Local Edge Betweenness based Label Propagation for Community Detection in Complex Networks
目前,识别和检测复杂网络中的社区结构是从网络中提取有用信息的重要因素。具有近似线性时间复杂度的标签传播算法是目前最流行的社团结构检测方法之一,但其不确定性和随机性是一个缺陷因素。将LPA与其他社区发现度量合并将提高其准确性并降低LPA的不稳定性。考虑到这一点,本文尝试使用边缘介数中心性来提高LPA性能。另一方面,计算边缘介数中心度是昂贵的,所以作为替代度量,我们尝试使用局部边缘介数,并提出LPA-LEB(标签传播算法局部边缘介数)。在真实网络和基准网络上的实验结果表明,LPA-LEB在检测网络社区结构时具有比LPA更高的准确性和稳定性。
2017-09-24 cs.SI physics.soc-ph
Note on the equivalence of the label propagation method of community detection and a Potts model approach
我们表明,最近推出的标签传播方法检测社区在复杂的网络是等价的,找到一个简单的Potts模型的局部极小值。应用于经验数据,发现这种局部最小值的数量非常高,远远大于图中节点的数量。用于组合来自更多局部最小值的信息的聚合方法显示出将社区分割成非常小的片段的趋势。
2008-03-31 physics.soc-ph
Latent Geometry Inspired Graph Dissimilarities Enhance Affinity Propagation Community Detection in Complex Networks
Technische Universität Dresden(德累斯顿工业大学)
仿射传播是高维特征空间数据聚类的一种有效的无监督模式识别算法。然而,无数的尝试,以测试其性能的社区发现在复杂的网络中已经取得的结果非常远离国家的最先进的方法,如Infomap和Louvain。然而,所有这些研究都认为,关键问题是将未加权的网络拓扑转换为“足够智能”的节点相异性矩阵,该矩阵能够正确地解决亲和传播聚类背后的消息传递过程。在这里,我们介绍了一个概念上的创新,我们讨论了如何利用网络潜在的几何概念,以设计相似性传播社区发现的相异性矩阵。我们的研究结果表明,潜在的几何启发相异度的措施,我们设计带来的亲和传播等于或优于当前最先进的方法社区发现。考虑到合成的“真实”网络(具有已知的地面真实社区)和真实网络(具有社区元数据),即使数据结构被丢失或虚假连接人为引起的噪声破坏,这些发现也得到了可靠的证明。
2018-08-29 cs.LG cs.SI physics.soc-ph
Spiking label propagation for community detection
在本文中,我们提出了一种方法,使用标签传播的社区检测结果在无向的,未加权的图形,它结合了神经计算和尖峰数据的元素。使用由外部电流驱动的尖峰神经元的完全连接的边缘加权系统,我们生成被解码成二进制信号的尖峰响应。使用基于汉明距离的度量来量化信号对之间的相似性,并用于将顶点分类到社区中。我们测试我们的方法上的一组图的实例,每个128个顶点和同质或异构的社区规模分布。我们提出了我们的方法作为一个候选人的分裂计算工作流程,采用神经形态硬件,不需要广泛的网络参数的预训练。
2018-10-22 cond-mat.dis-nn 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
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
Community Detection in Dynamic Networks via Adaptive Label Propagation
提出了一种自适应标签传播算法(ALPA)来检测和监控动态网络中的社区。与每次修改网络后重新计算整个社区分解的传统方法不同,ALPA考虑了历史社区的信息,并通过本地标签传播过程根据网络修改更新其解决方案,这通常只影响网络的一小部分。这使得它能够以较低的计算成本响应网络变化。ALPA的有效性已经在合成和真实世界的网络上进行了测试,这表明它可以成功地识别和跟踪动态社区。此外,与其他方法相比,ALPA可以高质量和准确性地检测社区。因此,低复杂度和无参数,ALPA是一个可扩展的和有前途的解决方案,为一些现实世界中的应用程序的社区检测在动态网络中。
2017-11-17 cs.SI physics.soc-ph
LabelRank: A Stabilized Label Propagation Algorithm for Community Detection in Networks
