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
Recognizing number of communities and detecting community structures in complex networks
本文讨论了复杂网络中社团数目的识别和社团结构的检测问题。块模型作为一种直观可行的算法，已成功应用于复杂网络社团结构的检测。为了衡量块模型的质量，我们首先定义一个目标函数WQ值。为了得到网络的块模型B，采用GSA算法，在随机密钥的帮助下优化WQ。在块模型B上执行过程AO（Adding Ones）和RO（Removing Ones）之后，可以清楚地识别网络的社区数量。此外，基于块模型节点排序与社团排序一致的优点，提出了一种新的模糊边界社团结构检测算法，并成功地应用于一些典型网络。最后通过实验验证了该算法的可行性。
2018-03-18 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
Shaping Communities out of Triangles
社区发现在生物学、社交网络、网络流量分析等领域有着重要的应用价值，是图数据采掘领域的研究热点之一。建议塑造社区的指标是通用的，并遵循两种方法：最大限度地提高这些社区的内部密度或减少内部顶点与社区外的连接。然而，这些指标将边缘作为一个集合，而不考虑社区中边缘的内部布局。我们定义了一组面向社交网络的属性，以确保社区具有凝聚力，结构化和良好的定义。然后，我们提出了加权社区聚类（WCC），这是一个基于三角形的社区度量。我们证明，分析社区的三角形社区，满足所列的属性集，在以前的指标。最后，我们的实验表明，WCC正确地捕捉社区的概念，在社交网络使用真实的和合成的数据集，并统计比较一些最相关的社区发现算法在最先进的。
2012-07-26 cs.SI physics.soc-ph
Characters and patterns of communities in networks
在本文中，我们提出了一些新的概念来描述和分析社区。这些新的概念是网络的社区或局部结构的一般特征。首先，我们引入了社区的内部支配集和外部支配集的概念。我们证明了真实网络中的大多数社区都有一个小的内部支配集和一个小的外部支配集，并且社区的内部支配集保留了社区的大部分信息。其次，基于内支配集和外支配集的概念，定义了内斜率（ISlope）和外斜率（ESlope），分别用来度量群落的内部异质性和外部异质性。我们发现，社区的内部斜率（ISlope）在很大程度上决定了社区的结构，大多数社区在真实的网络是异质的，这意味着大多数社区有一个核心/外围结构，和ISlope和ESlope（反映社区的结构）的所有社区的网络近似遵循正态分布。因此，给定网络的所有社区的ISlopes和ESlopes的典型值都在一个狭窄的区间内，并且只有少数社区具有在网络的ISlopes和ESlopes的典型值范围之外的ISlopes或ESlopes。最后，我们证明了我们所研究的真实网络的所有社区都具有三度分离现象，即社区的平均距离约为3，这意味着许多真实网络的真实社区具有一般性质，并且对于许多真实网络，良好的社区发现算法可以找到放大网络聚类系数的社区。
2013-01-14 cs.SI physics.soc-ph
Community-Size Biases in Statistical Inference of Communities in Temporal Networks
Southern Methodist University（南方卫理公会大学）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；Santa Fe Institute（圣塔菲研究所）
本文提出了一种新的统计模型，用于减少时间网络中社区大小偏差，以更准确地识别社区结构。
2026-01-22 cs.SI physics.soc-ph stat.ME
Challenges in Community Discovery on Temporal Networks
社区发现是网络科学研究的热点问题之一。近年来，许多工作都集中在发现社区的时间网络，从而确定动态社区。有趣的是，动态社区不仅仅是静态社区的序列;新的挑战来自其动态性质。在本章中，我们将讨论其中的一些挑战以及最近的解决方案。我们将讨论在逐渐发展的网络中的社区事件的问题，通过变化的身份的概念，在链接流中的动态社区，动态社区的平滑度，以及不同类型的算法的复杂性。
2019-07-26 cs.SI physics.soc-ph
Community detection in networks: Structural communities versus ground truth
