Evaluating Overlapping Communities with the Conductance of their Boundary Nodes
通常，网络中社区的边界是在节点之间画出的，因此穿过了它的输出链路。如果我们通过应用链接聚类方法构建重叠社区，节点和链接交换它们的角色。因此，必须通过两个或多个社区共享的节点来划分边界。为了社区评估的目的，我们定义了一个电导的边界节点的重叠社区类似的图形电导的边界交叉链接用于划分一个图形到不相交的社区。我们证明了边界节点的电导（或归一化节点切割）可以从Evans和Lambiotte（2009）引入的网络加权线图中不相交簇的普通图电导推导出来，以获得原始网络中节点的重叠社区。我们测试我们的定义是否可以用来构建有意义的重叠社区与本地贪心算法的链接聚类。在本说明中，我们提出了令人鼓舞的结果，我们获得了扎卡里的空手道俱乐部网络。
2013-10-13 cs.SI physics.soc-ph
Mapping change in higher-order networks with multilevel and overlapping communities
复杂系统的新网络模型使用层、状态节点或超边来捕获高阶交互和动态。简化高阶网络如何随时间变化或取决于网络模型将很容易使用冲积图，它可视化网络之间的社区分裂和合并。然而，冲积图是针对具有分配给非重叠平坦社区的规则节点的网络开发的。对于层中的节点、状态节点或超边，应该如何定义它们？它们如何描绘多层次、重叠的社区？在这里，我们概括了冲积图，以映射高阶网络中的变化，并为任何人提供了一个交互式工具来生成冲积图。我们使用冲积发电机来说明在引文网络中使用记忆建模网络流的效果，区分多学科和特定领域的期刊。
2023-03-01 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
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
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
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
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
SLPA: Uncovering Overlapping Communities in Social Networks via A Speaker-listener Interaction Dynamic Process
重叠是社交网络的特征之一，在这种网络中，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，我们提出了一种新的，一般的框架来检测和分析个人重叠节点和整个社区。在这个框架中，节点根据动态交互规则交换标签。一个具体的实现称为扬声器-听众标签传播算法（SLPA 1）在识别重叠节点和重叠社区具有不同程度的多样性表现出优异的性能。
2011-11-10 cs.DS 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
Clique Graphs and Overlapping Communities
给出了一个团图的构造方法，在这个团图中，给定图中的固定阶团的性质由加权图中的顶点表示。给出了这些权重的各种定义和动机。社区或集群的检测用于说明团图可以如何被利用。特别是一个基准网络，团图找到重叠的社区准确，而顶点分区方法失败。
2010-09-03 cs.SI physics.data-an 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
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
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
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
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
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 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
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
Synchronization interfaces and overlapping communities in complex networks
我们表明，一个复杂的网络的相位振荡器可能会显示同步振荡域（集群）之间的接口。这些接口的出现和动态的相互作用相振荡器组成的动力域（不同的强迫过程的影响），或结构域（模块化网络）的一般框架中进行了研究。所得到的结果可以给出一个功能定义的重叠结构的模块化网络，并提出了一个实用的方法来识别它们。因此，我们的算法可以检测信息的单个重叠的节点和重叠的集群。
2008-07-03 cond-mat.stat-mech nlin.AO 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
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
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