大数据分析中的一个重要挑战是在大规模网络中发现内聚群体,包括社交网络、遗传网络、通信网络等。在本文中,我们提出了LabelRank,一个有效的算法检测社区通过标签传播。一组运营商被引入到控制和稳定的传播动力学。这些操作解决了传统标签传播算法(LPA)中的随机性问题,在同一网络的所有运行中稳定发现的社区。对真实网络的测试表明,与LPA以及其他流行算法相比,LabelRank显著提高了检测到的社区的质量。
2013-03-13 cs.DS cs.SI physics.soc-ph
Community detection by label propagation with compression of flow
标签传播算法(LPA)已被证明是一种快速而有效的方法来发现大型复杂网络中的社区。然而,它的性能受到问题的非稳定和平凡的解决方案。在本文中,我们提出了一种改进的标签传播算法LPAf有效地检测网络中的社区结构。代替基本LPA的多数表决规则,LPAf通过考虑网络上随机游走描述的压缩来更新节点的标签。一个多步贪婪凝聚策略,使LPAf逃脱局部最优。此外,还采用了不完全更新条件来加快收敛速度。在合成网络和真实网络上的实验结果证实了该算法的有效性。
2016-11-07 cs.SI physics.data-an physics.soc-ph
Community Detection Using A Neighborhood Strength Driven Label Propagation Algorithm
研究大型社交网络中的社区结构和演化需要一种快速准确的社区发现算法。随着所分析的社区的大小增长,社区发现算法的复杂度需要保持接近线性。标签传播算法(LabelPropagationAlgorithm,LPA)具有近似线性的运行时间和易于实现的优点,为有效的社区发现方法奠定了良好的基础。在本文中,我们提出了新的更新规则和标签传播准则在LPA,以提高其计算效率和社区的质量,它检测。通过避免由原始算法执行的不必要的更新来优化速度。这一变化大大减少了(对于大型网络来说是数量级的)算法执行的迭代次数。我们还评估了我们的LPA更新规则的泛化,该规则考虑到了不同的强度,与考虑新标签的节点的邻域的连接。计算机生成的网络和广泛的社交网络上的实验表明,我们的新规则提高了检测到的社区的质量相比,原来的LPA。考虑正邻域强度的好处是显着的,特别是在现实世界的网络包含足够大的分数的节点具有高聚类系数。
2011-05-17 cs.SI physics.soc-ph
Community Detection via Semi-Synchronous Label Propagation Algorithms
最近引入的一种新的社区发现策略是基于标签传播算法(LPA),该算法利用网络中信息的扩散来识别社区。对LPA的研究表明,该策略在寻找良好的社区结构方面是有效的。标签传播步骤可以在所有节点上并行执行(同步模型)或顺序执行(异步模型);两种模型都存在一些缺点,例如,在第一种情况下不允许算法终止,在第二种情况下性能可能最差。在本文中,我们提出了一个半同步版本的LPA,旨在结合同步和异步模型的优点。我们证明了我们的模型总是收敛到一个稳定的标签。此外,我们实验研究所提出的策略的有效性比较其性能与异步模型的质量,效率和稳定性。测试表明,所提出的协议不会损害分区的质量。此外,它非常高效;每个传播步骤都非常可并行化,并且比异步模型更稳定,这要归功于我们的提案只使用了少量的随机化。
2011-03-23 cs.SI physics.soc-ph
Network Clustering via Maximizing Modularity: Approximation Algorithms and Theoretical Limits
许多社交网络和复杂系统被发现自然地划分为密集连接的节点的集群,称为社区结构(CS)。寻找CS是网络科学中一个基本而又具有挑战性的课题。解决这个问题的最流行的方法之一是最大化纽曼的模块性。然而,我们对如何近似最大模块度以及找到具有可证明保证的社区结构的含义了解甚少。本文明确地解决了模块聚类的可逼近性问题,证明了除非P = NP,否则在任何(乘性)正因子内逼近该问题是困难的。然而,我们提出了第一个加性近似算法的模块化聚类与一个常数的因素。此外,我们提供了一个严格的证明,CS的模块性任意接近最大模块性QOPT可能承担没有相似的最大模块性的最佳CS。因此,即使找到了具有接近最优模块性的CS,也需要其他验证方法来确认结构的重要性。
2016-02-02 cs.DS cs.SI physics.soc-ph
On the relationship between Gaussian stochastic blockmodels and label propagation algorithms