在网络中寻找社区的算法只依赖于结构信息和搜索节点的内聚子集。另一方面，大多数学者隐含或明确地假设结构社区代表具有相似（非拓扑）属性或功能的节点组。到目前为止，这一假设无法得到验证，因为缺乏具有节点分类信息的网络数据集。我们发现，传统的社区检测方法无法找到在许多大型网络的元数据组。我们的研究结果表明，结构社区和元数据组之间存在明显的分离，与最近的研究结果一致。这意味着，要么我们当前的社区结构建模必须进行实质性修改，要么元数据组可能无法单独从拓扑中恢复。
2014-12-11 cs.IR cs.SI physics.soc-ph
Identifying Community Structures in Dynamic Networks
大多数现实世界的社交网络本质上是动态的，由成员不断变化的社区组成。为了跟踪这些不断发展的社区，我们需要动态的社区发现技术。本文评估了一组博弈论方法在动态网络中识别社区的性能。我们的方法，D-GT（动态博弈论社区发现），模型的每个网络节点作为一个理性的代理定期发挥社区成员的游戏与邻居。在游戏过程中，节点通过加入或离开网络邻居的社区来寻求最大化其本地效用。社区结构在博弈达到纳什均衡后出现。与基准社区发现方法相比，D-GT更准确地预测社区的数量，并发现具有更高的归一化互信息的社区分配，同时保持良好的模块化。
2016-09-12 cs.SI physics.soc-ph
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
Measuring Significance of Community Structure in Complex Networks
许多复杂系统可以表示为网络，将网络分成社区可以大大简化功能分析。近年来，人们提出了许多方法来寻找社区，但没有一种方法能够明确地评价所发现的社区是重要的还是微不足道的。在本文中，我们提出了一个指标来评估社区在网络中的重要性。该指标基于网络中原始社团结构与扰动后网络社团结构之间的相似性比较，综合所有相似性定义。许多人工网络和现实世界的网络进行了测试。结果表明，该指数与网络规模和社区数量无关。另外，我们发现在社交网络中总是存在清晰的社区，而在蛋白质相互作用网络和代谢网络中没有发现有意义的社区。
2009-02-19 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
Communicability Graph and Community Structures in Complex Networks
我们使用网络可通信性的概念（Phys.Rev.E77（2008）036111）来定义复杂网络中的社区。社区被定义为一个可通信图的团，它具有与复杂网络相同的节点集和由可通信函数确定的链路。然后将网络社区的寻找问题转化为可通图的全团问题。我们讨论了该算法的社区发现的效率。此外，我们在这里扩展的概念的可通信性占的强度的节点之间的相互作用，通过使用网络的逆温度的概念。最后，我们开发了一个算法来管理复杂网络中社区之间的不同程度的重叠。然后，我们分析了美国的机场网络，我们成功地检测到两个大社区的东部机场和西部/中部机场，以及两个桥接的中央社区。与此形成鲜明对比的是，一个著名的算法将除两个机场外的所有大陆机场归为一个社区。
2009-05-26 cond-mat.stat-mech cs.CY physics.soc-ph
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
Discovering Communities of Community Discovery
在复杂网络中发现社区意味着将彼此相似的节点分组，以揭示关于它们的潜在信息。有数百种不同的算法来解决社区发现任务，每种算法都对“社区”有自己的理解和定义。数十篇评论文章试图对这样一个多样化的景观进行排序--通过它们用来检测社区的过程、通过它们对社区的明确定义、或者通过它们在标准化任务上的表现来对社区发现算法进行分类。在本文中，我们分类社区发现算法根据第四个标准：其结果的相似性。我们创建了一个算法相似性网络，其节点是社区发现方法，如果它们返回相似的分组，则连接。然后，我们在这个网络上执行社区发现，对算法进行分组，这些算法在一千多个合成和真实世界网络的跨度上始终返回相同的分区或重叠覆盖。本文是一个尝试，建立一个基于相似性分类的社区发现算法的基础上的经验数据。通过比较70多种方法，它改进了现有技术，发现该算法包含分离良好的组，使其成为从业者的明智工具，帮助他们选择适合其分析需求的算法。
2019-07-04 cs.SI physics.soc-ph
Characterizing the community structure of complex networks