Line Graphs of Weighted Networks for Overlapping Communities
在本文中，我们开发的思想，以发现其节点的重叠社区的加权图的边缘划分。我们的方法是基于不同类型的加权线图，即图形的节点是原始图的链接，封装不同的边缘之间的关系的建设。加权线图被认为是提供一种替代的，有价值的表示系统的拓扑结构，并显示出具有重要的应用在社区检测，通常的节点划分的线图自然导致的边缘分区的原始图形。这种识别使我们能够使用传统的分区方法，以解决长期存在的问题，重叠社区的检测。我们将其应用于不同的社会和地理网络的分析。
2010-06-09 cs.DS physics.data-an physics.soc-ph
LinkRank: Finding communities in directed networks
为了识别有向网络中的社区，我们提出了一种广义形式的模块化的有向网络中引入一个新的数量LinkRank，它可以被认为是链接的PageRank。这种推广与无向网络中的原始模块性是一致的，并且针对无向网络开发的模块性优化方法可以通过优化我们的新模块性而直接应用于有向网络。最后，本文还提出了一个模型网络来验证我们的方法，该模型网络可以作为进一步社区研究的基准网络。我们的方法应该在基于引用或参考的有向网络中有效地找到社区。
2009-11-23 cond-mat.stat-mech physics.soc-ph
Overlapping Communities in Complex Networks
社区是网络的子集，它们内部连接密集，与网络的其他部分只共享很少的连接。本研究的目的是开发和评估一种有效的算法，用于检测重叠，模糊社区。该算法将我们要发现的每个社区的一些成员作为输入。我们称这些成员为种子节点。然后，该算法通过使用从非种子节点开始并在到达种子节点时结束的随机游走来传播该信息。然后，在非种子节点$v$处开始的随机游走在种子节点$s$处结束的概率等于$v$属于$s$的社区的概率。该算法在时间上运行$\tilde{O}(l \cdot m \cdot \log n)$，其中$l$是要检测的社区的数量，$m$是边的数量，$n$是节点的数量。$\tilde{O}$ -符号隐藏了一个最多为$(\log \log n)^2$的因子。Lancichinetti等人提出的LFR基准。用于评估算法的性能。我们发现，给定一组良好的种子节点，它能够以有意义的方式重建网络的社区。
2014-09-26 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
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
Epidemic spread, parameter sensitivity and vaccination strategies on a random graph with overlapping communities
该研究构建了含代表家庭、工作场所等的重叠完全图的几何随机图模型，分析其参数敏感性以辅助社交距离策略制定，还定量比较不同疫苗接种策略，评估保护效果及感染者网络位置信息的价值。
2023-08-24 physics.soc-ph q-bio.PE
Line Graphs, Link Partitions and Overlapping Communities
在本文中，我们使用一个划分的链接的网络，以揭示其社区结构。这种方法允许社区在节点处重叠，使得节点可以在多个社区中。我们通过对原始网络的线图进行节点划分来做到这一点。通过这种方式，我们表明任何产生节点分区的算法都可以用于产生链接分区。我们讨论的程度异质性的作用，并提出了一个加权版本的线图，以说明这一点。
2009-07-24 physics.data-an physics.soc-ph
Identifying overlapping communities in social networks using multi-scale local information expansion
大多数现有的社区检测方法需要特定尺度下的图的完整信息，这对于许多社交网络来说是不切实际的。我们提出了一种新的算法，不包括通用的方法，而是试图专注于本地的社会关系和建模多尺度的社会互动发生在这些网络。我们的方法第一次优化了网络的拓扑熵，并通过一个新的动态系统收敛到局部最小值，通过简单地更新成员向量，以非常低的计算复杂度揭示社区。它通过将每个节点与描述节点在每个社区中的参与的成员向量相关联来自然地支持重叠社区。这样，除了发现重叠的社区外，我们还可以通过调整最佳分区的模块特征大小来描述不同的多尺度分区。由于该算法的高效性和准确性，将其用于真实网络中社团结构的精确检测是可行的。
2015-03-27 cs.SI physics.soc-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 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
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
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
Inference of hyperedges and overlapping communities in hypergraphs