社区发现问题是近年来备受关注的问题。已经提出了许多方法来发现网络中的社区。在本文中,我们提出了一个高斯随机块模型,使用高斯分布来拟合非重叠社区发现网络中的边的权重。该模型的最大似然估计具有与一般的具有节点偏好的标签传播相同的目标函数。在最大似然估计下,特定顶点的节点偏好结果是与社区内特征向量中心度(该顶点社区内的子图的邻接矩阵的主特征向量中的对应条目)成比例的值。此外,我们的模型的约束版本的最大似然估计是高度相关的标签传播算法的另一个扩展,即,标签传播算法下的约束。实验结果表明,所提出的高斯随机块模型在各种基准网络上表现良好。
2015-01-27 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
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
On the Analysis of a Label Propagation Algorithm for Community Detection
本文提出了一个简单的,分布式的网络上的社区发现算法的形式化分析。我们分析了一个算法,我们称之为\textsc{Max-LPA},无论是在其收敛时间和检测到的社区的“质量”。\textsc{Max-LPA}是一类称为\textit{label propagation}算法的社区发现算法的实例。据我们所知,大多数标签传播算法的分析,到目前为止一直是经验的性质,在本文中,我们寻求一个理论上的理解标签传播算法。在我们的主要结果中,我们定义了一个集群版本的\er随机图与集群$V_1, V_2,..., V_k$的概率$p$,一个集群内的边缘连接节点$V_i$是高于$p'$,边缘连接节点的概率在不同的集群。我们表明,即使有相当普遍的限制$p$和$p'$($p = Ω(\frac{1}{n^{1/4-ε}})$的任何$ε> 0$,$p' = O(p^2)$,其中$n$是节点的数量),\textsc{Max-LPA}检测集群$V_1, V_2,..., V_n$在短短两轮。基于这一点和经验结果,我们推测\textsc{Max-LPA}可以正确和快速地识别聚簇\er图上的社区,即使当聚类稀疏得多时,即,用$p = \frac{c\log n}{n}$换一些$c > 1$。
2012-10-13 cs.DC cs.SI physics.soc-ph
Maximizing Entropy Yields Spatial Scaling in Social Networks
除了小世界和社区结构等众所周知的共同性质外,最近的实证研究表明,社交网络的空间结构具有普遍的标度律。发现个体在距离$r$处有朋友的概率密度分布为$P(r)\propto r^{-1}$。产生这种空间缩放特性的基本原理还不清楚。在这里,我们提出了一个基本的起源,这一法律的基础上熵的概念。我们表明,这种空间尺度律可以从信息熵的最大化,这意味着个人寻求最大限度地提高他们的友谊的多样性。这样的空间分布可以显著地有利于个人在社交网络中最佳地收集信息。
2010-02-09 physics.soc-ph
LabelRankT: Incremental Community Detection in Dynamic Networks via Label Propagation
网络分析中一个越来越重要的挑战是有效地检测和跟踪动态网络中的社区,这些社区的变化以流的形式到达。需要一种算法,可以增量地更新和监控社区的演变产生巨大的实时数据流,如互联网或在线社交网络。在本文中,我们提出了LabelRankT,一个在线的分布式算法检测社区在大规模的动态网络,通过稳定的标签传播。在真实网络上的测试结果表明,LabelRankT具有比其他算法低得多的计算成本。与动态检测方法相比,它还提高了检测到的社区的质量,并与静态检测方法实现的质量相匹配。与大多数仅适用于二进制网络的算法不同,LabelRankT适用于加权和有向网络,这为现实世界的应用提供了灵活和有前途的解决方案。
2013-05-12 cs.SI physics.soc-ph
Influence maximization by rumor spreading on correlated networks through community identification
最大化信息传播的最小节点集的识别是网络科学中最相关的问题之一。本文提出了一种新的方法来寻找初始传播者的集合,以最大化复杂网络中的信息传播。我们评估了这种方法在互联网和验证度度相关性的传播动力学中起着至关重要的作用。仿真结果表明,我们的算法是统计相似的,关于平均规模的爆发,在现实世界中的网络的贪婪的方法。然而,我们的方法是更少的时间消耗比贪婪算法。
2019-11-08 cond-mat.stat-mech cs.SI physics.soc-ph
Beyond Individual Influence: The Role of Echo Chambers and Community Seeding in the Multilayer three state q-Voter Model
