Resilience of networks with community structure behaves as if under an external field
社区结构的检测和表征在网络系统的研究中起着至关重要的作用。然而，对于社区结构如何影响系统的复原力和稳定性仍然缺乏了解。在这里，我们开发了一个框架来研究基于渗流理论的社区结构的网络的弹性。我们发现，分析和数值的互连（社区之间的连接）影响渗流相变的方式类似于一个外磁场中的铁磁-顺磁自旋系统。我们还研究了普适类定义类似的临界指数$δ$和$γ$，并发现它们的值为各种模型和在现实世界中的合作者网络遵循基本的标度关系，在物理相变。本文的研究方法和结果不仅为网络弹性的研究提供了便利，而且为理解外场作用下的相变提供了新的视角。
2018-05-02 physics.soc-ph
Constrained Spectral Clustering for Dynamic Community Detection
网络是许多具有交互实体的系统的有用表示，例如社会，生物和物理系统。描述中尺度组织即社团结构是网络科学的一个重要问题。社区检测的目的是将网络划分为内部连接密集但与其他密集节点集稀疏连接的节点集。目前的社区检测工作主要集中在静态网络上。然而，许多现实世界的网络是动态的，即它们的结构和属性随时间变化，需要动态社区检测的方法。在本文中，我们提出了一个新的随机块模型（SBM）的社区成员的演化建模。与现有的SBM不同，所提出的模型允许每个社区以不同的速度发展。这个新的模型被用来推导出一个最大后验估计社区检测，它可以被写为一个受约束的谱聚类问题。特别地，每个社区的转移概率在每个时间点修改图邻接矩阵。该公式提供了动态网络的统计网络推理和谱聚类之间的关系。所提出的方法进行评估模拟和真实的动态网络。
2019-11-04 cs.SI physics.soc-ph
Robustness of community structure to node removal
模块化结构的识别是必不可少的表征真正的网络形成的中观层次的组织集群包含具有高的内部连通度的节点。人们已经开发了许多方法来揭示社区结构，但只有少数研究探讨了它们在不完全网络中的适用性。在这里，我们评估了采样过程中生成的不完整网络中社区检测技术的准确性。我们表明，步行陷阱和快速贪婪算法是高度准确的检测模块化结构的不完整的复杂网络，即使他们的许多节点被删除。此外，我们实现了一种方法，提高了walktrap和快速贪婪算法的时间性能，同时保持了识别节点社区成员的准确率。总之，我们的研究结果表明，这种新方法可以应用于加速几乎任何社区检测方法在密集的复杂网络，因为它是相似性网络的情况下。
2015-02-06 cs.SI physics.soc-ph
Modularity and community structure in networks
科学中的许多感兴趣的网络，包括各种社会和生物网络，被发现可以自然地划分为社区或模块。检测和表征这种社区结构的问题最近引起了相当大的关注。最敏感的检测方法之一是在网络的可能划分上优化被称为“模块化”的质量函数，但是使用例如模拟退火的这种方法的直接应用在计算上是昂贵的。在这里，我们表明，模块化可以重新制定的网络，我们称之为模块化矩阵的一个新的特征矩阵的特征向量，这种重新制定导致频谱算法的社区检测，返回更好的质量比竞争的方法在显着更短的运行时间的结果。我们证明了该算法与应用程序的几个网络数据集。
2006-02-17 cond-mat.stat-mech physics.data-an physics.soc-ph
Parallel Toolkit for Measuring the Quality of Network Community Structure
许多网络显示出社区结构，它识别出节点组，其中连接比它们之间的连接更密集。检测和描述这种社区结构，即社区发现，是网络系统研究的基本问题之一。它在过去几年中受到了相当大的关注。已经开发了许多技术用于高效和有效的社区发现。其中，效率最高的算法是标签传播算法，其计算复杂性为O（|E|）。虽然它在边的数量上是线性的，但对于非常大的网络来说，运行时间仍然太长，需要并行的社区发现。此外，计算社区结构的社区质量度量在有和没有地面实况的情况下都是计算上昂贵的。然而，到目前为止，我们还没有意识到任何努力，介绍并行处理这个问题。在本文中，我们提供了一个并行工具包来计算这些指标的值。我们分别在分布式存储机和共享存储机上对并行算法进行了评价。实验结果表明，它们产生了显着的性能增益超过顺序执行的总运行时间，加速比和效率。