社团结构是复杂网络的重要性质之一，对网络的拓扑结构和功能起着至关重要的作用。虽然在社区检测问题上已经做了大量的工作，但到目前为止，很少有人关注真实网络中的社区调查。我们提出了一个系统的经验分析的统计特性的社区在大型信息，通信，技术，生物和社交网络。我们发现，相同类别的网络的介观组织是非常相似的。这反映在社区结构的几个特征中，这些特征可用作特定网络类别的“指纹”。虽然社区规模分布总是很广，但某些类别的网络主要由树状社区组成，而其他类别的网络则具有更密集的模块。社区内的平均路径长度最初随社区规模的增长而增长，但当社区大于特征规模时，增长饱和或放缓。这种行为与社区内存在的枢纽有关，其作用因类别而异。此外，节点的社区嵌入性（以其社区内链接的比例来衡量）对于每个类别都有一个特征分布。我们的研究结果是通过使用两种根本不同的社区检测方法进行验证的。
2010-05-24 cs.IR physics.soc-ph
Hidden Community Detection in Social Networks
我们引入了一个新的范式，这是重要的社区检测领域的网络分析。网络包含一组强大的、占主导地位的社区，这些社区会干扰对弱的、自然的社区结构的检测。当大多数弱势社群的成员也属于强势社群时，他们就很难被发现。我们把弱势群体称为隐性群体结构。我们提出了一种新的方法，称为HICODE（隐藏社区检测），确定隐藏的社区结构以及主导的社区结构。通过削弱主导结构的力量，人们可以发现隐藏在下面的结构。同样，通过降低隐藏结构的强度，可以更准确地识别主导结构。通过这种方式，HICODE同时处理这两项任务。在真实网络上的大量实验表明，HICODE在发现主导和隐藏结构方面优于几种最先进的社区检测方法。在Facebook大学社交网络中，我们发现多个非冗余的社区集合与院系或学生的宿舍、注册年份或职业位置密切相关，而最先进的算法主要定位占主导地位的地面真相类别。由于在现实世界的数据集中标记所有地面实况社区的困难，HICODE提供了一种很有前途的方法来查明现有的潜在社区并发现没有地面实况的社区。寻找这种未知结构是一个非常重要的社区检测问题。
2017-02-24 cs.SI physics.soc-ph stat.ML
Kaleidoscopic reorganization of network communities across different scales
本研究揭示网络社区随尺度变化呈现分裂与合并并存的重组现象，通过数学论证、真实网络分析和简单模型，指出需转变研究范式以理解其真实结构。
2025-01-21 cond-mat.stat-mech cs.SI physics.soc-ph
Constant Communities in Complex Networks
社区结构识别是网络分析中的一个基本问题。大多数社区检测算法是基于优化组合参数，例如模块化。这种优化通常是NP困难的，因此仅仅改变顶点的顺序就可以改变它们对社区的分配。然而，关于顶点排序如何影响社区发现算法结果的研究却很少。在这里，我们确定和研究的性质不变的顶点（常数社区），其分配给社区是，相当显着，不受顶点排序。恒定社区的百分比可以在不同的应用程序和经验的结果，我们提出的指标来评估这些社区。使用常数社区作为预处理步骤，可以显着减少结果的变化。最后，我们提出了一个音素网络的案例研究，并说明恒定的社区，相当引人注目的是，形成更大的社区的核心功能单位。
2013-02-23 cs.SI physics.soc-ph
Limitation of multi-resolution methods in community detection
近年来，一种多分辨率社区检测方法被提出，该方法通过调整模块度函数的分辨率参数来调整模块度的分辨率，如Arenas，Fernandez和Gomez以及Reichardt和Bornholdt等提出的方法。在本文中，我们表明，这些方法仍然有内在的限制，大社区可能已经分裂之前，小社区变得可见，因为它是在社区的稳定性，增强模块化分辨率的成本。理论结果表明，该限制取决于小社区的互联程度以及小社区与大社区的规模之差，而与整个网络的规模无关。这些发现已经在几个示例网络中得到证实，其中社区甚至是完全完成的子图。
2011-08-22 cs.SI physics.soc-ph
The Community Structure of the Global Corporate Network
我们研究了跨国公司全球所有权网络的社区结构。我们在社区中发现了一种明显的组织，这种组织不能用随机性来解释。尽管这一网络具有全球性质，但社区首先反映了公司的地理位置，而工业部门只起着边缘作用。我们还分析了网络中的节点是社区和链接是通过聚合属于社区对的企业之间的链接。我们分析了前50个社区的网络中心性，并首次对金融业在连接全球经济中的作用进行了定量评估。
2013-01-11 physics.soc-ph q-fin.GN