Wrocław University of Science and Technology(弗罗茨瓦夫科技大学)
研究揭示多层三态q-投票模型中回音室与社区播种的影响机制,指出拓扑熵最大化优于局部集群强化,VoteRank在复杂传染中表现更优。
2026-02-20 cs.SI physics.soc-ph
Unfolding network communities by combining defensive and offensive label propagation
标签传播已被证明是一种快速的方法来检测复杂网络中的社区。最近的工作也提高了基本算法的精度和稳定性,但是,一个通用的方法仍然是一个悬而未决的问题。我们提出了不同的标签传播算法,传达两个独特的策略,即社区的防御性保护和进攻性扩张。此外,这些策略结合在一个先进的标签传播算法,保留了这两种方法的优点,并加强了分层社区提取,突出用于大型网络。所提出的算法在不同的基准网络与种植分区和超过30个不同类型和大小的真实世界的网络进行了经验评估。结果证实了充分的命题,并为未来的(大型)复杂网络的分析提供了有前途的理由。然而,这项工作的主要贡献是表明,不同类型的网络(具有不同的拓扑性质)有利于不同的社区形成策略。
2011-03-14 cs.SI physics.data-an physics.soc-ph
Community detection using boundary nodes in complex networks
我们提出了一个新的本地社区检测算法,发现社区之间的边界线,使用边界节点。我们的方法执行标签传播社区检测,其中节点决定他们的标签的基础上表现出最大的“效益分数”的近邻作为吸引他们的社区。我们尝试了不同的指标,发现使用共同邻居的数量作为收益分数可以为社区结构做出更好的决策。该算法具有局部逼近的特点,在标签传播迭代过程中只关注边界节点,消除了不必要的步骤,缩短了整体执行时间。它保留了小社区以及大社区,并且在识别社区的质量方面优于其他算法,特别是当社区结构很微妙时。该算法具有分布式的性质,可以在大型网络上以并行的方式使用。
2018-08-03 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
Community Detection in Quantum Complex Networks
确定社区结构是复杂网络研究的一个中心议题,无论是技术、社会、生物还是化学,都是静态或交互系统。在本文中,我们将社区检测的概念从经典系统扩展到量子系统-基于量子力学的复杂网络理论中一个关键的缺失部分。我们证明了某些量子力学效应无法使用当前经典的复杂网络工具捕获,并提供了克服这些问题的新方法。我们的方法是基于定义节点之间的接近度的措施,然后最大限度地提高模块化与层次聚类。我们的封闭函数是基于量子输运概率和态保真度,这两个重要的量在量子信息理论。为了说明我们的方法在量子系统中检测社区结构的有效性,我们提供了几个例子,包括自然发生的捕光复合物LHCII。我们最简单的算法的预测,半经典的性质,大多同意在量子化学文献中发现的LHCII的建议划分,而我们的问题的完全量子处理揭示了一个新的,一致的,适当的量子社区结构。
2014-10-22 cond-mat.dis-nn cond-mat.stat-mech 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
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 improved belief propagation algorithm for detecting meso-scale structure in complex networks
统计推断框架已被成功地应用于复杂网络中的中尺度结构,如社团结构、核心-外围(CP)结构。其主要原理是使用随机块模型(SBM)来拟合观测网络,学习的参数指示组分配,其中模型参数通常通过期望最大化(EM)算法计算,并实施置信传播(BP)算法来计算分解本身。在BP算法的推导过程中,忽略了节点邻域的影响,对网络进行了一些近似,但当网络密度较大或节点度较大时,这些近似不成立。因此,例如,BP算法不能很好地检测网络中的CP结构,甚至产生错误的检测,因为核心组中的节点度非常大。在此基础上,提出了一种改进的BP算法,在不增加任何计算复杂度的情况下解决了原BP算法中的问题。通过对改进的BP算法和原BP算法在社区检测和CP检测上的比较,发现在网络稀疏的情况下,两种算法在社区检测上的性能相当,而对于密集网络中的社区结构或网络中的CP结构,改进的BP算法的性能更好,更稳定。改进的BP算法可以帮助我们正确划分网络中不同类型的细观结构。
