络，其中一个任意淬火图和随机添加的远程连接。我们证明，在社区，叠加原理适用，并产生了一个自然的推广的有效场论已经提出的[物理评论E 78，031102]（n=1），其中（n>1）包括在一种有效的TAP（无源，安德森和帕尔默）方程，其中每个社区发挥的作用，微观自旋。在有限温度或零温度下计算这些方程的相对渗透率，其中该方法提供了有效的渗流理论，给我们以上问题的答案。与n=1的情况不同，社区之间的不对称性可以通过方程的TAP类结构导致许多亚稳态，在社区之间的负捷径的情况下，亚稳态的数量可以随着n以指数方式快速增长。作为例子，我们考虑的n Viana-Bray社区模型和n一维小世界社区模型。尽管是最简单的，这些模型在网络理论中的相关性，例如在社交网络中，是至关重要的，并且直到现在还没有分析解决方案。本文还讨论了逾渗与网络分维之间的联系。最后，作为一个逆问题，我们展示了如何从相对的相似性，一个自然和有效的方法来检测一个通用网络的社区结构。有关主要结果的简短介绍，请参见arXiv：0812.0608。
2009-07-31 cond-mat.dis-nn 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
Leaders, Followers, and Community Detection
社交网络或图中的社区是连接良好的重叠顶点的集合。社区检测算法的有效性取决于找到地面真实社区的准确性和随数据大小扩展的能力。在这项工作中，我们提供了三个贡献。首先，我们证明了一种流行的准确性度量，称为F1得分，它介于0和1之间，1是完美的检测，其信息下限为0.5。我们提供了一个简单的算法，可以为任何图生成F1得分为0.5的社区！有些令人惊讶的是，我们发现流行的算法，如模块化优化，BigClam和CESNA对于流行的IMDB图的F1分数小于0.5。为了纠正这一点，作为第二个贡献，我们提出了一个生成模型的社区形成，顺序社区图，这是由形成社交网络的动机。第三，我们的生成模型的动机，我们提出了领导者-追随者算法（LFA）。我们证明了它恢复所有社区的序列社区图建立一个结构性的结果，序列社区图是弦。对于大量流行的社交网络，它恢复社区的F1分数比其他流行的算法高得多。对于IMDB图，它获得了0.81的F1分数。我们还提出了一个修改的LFA称为快速领导者-追随者算法（FLFA），除了是高度准确的，也是快速的，与缩放，几乎是线性的网络大小。
2019-09-22 cs.SI physics.soc-ph stat.ML
Slow-down or speed-up of inter- and intra-cluster diffusion of controversial knowledge in stubborn communities based on a small world network
当代理人思想开放时，知识的传播预计是巨大的。该报告涉及一个更困难的扩散情况下，社区是由顽固的代理人。有明显不同意见的社区例如一方面是新创造主义者和智能设计支持者（IDP），另一方面是达尔文进化论捍卫者（DED）。在这种社区内的知识扩散的情况下，在这里研究了一个网络上的邻接矩阵的基础上，建立从时间顺序选择报价的代理商，whence之间和内部社区。网络本质上是有向的，不一定是相互的。因此，邻接矩阵具有复特征值，特征向量呈现复分量。在非马尔可夫接触序列的时间网络中，信息扩散的减速或加速效应的量化可以通过将实时相关（有向）网络与其对应的时间聚合（无向）网络进行比较来进行，后者具有实特征值。为了做到这一点，小世界网络都包含$odd$数量的节点进行了研究，并与类似的网络与$even$数量的节点。研究发现：（1）知识在最大的网络上扩散更加困难;（2）网络规模影响扩散过程的减速或加速。有趣的是，据观察，（三）知识的传播速度较慢，国内流离失所者和DED社区更快。有人建议，如果一些“科学素质”和“出版习惯”归因于代理人，这一发现可以“合理化”，因为常识会猜测。这一发现为将科学知识与信仰联系起来提供了一些开放的讨论。
2015-06-28 cond-mat.dis-nn cond-mat.stat-mech cs.SI
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
Finding Community Structure in Mega-scale Social Networks
Clauset、Newman和Moore提出的社区分析算法（CNM算法）发现了社交网络中的社区结构。不幸的是，CNM算法不能很好地扩展，其使用实际上仅限于规模高达50万个节点的网络。本文认为，这种低效率是由不平衡的方式合并社区。本文引入了三种度量标准（合并率）来控制社区分析过程，试图平衡被合并社区的规模。三种风格的CNM算法的构建纳入这些指标。所提出的技术进行了测试，从现有的社交网络服务，主机550万用户的数据集。所有的方法表现出显着的提高执行效率相比，原来的CNM算法，并显示出很高的可扩展性。最快的方法分别在5分钟内处理100万个节点的网络和35分钟内处理400万个节点的网络。另一个算法在50分钟内处理一个有50万个节点的网络（比原始算法快7倍），找到改进了模块化的社区结构，并扩展到一个有550万个节点的网络。
2007-02-08 cs.CY 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
Discovering Network Structure Beyond Communities
为了理解复杂系统的形成、演化和功能，理解其相互作用网络的内部组织至关重要。部分由于无法可视化大型复杂网络，解决网络结构仍然是一个具有挑战性的问题。在这里，我们克服了这一困难相结合的视觉模式识别能力的人类与计算机的高处理速度，开发一种探索性的方法，发现具有共同的网络属性，包括但不限于社区的密集连接的节点的节点组。在没有任何关于组的性质的先验信息的情况下，该方法同时识别组的数量、组分配以及定义这些组的属性。将我们的方法应用于真实网络的结果表明，大多数群体结构可能隐藏在快速增长的社会，生物和科学感兴趣的技术网络中。