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
Markov dynamics as a zooming lens for multiscale community detection: non clique-like communities and the field-of-view limit
近年来，复杂网络社区发现算法受到了广泛的关注。已经提出了各种各样的计算几何学，其中一些具有很长的历史，用于识别社区，或者用于识别良好的图分区。在大多数情况下，算法最大限度地提高了一个特定的目标函数，从而找到了“正确的”分裂成社区。尽管仍然缺乏对算法的彻底比较，但已经努力设计基准，即，具有已知社区结构的随机图模型，可以对算法进行评估。然而，流行的社区检测方法和基准通常假设一个隐式的社区概念的基础上，类candle子图，一种形式的社区结构，并不总是真实网络的特征。具体来说，从几何约束中产生的网络可以具有自然的非类cyclo-like子结构，具有大的有效直径，这可以被解释为长距离社区。在这项工作中，我们表明，远程社区逃避检测流行的方法，这是盲目的一个有限的“视野”的限制，一个内在的上限规模上的社区，他们可以检测到。视野限制意味着远距离社区往往被过度分割。我们展示了如何通过对社区检测采用动态视角（Delvenne et al.（2010）PNAS：107：12755-12760; Lambiotte et al.（2008）arXiv：0812.1770），其中图上的马尔可夫过程的演变被用作在所有尺度上的网络结构上的变焦镜头，人们可以检测集团或非集团样社区，而无需对检测施加上限。因此，算法在固有的低直径，类candle基准上的性能可能并不总是表示在具有本地，稀疏连接的真实网络中同样好的结果…
2012-01-17 cs.SI physics.soc-ph
Community extraction for social networks
分析网络，特别是发现网络中的社区一直是最近几个领域的工作重点，应用范围从引用和友谊网络到食物网和基因调控网络。现有的大多数社区检测方法都集中在将整个网络划分为社区，期望社区内有许多联系，社区之间很少有联系。然而，许多网络包含不适合任何社区的节点，强制每个节点进入社区可能会扭曲结果。在这里，我们提出了一个新的框架，专注于社区提取，而不是分区，提取一个社区的时间。提取背后的主要思想是，一个社区的力量不应该取决于其他社区成员之间的联系，而应该只取决于该社区内部的联系以及与外部世界的联系。我们表明，新的提取标准进行模拟和真实的网络，并建立我们的方法下块模型假设的渐近一致性。
2010-05-18 physics.data-an physics.soc-ph stat.ME
Community Identity and User Engagement in a Multi-Community Landscape
Cornell University（康奈尔大学）；Stanford University（斯坦福大学）
一个社区的特性决定并塑造了它的内部动态。我们目前对这种相互作用的理解主要局限于从个别社区的孤立研究中收集的一瞥。在这项工作中，我们提供了一个系统的探索，这种关系的性质在各种各样的在线社区。为此，我们引入了一个定量的，基于语言的类型学，反映了两个关键方面的一个社区的身份：如何独特，以及如何时间动态的。通过将近300个Reddit社区映射到由这种类型学引起的景观中，我们揭示了用户参与模式如何随社区特征而变化。我们的研究结果表明，新的和现有的用户参与社区的方式强烈和系统地依赖于它所培养的集体身份的性质，在方式上是非常重要的社区维护者。例如，具有独特和高度动态身份的社区更有可能留住用户。然而，这种利基社区也表现出现有用户和新来者之间更大的文化适应差距，这可能会阻碍后者的融合。更一般地说，我们的方法揭示了各种社会现象在不同社区中表现的差异，并表明构建多社区景观可以更好地理解这种多样性的系统性。
2017-05-26 cs.CL cs.CY cs.SI
A modularity based spectral method for simultaneous community and anti-community detection
University of Udine（乌迪内大学）；University of Padua（帕多瓦大学）
本文提出一种基于谱方法的模ularity检测方法，用于同时识别社区和反社区结构，通过分析矩阵定义的模ularity的极值特征值子空间来确定网络中的模块化结构。
2017-09-20 cs.NA cs.SI math.NA
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
Revealing Multiple Layers of Hidden Community Structure in Networks