2018-08-28 cs.SI physics.soc-ph
Label propagation for clustering
标签传播是一种探试法,最初提出的社区发现在网络中,而该方法也可以采用其他类型的网络聚类和划分。在本书描述的所有方法和技术中,标签传播既不是最准确的方法,也不是最健壮的方法。然而,它无疑是最简单和最快的聚类方法之一。标签传播可以用几行编程代码实现,并应用于标准计算机上具有数亿个节点和边的网络,这仅适用于文献中的少数其他方法。在本章中,我们提出了标签传播的基本框架,回顾了原始方法的不同进展和扩展,并强调了它与其他方法的等价性。我们展示了如何标签传播可以有效地用于大规模的社区发现,图分区,结构上等同的节点和其他网络结构的识别。最后,我们总结了标签传播的方法和建议,为未来的研究。
2017-09-17 cs.SI physics.data-an physics.soc-ph
Fluid Communities: A Competitive, Scalable and Diverse Community Detection Algorithm
我们介绍了一个社区发现算法(流体社区)的基础上的想法,流体在环境中相互作用,扩大和收缩的结果,相互作用。Fluid Communities基于传播方法,在计算成本和可扩展性方面代表了最先进的技术。在高效的同时,Fluid Communities能够在合成图中找到社区,其准确性接近当前最佳替代品。此外,Fluid Communities是第一个能够识别网络中可变数量社区的基于传播的算法。为了说明该算法的相关性,我们评估了流体社区发现的社区的多样性,并发现它们与其他方法发现的社区有显着不同。
2017-10-09 cs.DS cs.SI physics.soc-ph
Stable and Efficient Structures for the Content Production and Consumption in Information Communities
现实世界的信息社区表现出固有的结构,其特征是一个系统,是稳定和有效的内容生产和消费。在本文中,我们研究这种结构,通过数学建模和分析。我们制定了一个通用的社区模型,其中每个成员决定他们如何分配他们的时间之间的内容生产和消费的目标,最大限度地提高他们的个人奖励。我们将社区系统定义为“稳定和有效的”,即当社区的社会福利最大化时达到纳什均衡。我们调查的条件下,形成一个稳定的和有效的社区的两种变化的模型代表不同的内部关系结构的社区。我们的分析结果表明,“名人生产者的小核心”的结构是最佳的稳定和有效的社区。这些分析结果为“少数人法则”等社会学观察提供了可能的解释,也为如何有效地建立和维护信息社区结构提供了启示。
2018-01-15 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
SurpriseMe: an integrated tool for network community structure characterization using Surprise maximization
检测社区,密集连接的群体可能有助于解开不同生物网络中存在的单元之间的潜在关系(例如,相互作用组、共表达网络、生态网络等)。我们最近证明,社区可以通过最大化惊喜(一个全局网络参数)来非常精确地表征。在这里,我们提出了SurpriseMe,一个工具,它集成了七个最好的算法的输出,以估计最大的惊喜值。SurpriseMe还生成距离矩阵,可以可视化算法生成的解决方案之间的关系。我们表明,目前在小型和中型网络的社区,多达10.000个节点,可以很容易地描述:在标准的PC计算机上,这些分析需要不到一个小时。此外,四个算法可以相当迅速地分析网络与多达100.000个节点,给予足够的内存资源。由于其性能和简单性,SurpriseMe是社区结构表征的参考工具。
2013-10-09 cs.SI physics.soc-ph q-bio.MN
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
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
Maximizing the Diversity of Exposure in a Social Network
社交媒体平台为公民了解情况和参与公共辩论创造了新的途径。然而,要为信息共享、社会审议和意见形成创造一个健康的环境,公民需要接触到挑战他们假设的足够多样化的观点,而不是被困在过滤泡沫中。在本文中,我们朝着这个方向迈出了一步,并提出了一种新的方法来最大限度地提高社会网络中的曝光多样性。我们制定的信息传播的背景下,作为一个任务,推荐少量的新闻文章,选定的用户的问题。我们提出了一个现实的设置,我们考虑到内容和用户倾向,以及进一步分享文章的可能性。这种设置使我们能够在最大限度地传播信息和确保用户接触不同观点之间取得平衡。由此产生的问题可以被铸造为最大化的单调和submodular功能的拟阵约束的文章分配给用户。这是一个具有挑战性的推广的影响力最大化问题。然而,我们能够设计可扩展的近似算法通过引入一个新的扩展的概念,随机反向可达集。我们的实验证明了我们的算法在几个真实世界的数据集上的效率和可扩展性。