2015-07-20 cs.SI physics.soc-ph
Community Detection in Complex Networks Using Genetic Algorithms
社区发现是复杂网络中的一个重要研究课题。提出了一种基于优化网络模块度的遗传算法来检测复杂网络中的社区。它不需要任何关于社区数量的先验知识。它的性能进行了测试，在两个现实生活中的网络与已知的社区结构和一组合成网络。作为性能度量，使用信息的信息理论度量变化。结果是有希望的，在某些情况下比以前报道的研究更好。
2007-11-04 physics.soc-ph
Using Community Structure for Complex Network Layout
我们提出了一种新的布局算法，复杂的网络，结合了多尺度的方法，社区检测与标准的力导向设计。由于社区检测在计算上是便宜的，我们可以利用多尺度方法来快速生成具有接近最小能量的网络配置。作为进一步的资产，我们可以使用社区结构的知识来促进大型网络的解释，例如由蛋白质-蛋白质相互作用定义的网络。
2012-07-26 cs.SI physics.soc-ph
Optimality Of Community Structure In Complex Networks
社区发现是发现复杂网络结构的关键工具之一。大多数的社区发现方法依赖于优化某些质量函数的特点提出的社区结构。也许，这些质量函数中最常用的是模块化。许多算法都声称在模块化最大化方面是有效的，这通常是通过将它们的结果与其他已知算法提供的结果进行比较来相对证明的。然而，由于所有的方法都是穷举法，而完全的蛮力是不可行的，没有已知的方法来理解所获得的划分是否真的是最优的。在这篇文章中，我们从另一个方面解决模块化最大化问题--找到给定网络中可能的模块化值的上限估计，从而更好地评估建议的社区结构。此外，在某些情况下，当上界估计满足实际获得的模块化分数时，它提供了一个证明，即建议的社区结构确实是最优的。我们提出了一个有效的算法来建立这样一个上限估计，并说明其使用的例子，著名的经典和合成网络，能够证明现有的分区的最优性的一些网络，包括著名的扎卡里的空手道俱乐部。
2017-12-14 cs.SI physics.data-an physics.soc-ph
How to Measure Significance of Community Structure in Complex Networks
社团结构分析是研究复杂网络的有力工具，它可以大大简化复杂网络的功能分析。近年来，人们提出了许多方法来检测社区结构，但很少有工作集中在社区结构的意义。由于从复杂系统中得到的真实网络中往往存在错误链接，而且大多数社团发现算法中存在随机因素，因此评价社团结构的重要性就显得尤为重要和迫切。在本文中，我们使用特征向量的稳定性来表征社区结构的重要性。通过对一个给定网络的Laplacian矩阵的特征值进行分析，可以评估其社区结构的重要性，从而得到最优社区数目，这是社区发现算法的难点。我们将我们的方法应用于许多真实的网络。我们发现许多社交网络和秀丽隐杆线虫神经网络中存在显著的社区结构，而蛋白质相互作用网络和代谢网络中存在不太显著的社区结构。由于其坚实的数学基础和效率，我们的方法可以应用于广泛的聚类问题的数据挖掘。
2010-02-10 physics.data-an physics.soc-ph
Identifying robust features of community structure in complex networks
本文提出递归显著性聚类方案，识别网络扰动下社区归属稳定的节点核心，以刻画非重叠社区结构的固有变异性并验证其在网络演化中的内聚性。
2025-02-05 physics.soc-ph
Community Structure Detection in Complex Networks with Partial Background Information
约束聚类在无监督学习领域得到了广泛的研究。然而，如何在复杂网络中将约束编码到社区结构检测中仍然是一个具有挑战性的问题。在本文中，我们提出了一个半监督学习的社区结构检测框架。该框架通过修改网络的邻接矩阵隐式地编码了必须连接和不能连接的约束，也可以看作是对社团结构的一致性矩阵进行了去噪处理。我们提出的方法考虑了复杂网络的拓扑结构和功能（背景信息），这增强了结果的可解释性。在合成基准测试和真实网络上进行的比较表明，该框架能够在较少约束条件下显著提高社区发现性能，是复杂网络分析中一种有吸引力的方法.