我们引入了一个新的社区结构的概念，我们称之为隐藏的社区结构。隐藏社区结构是指一种特定类型的重叠社区结构，其中较弱但有意义的社区的检测受到较强社区的存在的阻碍。我们提出了隐藏的社区发现HICODE，一个算法模板，确定强，占主导地位的社区结构，以及较弱的，隐藏的社区结构在网络中。HICODE首先将现有的社区发现算法应用于网络，然后从网络中删除检测到的社区的结构。通过这种方式，弱势群体的结构变得显而易见。通过应用程序的HICODE，我们证明了各种各样的真实网络从不同的领域包含许多社区，虽然有意义的，没有检测到任何流行的社区发现算法，我们认为。此外，在包含隐藏的真实社区结构的真实网络和合成网络上，HICODE比我们比较的任何基线算法都更好地揭示了这种结构。例如，在一个真实的本科生网络中，可以按“宿舍”或“年”划分，我们看到HICODE发现了JCRecall得分（我们在文本中定义的基于回忆的指标）超过0.7的较弱的“年”社区，而基线算法的得分低于0.2。
2015-01-23 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
Competition between Intra-community and Inter-community Synchronization
本文详细研究了外部链接对社区网络同步性能的影响，特别是对单个社区与整个网络竞争的影响。本研究从外部链接的数量或比例以及不同社区之间外部链接的连接策略两个方面展开。研究发现，在临界点之前，增加外部链接的数量会提高社区的全局同步性，但会降低单个社区的同步性能。在此之后，由于社区结构不那么突出，因此单个社区作为整个网络的一部分会越来越好地同步。在各种连接策略中，随机连接不同社区的节点而不是连接度较大的节点是增强网络全局同步的最有效方法。然而，一个优惠的连接方案，连接大多数的枢纽从社区将允许相当有效的全球同步，同时保持强大的动态集群的社区。有趣的是，这些观察结果被发现与猫皮层的现实网络有关。同步状态正好处于临界点，体现了个体社区功能分离和社区间协调的合理组合。我们的工作揭示了模块化架构在真实网络系统中出现的基本原理，并为社区网络中的同步操作提供了指导。
2011-01-20 cs.SI nlin.AO 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 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
All Who Wander: On the Prevalence and Characteristics of Multi-community Engagement
Cornell University（康奈尔大学）
虽然分析单个社区内的用户行为是一个活跃且丰富的研究领域，但人们通常在线上和离线地与多个社区进行交互。用户如何在这样的多社区环境中行动？虽然这个问题有许多有趣的方面，但与社区内的情况相比，它在研究界受到的关注要少得多。在本文中，我们研究了多社区参与的三个方面：用户发布的社区序列，用户在这些社区中使用的语言，以及用户收到的反馈，使用Reddit上的纵向发布行为作为我们的主要数据源，DBLP作为辅助实验。我们还证明了从这些方面得出的功能在预测用户未来的活动水平的有效性。人们可能会认为，用户的轨迹模仿现实生活中的“定居”过程：在定居到几个利基之前，对子社区进行初步探索。然而，我们发现我们数据中的用户不断在新的社区中发帖;而且，随着时间的推移，他们在更多样化的较小社区中发帖越来越均匀。有趣的是，似乎最终离开社区的用户从一开始就“注定”要这样做，在他们的轨迹中很早就显示出显着不同的“流浪”模式;这一发现对社区维护者具有潜在的重要设计意义。我们的多社区视角也使我们能够从不同社区的语言使用中调查“情境与个性”的争论。
2015-03-16 cs.CL 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
Non-Parametric Detection of Network Communities; The Natural Way; A Cascaded Stackelberg Game
现实世界的网络具有内在的动态结构，通常由成员不断变化的社区组成。识别这些社区在分析网络的结构特性时非常重要。因此，近年来已经见证了密集的研究，以解决检测这种不断变化的社区的挑战性问题。朝向社区发现的主流方法涉及在网络上优化全局分区质量度量（例如，模块化）。另一种技术，谱聚类，涉及在低维空间中映射原始数据点，其中图的聚类属性更加明显，然后应用标准聚类技术来识别社区。然而，传统的谱聚类技术不能自然地学习网络中社区的数量。这些技术是基于外部社区连接属性，往往无法识别密集网络中较小的社区结构。在这篇文章中，我们提出了一个算法，即级联Stackelberg社区发现算法（CASCODE）的启发Stackelberg双寡头博弈。该算法使用节点之间的领导者-追随者关系的概念来影响任何一个节点的行为。该算法的直观性是基于网络中进化社区的自然预期内部结构。因此，该算法能够自然地学习网络中的社区数量，而其他技术，如谱聚类，需要社区的预期数量作为输入。由于这种基于Stackelberg模型的社区发现算法是通过社区的内部结构来检测社区的，因此我们能够在密集网络中获得更精细的社区结构解析。