2021-11-04 cs.SI physics.soc-ph
Unfolding communities in large complex networks: Combining defensive and offensive label propagation for core extraction
标签传播已被证明是一种快速的方法来检测大型复杂网络中的社区。最近的发展也提高了方法的准确性,但是,一个通用的算法仍然是一个悬而未决的问题。我们提出了一种先进的标签传播算法,结合了两个独特的战略,即社区的防御性保护和进攻性扩张的社区形成。两种策略相结合,在一个层次的方式,递归地提取网络的核心,并确定晶须社区。该算法进行了评估的两类基准网络种植分区和近25个现实世界的网络,从网络与几十个节点的网络与几千万的边缘。它被证明是目前国家的最先进的社区检测算法和优于所有以前的标签传播算法,具有可比的时间复杂度。特别地,对真实世界网络的分析已经证明,该算法具有几乎线性的复杂度$\mathcal{O}(m^{1.19})$,并且比基本标签传播算法($m$是网络中的边的数量)具有更好的扩展性。
2011-03-14 cs.SI physics.data-an 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
Network Community Detection with A Successive Spectral Relaxation Method
由于具有宝贵的理论和实践价值,划分网络的社区结构的问题已经吸引了科学和工程学科的重要研究关注。在文献中,纽曼的模块性度量通常用于量化给定分区的质量,从而最大化度量提供了检测网络中社区的原则性方法。不幸的是,该措施的精确优化计算是NP完全的,只适用于非常小的网络。必须寻求近似方法来扩展到大型网络。为了解决计算问题,我们提出了一种新的方法来确定分区决策。再加上一个迭代舍入策略和一个快速的约束功率方法,我们的工作实现了紧密和有效的谱松弛。所提出的方法进行了全面评估真实和合成网络。与最先进的方法相比,该方法获得了可比的,如果不是更好的,质量。同时,它非常适合并行执行,并报告了一个几乎线性的提高运行速度时,增加计算节点的数量,从而提供了一个实用的工具,用于划分非常大的网络。
2018-02-05 cs.SI physics.soc-ph
On the Permanence of Vertices in Network Communities
尽管社区检测算法很流行,但在理解网络是否确实是模块化的以及社区结构在扰动下的弹性方面所做的工作相对较少。为了解决这个问题,我们提出了一个新的基于顶点的度量称为“持久性”,它可以定量地给出一个估计的网络的社区样结构。持久性的中心思想是基于这样的观察:一个顶点对一个社区的成员资格的强度取决于以下两个因素:(i)该顶点对各个社区的外部连通性的分布,而不是总的外部连通性,以及(ii)其内部连通性的强度,而不仅仅是总的内部边。在本文中,我们证明了与其他度量相比,持久性提供了(i)对地面真实社区的派生社区结构的更准确估计,以及(ii)对网络中的扰动更敏感。作为这项研究的副产品,我们还开发了一个社区检测算法的基础上最大化持久性。对于模块化网络结构,我们的算法的结果与地面真实社区匹配良好。
2014-06-10 cs.SI physics.soc-ph
Social contagions on time-varying community networks
时变社团结构广泛存在于各种现实网络中。然而,这种网络上的传播动力学还没有得到充分的研究。为此,我们系统地研究了时变社区结构对社会传染的影响。本文首先基于活动驱动网络模型提出了一个时变社区网络上的非马尔可夫社会传染模型,其中个体采取一种行为的充要条件是它所获得的行为信息达到一个阈值。然后,我们发展了一个平均场论来描述所提出的模型。通过理论分析和数值模拟,我们发现社会传染中的行为采纳呈现出一种层级特征,即,这种行为首先在其中一个社区迅速传播,然后在另一个社区爆发。此外,在不同的行为信息传递速率下,整个网络的最终行为采纳比例随社区强度的变化呈现出单调递增、非单调变化和单调递减的三种模式。在适当的行为信息传输速率范围内,可以找到最大化最终行为采纳的最优社区强度。最后,对于给定的平均度,增加活跃节点生成的边的数量比增加平均活动潜力更有利于社会传染。
2016-05-15 cs.SI 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