超图，编码任何数量的系统单元之间的结构化的相互作用，最近被证明是一个成功的工具来描述许多现实世界的生物和社交网络。在这里，我们提出了一个基于统计推断的超图的结构组织特征的框架。该方法允许以有原则的方式推断任何大小的缺失超边，并在存在高阶交互的情况下联合检测重叠社区。此外，我们的模型有一个有效的数值实现，它运行速度比二进算法从高阶数据投影的成对记录。我们将我们的方法应用到各种现实世界的系统中，在超边缘预测任务中表现出强大的性能，检测与交互所携带的信息保持一致的社区，以及对添加噪声超边缘的鲁棒性。我们的方法说明了一个超图概率模型的基本优势时，建模关系系统与高阶交互。
2022-11-11 cs.SI physics.data-an physics.soc-ph
Exchangeable Random Measures for Sparse and Modular Graphs with Overlapping Communities
本文提出基于可交换点过程和完全随机测度向量的稀疏网络统计模型，用于建模重叠社区结构，并开发了模拟与后验推断方法，在真实大规模网络上验证了其可解释性和可扩展性。
2017-08-23 cs.SI physics.soc-ph stat.ME
Overlapping Communities and the Prediction of Missing Links in Multiplex Networks
多路复用网络是将现实世界的复杂系统表示为通过不同类型的连接（即层）连接的一组实体（即节点）。这些网络中观察到的连接可能并不完整，链接预测任务是跨层定位丢失的链接。在这里，主要的挑战是从不同的层收集相关的证据，以帮助链接预测任务。众所周知，社区中的共同成员资格增加了节点之间连接的可能性。我们讨论的共同成员在社区的相似层增加了连接的机会。如果这些层显示出显著的层间群落重叠，则它们被认为是相似的。此外，我们发现，虽然链接的存在是相关的层，但这种相关性的程度是不一样的不同社区。我们建议，ML-BNMTF，作为一种链路预测方法在复用网络中，设计基于这些发现。ML-BNMTF优于基线方法，特别是当全球链路重叠低。
2020-05-15 cs.SI physics.soc-ph
DEMON: a Local-First Discovery Method for Overlapping Communities
复杂网络中的社区发现是一个有趣的问题，具有许多应用，特别是在社会和信息网络中的知识提取任务。然而，许多大型网络往往缺乏全球一级的特定社区组织。在这些情况下，传统的图划分算法无法让嵌入在模块化结构中的潜在知识显现出来，因为它们强加了一个自上而下的网络全局视图。我们在这里提出了一个简单的本地优先的方法来发现社区，能够揭开真正的复杂网络的模块化组织。这是通过民主地让每个节点投票给它在其有限的全局系统视图中看到的社区来实现的，即它的自我邻居，使用标签传播算法;最后，本地社区被合并成一个全局集合。我们对最先进的重叠和非重叠社区发现方法进行了测试，发现我们的新方法在获得社区的质量方面明显优于其他方法，通过使用提取的社区来预测有关几个真实世界网络节点的元数据进行评估。我们还展示了我们的方法是如何确定性的，完全增量的，并具有有限的时间复杂度，使它可以用于网络规模的真实网络。
2012-06-04 cs.DS 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
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
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
A Game-Theoretic Approach for Detection of Overlapping Communities in Dynamic Complex Networks
复杂网络往往会显示社区，这些社区是一个组中相互紧密连接的节点组，并且与网络的其余部分稀疏连接。检测这样的社区是一个重要的计算问题，因为它提供了一个洞察网络的功能。此外，在动态网络中调查社区结构，其中网络受到变化的影响，更具挑战性。本文提出了一种博弈论技术，用于检测动态和静态复杂网络中的社区结构。在我们的方法中，每个节点都扮演一个玩家的角色，试图通过加入一个或多个社区或在社区之间切换来获得更高的回报。游戏的目标是通过在这些参与者之间找到纳什均衡点来揭示这些参与者形成的社区结构。据我们所知，这是第一个能够从静态或动态网络中提取重叠社区的博弈论算法。我们提出的实验结果说明了所提出的方法在合成和真实世界的网络上的有效性。
2016-07-29 cs.CC cs.DS cs.GT
A new hierarchical clustering algorithm to identify non-overlapping like-minded communities
如果网络中的节点可以被划分成不相交的集合，使得集合中的每个节点与集合内的其他节点紧密连接，与集合外的节点稀疏连接，则网络具有非重叠社区结构。有许多指标可以验证这种结构的有效性，如聚类系数，介数，中心性，模块性和相似性。已经提出了许多方法来优化这些指标中的一些，但没有一个在最近引入的度量相似性上效果很好。为了解决这个问题，我们提出了一种基于行为属性的算法来识别优化志同道合度量的社区，并将其性能与其他基于行为数据的方法以及仅依赖于结构数据的社区发现方法进行比较。我们在Filmtipset和Twitter的真实数据集上执行这些算法，并表明我们的算法在志同道合度量方面比现有算法表现得更好。
2016-02-24 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
Finding Overlapping Communities in Social Networks: Toward a Rigorous Approach