2018-01-18 cs.SI physics.soc-ph
Neighborhoods are good communities
社交网络的社区是顶点的集合，集合内部的连接比外部的连接多。我们从理论上证明了社交网络的两个常见的性质，重尾度分布和大的聚类系数，意味着存在顶点邻域（也称为egonet），它们本身就是良好的社区。我们评估这些社区社区的一系列图。我们发现，社区社区的电导率通常与费德勒切割一样好。此外，附近社区的电导表现出类似的行为，网络社区配置文件计算与个性化的PageRank社区发现方法。后者需要扫过大量的起始顶点，这可能是昂贵的。然而，通过使用一个小的且易于计算的邻域社区集作为这些PageRank社区的种子，我们发现当在图中的任何地方播种时，社区都可以精确地捕获网络社区配置文件的行为，并且总工作量显着减少。
2011-11-30 cs.DM cs.DS cs.SI
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
Efficient Detection of Communities with Significant Overlaps in Networks: Partial Community Merger Algorithm
在大规模网络中，当每个顶点可能属于多个社区时，检测社区是一项具有挑战性的任务，这在社交网络中是常见的情况。顶点的多个成员资格以及社区之间的强重叠使得许多检测算法无效。我们开发了一个部分社区合并算法（PCMA）检测社区有显着重叠，以及轻微重叠和不相交的。它是一种自下而上的方法，通过对顶点的自我网络中的部分信息进行适当的重组来重建完整的社区。噪声控制和合并秩序是实施这一理念的两个关键问题。我们提出了一种新的相似性度量两个合并的社区，可以抑制噪声和一个有效的算法，递归合并最相似的社区对。PCMA的有效性和准确性进行了测试，对两个基准和四个现有的算法相比。它是最有效的一个线性复杂度，它优于比较算法时，顶点有多个成员。PCMA被应用于两个巨大的在线社交网络，Facebook和新浪微博。检测到数百万个社区，它们的质量高于相应的元数据组。我们发现，后者不应该被视为结构社区的基础真理。在检测到的社区中发现的显著重叠模式证实了需要新的算法，如PCMA，来处理社交网络中的顶点的多个成员资格。
2017-09-28 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
Partitioning Breaks Communities
考虑一个集团作为一个保守的社区结构的定义，我们研究图划分算法如何与集团互动。许多流行的社区发现算法将整个图划分为不重叠的社区。我们表明，在广泛的经验网络，从不同的领域，大量的集团分裂在这些算法产生的单独的分区。然后，我们研究的最大连通组成部分的子图只保留边缘集团，并应用分区策略，明确减少分裂集团的数量。我们进一步研究了几个现代的重叠社区发现算法，在集团和他们找到的社区之间的相互作用，并在他们找到的社区集的全球重叠。我们的结论是，由于许多网络的连通性，任何社区发现算法，产生分区必须无法找到至少一些重要的结构。此外，与传统的直觉相反，在一些经验网络中，强联系和派系经常跨越社区边界;许多社区结构本质上是重叠和不可分割的。
2012-05-12 cs.SI physics.soc-ph
Community Structure and Its Stability on a Face-to-Face Interaction Network in Kyoto City
由于社会行为在人们的生活中扮演着重要的角色，因此必须研究面对面互动网络的特征以了解人们的社会行为。在这项研究中，我们专注于面对面互动网络的稳定社区结构，因为它解释了城市中市民和游客的固定通信模式所造成的持久社区。我们把市民和游客看作两种粒子，把社区看作一个相，利用社区之间的平衡条件，对社区结构的稳定性进行了理论化。我们制定了社区的化学势，并检查他们是否在一个典型的合奏假设下处于平衡状态。我们估计了持久性社区的化学势，发现这些值每天都在大约10%的误差范围内匹配。这一结果表明，群落持续存在的原因是群落结构的稳定性。
2022-12-14 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