Permanence and Community Structure in Complex Networks
社区发现算法的目标是识别大型网络中的密集连接单元。一个隐含的假设是,所有的组成节点都平等地属于它们相关联的社区。然而,在社区中,一些节点比其他节点更重要。到目前为止,主要是将社区作为一个整体来识别,而不是了解单个节点在多大程度上属于其社区。因此,大多数评估社区的指标,例如模块化,都是全局的。这些指标为每个社区而不是每个单独的节点生成一个分数。在本文中,我们认为,社区中的节点的相似性是不均匀的。持久性的中心思想是基于这样的观察:一个顶点对社区的成员资格的强度取决于两个因素:(i)社区内与社区外的顶点连接的程度,以及(ii)顶点内部连接的紧密程度。我们讨论持久性如何可以帮助我们理解和利用社区的结构和演化,证明它可以用来-(一)衡量社区中的顶点的持久性,(二)设计策略,以加强社区结构,(三)探索社区内的核心外围结构,(四)选择合适的发起人进行消息传播。我们证明了最大化持久性的过程产生有意义的社区,同意与地面真相的网络社区结构更准确地比其他八个流行的社区发现算法。最后,我们证明了用这种方法得到的社区(i)受点序变化的影响较小,(ii)对分辨率限制,解的退化和值的渐近增长更具弹性。
2016-06-05 cs.SI physics.soc-ph
SIS epidemic propagation on hypergraphs
网络上的流行病传播的数学建模扩展到超图,以占社区结构和感染的邻居的数量上的感染压力的非线性依赖。对于由其关联矩阵给出的任意超图,导出了传播过程的精确主方程。在此基础上,介绍了矩封闭近似和平均场模型,并与基于个体的随机模拟进行了比较。模拟算法,网络开发,扩展到超图。超图结构和模型参数的影响进行了研究,通过个人为基础的仿真结果。
2015-09-21 math.DS 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
Resolution Limits for Detecting Community Changes in Multilayer Networks
多层网络捕捉跨多个交互模式或尺度的复杂系统的组件之间的成对关系。这些网络的一个重要的中尺度特征是通过它们的社区结构来测量的,社区结构定义了存在于网络层内和网络层之间的强连接节点组。由于层间边缘可以描述不同模式、尺度或时间点之间的关系,因此了解社区如何跨层变化和演变至关重要。在多层网络中检测社区的一种流行方法包括最大化称为模块性的质量函数。然而,在多层设置的模块化功能取决于层间耦合参数,$ω$,以及如何影响社区检测这个参数还没有很好地理解。在这里,我们公开了$ω$的上限,超过该上限,就无法检测到跨层的社区更改。这个上限具有非平凡的,纯粹的多层效应,并作为检测不断发展的社区的分辨率限制。此外,我们建立了一个明确的和以前未发现的单层分辨率参数,$γ$,和层间耦合参数,$ω,$,提供了新的理解的模块化参数空间之间的关系。我们的研究结果不仅代表了新的理论考虑,但也有重要的实际意义,选择层间耦合值时,使用多层网络来模拟真实世界的系统,其社区随时间或模态的变化。
2018-03-09 cs.SI physics.data-an physics.soc-ph
Node Embedding via Word Embedding for Network Community Discovery
神经节点嵌入最近已经成为涉及图结构数据的监督学习任务的强大表示。我们利用这一最新进展,开发了一种新的算法,在图中的无监督社区发现。通过大量的实验研究模拟和真实世界的数据,我们证明,所提出的方法不断改善目前的最先进的。具体来说,我们的方法经验上达到的信息理论限制下的基准随机块模型图生成的社区恢复,并表现出更好的稳定性和准确性在谱聚类和非循环的信念传播的社区恢复限制。
2017-06-28 cs.SI physics.soc-ph stat.ML
Quantitative Function and Algorithm for Community Detection in Bipartite Networks
复杂网络中的社区发现是一个备受关注的研究课题。二分网络是一种特殊类型的复杂网络,其中节点被分解为两个不相交的集合,只有两个集合之间的节点可以连接。二分网络代表了许多现实世界系统中不同的相互作用模式,如捕食者-猎物网络,植物-传粉者网络和药物-靶标网络。在过去的十年里,单部网络中的社区发现已经得到了广泛的研究,而二部网络中的模块或社区的识别仍然处于早期阶段。提出了几个定量功能的质量评估二分网络部门的基础上空模型,并有不同的分辨率限制。本文提出了一种新的二部网络中社区发现的量化函数,并证明了该量化函数优于广泛使用的Barber二部模块度等函数。基于新的量化函数,将二部网络社区发现问题转化为一个整数规划模型。通过最大化数量函数,可以将二分网络划分为合理的重叠社区。我们进一步开发了一个启发式和自适应标签传播算法(BiLPA),以优化大规模二分网络中的定量功能。BiLPA不需要任何关于网络中社区数量的先验知识。我们将BiLPA应用于人工网络和真实网络,并证明该方法可以成功地识别二分网络的社区结构。