2011-11-25 cond-mat.dis-nn cs.SI nlin.AO
Expertise localization discovered through correlation of key term distribution and community detection in co-author networks
我们提出了一个高效和有效的自动方法来确定合作作者网络中发现的科学社区的研究重点。它利用数据库中的书目数据来形成网络，然后通过快速贪婪社区发现来识别网络中大型连接组件中的社区。文本分析技术被用来识别代表社区主题的社区特定的重要术语。为了大大减少计算时间，对网络中每份出版物的“主题”字段而不是其整个文本进行分析。使用这种文本分析方法需要一定程度的统计置信度，因此使用这种技术分析非常小的社区并不有效。我们发现一个最小的社区规模阈值8合著论文;低于这个值，社区的主题不能可靠地识别与此方法。此外，我们认为这项研究的影响，在合著网络的科学社区的形成所涉及的因素。
2014-07-14 cs.DL cs.SI physics.soc-ph
How Social Rewiring Preferences Bridge Polarized Communities
该研究通过计算模型探究同质性与异质性社会重连偏好对不同类型观点扩散下社群极化的影响，发现两类偏好结合可有效避免极化并促进共识。
2023-12-14 nlin.AO physics.soc-ph
Multi-resolution community detection in massive networks
为了提高复杂网络中社区发现的效率和准确性，提出了一种新的社区发现算法，该算法通过比较子网络内部和外部的凝聚度来发现社区。在我们的方法中，相似的节点首先聚集成元社区，然后决定保留或合并，通过多级标签传播过程，直到他们都满足我们的社区标准。我们的算法既不需要社区的先验信息，也不需要优化任何目标函数。在合成网络和真实网络上的实验结果表明，与其他几种流行的算法相比，我们的算法性能相当好，运行速度非常快。通过调整分辨率参数，我们还可以观察不同尺度的社区，因此这可以揭示网络的层次结构。为了进一步探索该方法的有效性，我们将其应用于大肠杆菌转录调控网络，发现所有识别的模块都具有很强的结构和功能一致性。
2016-12-17 cs.SI physics.soc-ph
Fast Community Identification by Hierarchical Growth
提出了一种新的社区识别方法，该方法建立在对连续邻域的分析基础上，通过从一个起始顶点开始的分层生长来达到，并将社区定义为一个内部连接数大于外部连接数的子图。为了确定该方法的精度和速度，它是比较流行的社区识别方法之一，即Girvan和纽曼的算法。虽然层次增长方法不如Girvan和Newman的方法精确，但它可能比大多数社区发现算法更快。
2006-02-21 cond-mat.dis-nn physics.comp-ph physics.soc-ph
Finding statistically significant communities in networks
社区结构是网络的主要结构特征之一，它揭示了网络的内部组织和基本单元的相似性。尽管提出了各种各样的方法来检测图中的社区，但仍然需要多用途技术，能够处理不同类型的数据集和社区结构的微妙之处。在本文中，我们提出了OSLOM（顺序统计局部优化方法），第一种方法能够检测网络中的边缘方向，边缘权重，重叠社区，层次结构和社区动态集群。它基于适应度函数的局部优化，该函数表达集群相对于随机波动的统计显着性，该显着性是使用极端和顺序统计工具估计的。OSLOM可以单独使用，也可以作为其他技术提供的分区/覆盖的细化过程。我们还实现了顺序算法结合OSLOM与其他快速技术，使社区结构的非常大的网络可以被发现。我们的方法具有可比的性能作为现有的最好的人工基准图的算法。实际网络上的几个应用程序也显示。OSLOM是在一个免费提供的软件（http：//www.example.com）中实现的，我们相信它将是网络分析中的一个有价值的工具。www.oslom.org
2011-05-04 cs.IR cs.SI physics.soc-ph
Fast extraction of the backbone of projected bipartite networks to aid community detection
本文介绍了一种计算成本低的方法，提取的骨干映射到二分网络的单模网络。我们发现，在一个模式的投影的边缘权重分布根据泊松二项分布，并找到预期的权重分布的一个模式的网络从一个随机的二分网络投影只需要知识的二分度分布。能够提取投影的主干非常有利于过滤掉大型复杂网络中的冗余信息，并将单模式投影中的信息缩小到最相关的信息。我们证明了一个模式的投影艾滋病的检测社区的骨干。
2016-03-21 cs.SI physics.soc-ph
Large network community detection by fast label propagation
许多网络表现出某种社区结构。存在各种各样的方法来检测网络中的社区，每种方法都提供不同的解释和相关算法。对于大型网络，还有额外的速度要求。在这种背景下，提出了所谓的标签传播算法（LPA），它在近线性时间内运行。在LPA未覆盖的分区中，确保每个节点具有到其分配的社区的大多数链接。在这里，我们提出了一个快速的变体LPA（FLPA），是基于处理的邻居最近发生变化的节点的队列。我们在基准网络和经验网络上对FLPA进行了详尽的测试，发现它的运行速度比LPA快700倍。在分区发现FLPA，我们证明了每个节点再次保证有最多的链接到其分配的社区。我们的研究结果表明，FLPA通常优于LPA。
2023-02-14 cs.SI physics.soc-ph