Hierarchies of Predominantly Connected Communities
我们考虑其顶点主要连接的社区，即，每个社区中的顶点与同一社区的其他社区成员的连接比与社区外的顶点的连接更强。Flake等人介绍了一种分层聚类算法，该算法根据输入参数找到不同粗糙度的主要连接社区。我们提出了一个简单而有效的方法来构建一个聚类层次根据Flake等人。取代了选择可行的参数值的必要性，并保证所得到的层次结构的完整性，即，该层次结构包含可以由原始算法为任何参数值构造的所有聚类。然而，主要连接的社区并没有组织在一个单一的层次结构。因此，我们开发了一个框架，预先计算后，在最$2(n-1)$最大流量，承认一个线性时间结构的集群$\C(S)$的主要连接的社区，包含一个给定的社区$S$和最大的意义上说，任何进一步的集群的主要连接的社区，也包含$S$是分层嵌套在$\C(S)$。我们进一步推广这种结构产生一个集群与$k$给定社区在$O(kn)$时间类似的属性。这允许分析网络的结构相对于不同层次中的各种社区。
2013-05-03 cs.DS cs.SI physics.soc-ph
CONE: Community Oriented Network Embedding
社区检测一直是网络研究的热点。它通常被建模为图上的无监督聚类问题，基于对社区特征的启发式假设，如边缘密度和节点同质性。在这项工作中，我们怀疑这些广泛采用的假设的普遍性，并将人类标记的社区与通过各种主流算法获得的机器预测的社区进行比较。基于支持性的结果，我们认为，社区是由各种社会模式和无监督学习的基础上，数学是无法捕捉所有这些。因此，我们建议通过面向社区的网络嵌入（CONE）将监督注入社区发现中，CONE利用有限的地面实况社区作为示例来学习嵌入模型，了解它们背后的社会模式。具体来说，通过将递归神经网络与图上的随机行走相结合，开发了一种深度架构，以捕获由地面实况社区指导的社会模式。由学习模型产生的其他节点嵌入的通用聚类算法，然后有效地揭示了更多与地面实况共享相似社交模式的社区。
2018-04-22 cs.SI physics.soc-ph
Evaluating the Vulnerability of Communities in Social Networks by Gravity Model
随着网络科学的发展，复杂网络的各种性质受到了广泛的关注。在这些属性中，社区的脆弱性（VoCs）尤为重要。在传统的研究中，评价模型只考虑了群落的部分结构特征，而没有考虑群落的多个方面。但在现实中，对VoC的影响是多方面的，既有VoC自身的结构属性，也有其他社区的影响。为了更好地对社区之间的影响进行建模，从而对社会网络中的VoCs进行评估，提出了一种基于引力的社区脆弱性评估模型。该模型考虑了社区内部的边数、连接相邻社区的边数和每个社区的引力指数（GI）三个方面的因素，分别对应于社区内部信息、小尺度交互关系和大尺度交互关系。通过Jensen-Shannon散度（JSD）和对数S形转换（LST）函数，计算每对社区之间的抽象距离（AD），构建社区网络（CN）。利用引力模型，可以得到描述大尺度相互作用关系的各群落的GI。最后，利用该模型计算了群落的脆弱度和脆弱度排序，并利用Sobol指数分析了权重参数的敏感性。特别是，该方法可以退化到经典的方法与加权参数的设置。几个实际复杂网络的仿真结果表明了该模型的有效性和合理性。
2019-12-16 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
Want to bring a community together? Create more sub-communities
了解重叠的社区结构对于网络分析和预测至关重要。关联图模型（Affiliation Graph Model，AGM）是解释密集重叠群落结构的最常用模型之一。在本文中，我们彻底重新研究了AGM模型在真实数据集上所做的假设。我们发现，AGM模型是不足以解释流行的现实世界的网络中观察到的几个经验行为。令人惊讶的是，我们所有的实验结果都可以用一个无参数假设来解释，这使得建模比AGM更简单，因为AGM有很多参数。基于这些研究结果，我们提出了一个无参数的Jaccard为基础的关联图（JAG）模型，该模型的边缘作为一个网络特定的常数倍的Jaccard与个人相关的社区集之间的相似性的概率。我们的建模比AGM简单得多，它消除了将参数（概率值）与每个社区相关联的需要。此外，JAG模型自然地解释了为什么（以及实际上何时）重叠的社区密集连接。基于这些观察，我们提出了一个新的社区驱动的友谊形成过程，数学恢复的JAG模型。JAG是第一个指出给定社区中的紧密连接与其中重叠社区的数量之间存在直接因果关系的模型。因此，\emph{the most effective way to bring a community together is to form more sub-communities within it.}基于我们建模的社区发现算法与现有的基于链接分析的方法相比，在六个真实世界的网络数据集上展示了一个非常…