2015-03-31 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
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
Community Detection in Partially Observable Social Networks
Dankook University(檀国大学);Yonsei University(延世大学);University of Konstanz(康斯坦茨大学)
社交网络中社团结构的发现是理解网络拓扑结构和功能的一个基本问题,因此受到了广泛的关注。然而,大多数社交网络数据都是从部分可观察的网络中收集的,其中既有缺失的节点,也有缺失的边缘。在本文中,我们解决了一个新的问题,检测重叠的社区结构的背景下,这样一个不完整的网络,在网络中的社区被允许重叠,因为节点属于多个社区一次。为了解决这个问题,我们引入KroMFac,一个新的框架,进行社区发现通过正则化非负矩阵分解(NMF)的基础上的克罗内克图模型。具体来说,从推断的Kronecker生成参数矩阵,我们首先估计网络的缺失部分。作为我们对所提出的框架的主要贡献,为了提高社区发现的准确性,我们然后通过排名来描述和选择有影响力的节点(往往具有高程度),并将它们添加到现有的图中。最后,我们通过解决正则化NMF辅助优化问题来最大化底层图的可能性来揭示社区结构。此外,采用归一化互信息(NMI),我们经验表明,我们的KroMFac方法的优越性,通过使用合成和真实世界的网络超过两个基线计划。
2021-04-16 cs.LG cs.SI 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
Optimization via Low-rank Approximation for Community Detection in Networks
社区发现是网络分析的基本问题之一,目前已经提出了许多方法。大多数基于模型或基于准则的方法必须解决离散标签集上的优化问题才能找到社区,这在计算上是不可行的。一些快速谱算法已被提出用于特定的方法或模型,但仅在个案的基础上。在这里,我们提出了一种通用的方法,通过将标签集投影到一个子空间上,近似于预期邻接矩阵的前导特征向量,来最大化离散标签上的网络邻接矩阵的函数。这种在低维空间上的投影使得标签的可行集合更小,优化问题更容易。我们证明了这种方法的一般结果,并展示了如何将其应用到以前提出的几个社区检测标准,建立其一致性的标签估计在每种情况下,并展示了网络的光谱特性和各种基于模型的社区检测方法之间的基本联系。仿真和应用程序的真实世界的数据,以证明我们的方法在很宽的参数范围内的多个问题表现良好。
2015-05-10 cs.SI math.ST physics.soc-ph
Community Detection Algorithm Combining Stochastic Block Model and Attribute Data Clustering
Tohoku University(东北大学);Yamagata University(山形大学)
我们提出了一种新的算法来检测社区结构的网络,利用网络结构和顶点属性数据。假设我们有网络结构和顶点属性数据,即分配给每个顶点的信息与它所属的社区相关联。本文所解决的问题是从网络结构和顶点属性数据的信息中检测社区结构。我们的方法是基于贝叶斯方法,模型的后验概率分布的社区标签。在我们的方法中的社区结构的检测是通过使用信念传播和EM算法。我们使用计算机生成的网络和真实世界的网络数值验证了我们的方法的性能。
2016-07-21 cs.LG cs.SI physics.soc-ph
Maximizing the Collective Learning Effects in Regional Economic Development
University of Electronic Science and Technology of China(电子科技大学);MIT Media Lab, Massachusetts Institute of Technology(麻省理工学院媒体实验室)
本文研究了如何通过简单传播模型最大化集体学习效应,利用巴西劳动力数据构建的真实网络,探讨了在区域间学习中如何平衡核心与边缘产业以及近邻与远距离地区以促进区域经济发展。
2017-12-24 cs.SI econ.GN physics.soc-ph