社交网络中的“社区”通常被理解为一组节点，它们之间的连接比网络的其他部分更紧密。这是一个重要的概念，在大多数领域的网络出现：社会，技术，生物，等多年来，算法寻找社区隐含假设社区是不重叠的（导致使用基于聚类的方法），但有越来越多的兴趣在寻找重叠的社区。寻找社区的一个障碍是解决方案的概念通常是根据NP完全问题定义的，如集团或层次聚类。本文旨在启动一个严格的方法来寻找重叠社区的问题，其中“严格”意味着我们清楚地说明以下内容：（a）我们的算法所寻求的对象（b）关于底层网络的假设（c）（最坏情况下）运行时间。我们对网络的假设介于最坏情况和平均情况之间。平均情况分析需要网络的精确概率模型，目前还没有达成共识。然而，从社会学界长达50年的研究中，可以收集到一些关于网络参数的合理假设，这些研究集中在个体社区和以自我为中心的网络的研究上。因此，我们的假设在本质上有点“局部”。然而，他们足以允许严格的分析，恢复全局结构的算法的运行时间。我们的算法使用随机抽样类似的属性测试和算法的稠密图。然而，我们的网络不一定是稠密图，甚至在局部邻域中也不一定。我们的算法探索了以自我为中心和以社会为中心的网络之间的局部-全局关系，我们希望这将为计算机科学和社会学的未来工作提供一个富有成效的框架。
2011-12-08 cs.DS cs.SI 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
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
Generalization of Clustering Agreements and Distances for Overlapping Clusters and Network Communities
两个聚类之间的距离度量具有重要的应用，包括聚类验证和集成聚类。通常，这种距离度量提供了通过可能聚类的空间的导航。主要用于聚类验证，即标准化聚类距离，也称为一致性度量，将给定的聚类结果与地面实况聚类进行比较。聚类一致性测度通常分为两类：成对计数测度和信息论测度，分别以调整兰德指数（ARI）和归一化互信息（NMI）为代表。本文通过一个推广，阐明了这两个族之间的关系。它进一步提出了一种替代的代数公式，这些协议的措施，其中包括一个直观的聚类距离，这是基于集群重叠和集群中的节点的共同成员之间的类似定义。与原来的措施不同，它很容易扩展到不同的情况下，包括重叠的集群和集群的复杂网络的相互关联的数据。这两个扩展在社会和信息网络（也称为社区）中寻找集群的背景下特别重要。
2015-03-06 cs.SI physics.soc-ph
Detecting Overlapping Communities from Local Spectral Subspaces
基于局部谱子空间的定义，提出了一种新的局部重叠社区发现方法LOSP。我们没有使用整个网络的主导特征向量所覆盖的不变子空间，而是运行幂方法来近似描述感兴趣种子周围局部邻域结构嵌入的主导特征向量。然后，我们寻求一个稀疏的近似指示向量在本地的频谱子空间，这些向量所跨越的种子是在其支持。我们评估LOSP在不同领域的五个大型现实世界的网络与标记的地面真相社区，并比较结果与国家的最先进的社区发现方法。LOSP从非常少的种子成员中以高准确度识别目标社区的成员，并且优于局部Heat Kernel或PageRank扩散以及全局基线。两个候选定义的局部谱子空间进行了分析，不同的社区评分函数，用于确定社区边界，包括两个新的度量，进行了彻底的评估。不同的种子集的结构特性和种子集大小的影响进行了讨论。我们观察到低度种子表现更好，即使从单个随机种子开始，LOSP也是鲁棒的。使用LOSP作为一个子程序，从每个自我连接组件开始，我们尝试更难但重要的任务，即识别单个顶点所在的所有社区。实验表明，该方法在检测到的包含种子顶点的多个局部重叠社区上实现了较高的F1测度。
2015-09-27 cs.SI physics.soc-ph
Efficient inference of overlapping communities in complex networks
我们讨论了两种观点，我们称之为社区第一和网络第一视图，分别扩展现有的复杂网络建模方法。受White，Boorman，and Breiger（1976）[1]的网络第一观点的启发，我们提出了多网络随机块模型（MNSBM），该模型试图将观察到的网络分成不同类型的子网络，并且在每个子网络中推断结构的问题变得更容易。我们展示了如何在生成贝叶斯框架中指定此模型，其中参数可以有效地使用吉布斯抽样进行推断。其结果是一个有效的多成员模式，而没有引入复杂的“群体”定义及其相互作用的缺点。我们展示了在合成网络中恢复种植结构的结果，并在一些真实网络数据集上使用多网络模型对链接预测性能进行了非常令人鼓舞的结果。
2014-11-28 cs.SI physics.soc-ph stat.ML
Overlapping Community Detection in Complex Networks using Symmetric Binary Matrix Factorization
发现重叠的社区结构是理解许多网络的结构和动态的关键一步。在本文中，我们开发了一个对称的二元矩阵分解模型（SBMF），以确定重叠社区。我们的模型允许我们不仅明确地分配社区成员的节点，但也区分离群重叠的节点。此外，我们提出了一个修改的分区密度来评估社区结构的质量。我们使用它来确定最合适的社区数量。我们使用合成基准和真实世界的网络来评估我们的方法，证明了我们方法的有效性。
2013-03-23 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
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
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