2018-07-13 cs.SI physics.soc-ph
Map equation for link community
社区结构存在于许多现实世界的网络中，并已被报道与网络的几个功能属性。传统的方法是将节点划分为社区，而最近的一些研究开始划分链接而不是节点，以有效地找到重叠的节点社区。我们扩展了地图方程方法，这是最初开发的节点社区，在网络中找到链接社区。在不同类型的网络上进行测试，并与网络元数据进行比较，结果表明该方法能够有效地识别节点的角色重叠。该方法的优点是通过测量网络中除社团结构外的未知信息，可以定量地比较节点社团方案和链路社团方案。它可以用来定量地决定是否应该使用链路社区方案来代替节点社区方案。此外，由于该方法是基于随机游动的，因此可以很容易地推广到有向网络和加权网络。
2011-08-12 cond-mat.stat-mech cs.SI physics.soc-ph
Epidemic spreading on complex networks with community structures
许多现实世界的网络都显示出社区结构。我们研究了两种随机图模型，它们创建了一个与给定网络具有相似社区结构的网络。一个模型保留了原始网络的精确社区结构，而另一个模型只保留了社区集合和顶点度。这些模型表明，社区结构是网络上的渗流过程，如信息扩散或病毒传播的行为的一个重要决定因素：社区结构既可以是\textit{enforce}，也可以是\textit{inhibit}扩散过程。我们的模型进一步表明，重要的是介观社区集。社区的确切内部结构几乎不影响网络中的渗流过程。这种不敏感性可能是由于社区的相对密集。
2016-11-18 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
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
Versatility of nodal affiliation to communities
网络社区结构的图论分析试图识别每个节点所属的社区（或模块）。然而，在大多数情况下，这是一个不适定的问题，因为一个节点到一个社区的从属关系往往是模糊的。以前的解决方案试图识别每个节点所属的所有社区。我们没有采用这种方法，而是引入了多功能性$V$作为节点隶属关系的新指标：$V \sim 0$意味着节点被一致地分配给特定社区; $V \gg 0$意味着它被不一致地分配给不同的社区。多功能性与现有的社区检测算法结合使用，它满足了理想化网络中许多理论上理想的属性，这些理想化网络旨在最大限度地提高模块分解的模糊性。全局平均通用性的局部最小值确定了分层社区检测算法的分辨率参数，该算法最不含糊地分解了社交（空手道俱乐部）网络和小鼠大脑连接体的社区结构。我们的研究结果表明，节点的多功能性是有用的量化模块化分解的固有的模糊性。
2017-01-03 cs.SI physics.soc-ph q-bio.QM
Center-Periphery Structure in Communities: Extracellular Vesicles
网络中的聚类和社区发现具有广泛的意义，并且已经成为跨越多个领域的广泛研究的主题。我们感兴趣的是一个相对狭窄的问题，即检测由引用链接的科学出版物的社区。这些出版物社区可用于确定形成研究人员社区的具有共同兴趣的科学家。在著名的k-core算法的基础上，我们开发了一个模块化的管道来寻找出版社区。我们比较我们的方法，社区发现广泛使用的莱顿算法的社区发现。使用定量和定性的方法，我们评估社区发现的结果，引文网络组成的超过1400万出版物相关的领域的细胞外囊泡。
2021-11-14 cs.DL cs.SI physics.soc-ph
Correlation Analysis of Nodes Identifies Real Communities in Networks
复杂网络分析中的一个重要问题是揭示社区结构，即网络节点在同一社区中紧密连接，社区之间存在稀疏连接。以往的社区检测算法存在复杂度高、需要社区数量或规模等先验信息、多次运行不能得到相同的划分结果等缺点。在本文中，我们提出了一个简单而有效的算法，它只使用节点的相关性，这既不需要优化预定义的目标函数，也不需要社区的数量或大小的信息。我们测试我们的算法在真实世界和合成图的社区结构是已知的，并观察到该算法检测这种已知的结构具有很高的适用性和可靠性。我们还将该算法应用到一些网络的社区结构是未知的，并发现它在这些情况下检测确定性和信息社区分区。
2018-04-24 physics.soc-ph