2013-03-22 cs.SI physics.soc-ph
Joint Inference of User Community and Interest Patterns in Social Interaction Networks
在线社交媒体已经成为我们社交生活中不可或缺的一部分。分析社交媒体平台中的对话可以产生复杂的概率模型来理解社交互动网络。在本文中，我们提出了一种建模方法，通过共同推断用户社区和兴趣的基础上，社会媒体的互动网络特征。我们提出了几种模式推理模型：i）兴趣模式模型（IPM）捕捉人口水平的交互主题，ii）用户兴趣模式模型（UIPM）捕捉用户特定的交互主题，iii）社区兴趣模式模型（CIPM）捕捉社区结构和用户兴趣。我们在从普渡大学社区收集的Twitter数据上测试我们的方法。从我们的模型结果中，我们观察到与普渡大学社区内的两个大事件相关的互动主题和社区，即普渡大学捐赠日和参议员伯尼·桑德斯访问普渡大学作为2016年印第安纳州初选的一部分。基于用户交互构建社会交互网络说明了用户在各种感兴趣的主题上的交互的相似性，并指示了他们的社区归属感。我们观察到，这种网络的度分布遵循幂律，这表明网络中存在较少的节点，具有较高的交互水平，以及许多其他节点具有较少的交互。我们还讨论了这种网络作为一种有用的工具，有效地传播特定的信息，以目标受众对规划任何大型活动的应用，并演示了如何挑选出特定的节点在一个给定的社区运行网络算法。
2017-04-06 cs.SI physics.soc-ph
Iterative embedding and reweighting of complex networks reveals community structure
提出一种图迭代嵌入与基于几何邻近性重加权连边的方法，通过强化社区内连边、削弱社区间连边来显著提升社区结构的可见性与检测精度，并可作为预处理步骤增强传统社区检测算法的性能。
2024-02-16 physics.soc-ph
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
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
Community detection in complex networks using Extremal Optimization
提出了一种基于模块度极值优化的复杂网络社团结构发现方法。该方法优于文献中现有的算法找到的最佳模块化。我们提出的计算机模拟和真实网络的算法的结果，并与其他方法进行比较。该方法的高效性和准确性使其适用于大型复杂网络社团结构的精确识别。
2005-01-16 cond-mat.dis-nn cond-mat.stat-mech physics.soc-ph
SGPD Volume Maximization for Community Detection
在这篇笔记中，我们简要地研究了在复杂网络中使用外围顶点进行社区检测的可行性。我们的方法提出了一个新的方向公理化的问题，聚类图和复杂的网络，通过查看每个顶点在社区结构中发挥的拓扑作用，无论属性。伪外围顶点作为复杂网络分析的杠杆的有前途的力量也证明了对现实世界的数据。
2015-11-04 cs.SI physics.soc-ph
Predicting Stability of Community Members in Complex Networks
在这项工作中，我们分析和预测复杂网络中社区的稳定性。我们使用一种称为个人资料接近度的接近中心性变体来衡量成员对其社区的忠诚度。我们表明，配置文件的接近度是一个足够的指标，社区如何在网络中发展。我们调查这在静态和动态（时间）网络，并建立在预测一个复杂的网络的演变的轮廓接近的相关性。关键词：小世界网络，中心性，社区，封闭性，聚类
2022-07-13 cs.DM cs.SI physics.soc-ph
Community detection based on "clumpiness" matrix in complex networks
利用网络的“丛度”矩阵，提出了一种识别网络社团结构的方法。一个“投影空间”是由团块矩阵的特征向量构造的，并且在该空间中使用某种角距离定义边界线。使用这种边界和/或分层聚类方法来识别网络的社区结构。我们的算法的性能进行了测试，在一些计算机生成的和真实世界的网络。使用归一化互信息检查结果的准确性。本文还讨论了群落大小异质性对方法精度的影响。
2011-11-06 cs.SI physics.soc-ph
Consistent Community Identification in Complex Networks
我们已经发现，已知的社区识别算法产生不一致的社区时，节点排序的变化在输入。我们提出了两个指标来量化算法多次运行的一致性水平：成对成员概率和一致性。基于这两个指标，我们解决了一致性问题，而不损害模块化。我们的解决方案使用成对的成员资格概率作为链接权重，并在六个或更少的周期内生成一致的社区。它为研究群落结构及其演化提供了一种新的工具。
2009-10-10 physics.data-an physics.soc-ph
Genetic Algorithm with Ensemble Learning for Detecting Community Structure in Complex Networks
复杂网络中的社区发现是近年来科学界研究的热点。针对遗传算法在复杂网络社团社区发现中应用不多的问题，提出了一种基于集成学习的遗传算法（GAEL）来检测复杂网络社团结构。GAEL用基于集成学习的多个体交叉算子代替传统的交叉算子。因此，GAEL可以避免传统交叉算子只能混合不同个体的字符串块，而不能将不同个体的聚类上下文重组成新的更好的聚类上下文的问题。此外，在变异算子中采用了局部搜索策略，使变异节点被放置到其邻居最多的社区中。最后，本文采用了一种基于马尔可夫随机游走的方法来初始化种群，从而为我们提供了一个精确多样的聚类解种群。这些个体的多样性和准确性适合于基于集成学习的多个体交叉算子。在计算机生成的网络和真实世界的网络上进行测试，并与当前复杂网络中的社区发现的代表性算法进行比较。实验结果表明，GAEL是非常有效的发现社区结构。
2013-03-22 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
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
Community Detection in Complex Networks by Dynamical Simplex Evolution
我们基准的动态单纯形进化（DSE）方法与几个目前可用的算法来检测社区在复杂的网络中，通过比较正确识别的节点的分数为不同级别的“模糊性”的随机网络组成的定义良好的社区。讨论了DSE方法在复杂网络层次子结构检测中的潜在优势。
2007-10-02 cond-mat.dis-nn cs.NI physics.soc-ph
Closed benchmarks for network community structure characterization
描述复杂网络的社区结构是许多科学领域的关键挑战。为此，已经提出了非常不同的算法和方法，其中许多在特定情况下工作得相当好。然而，对于这些方法中哪一种在实践中使用最好，还没有达成共识。在某种程度上，这是由于测试其性能需要生成一套全面的标准合成基准，这一目标尚未完全实现。在这里，我们提出了一种我们称之为“封闭”的基准，其中已知社区结构的初始网络逐渐转换为社区也已知的第二个网络。这种方法不同于以前发表的所有方法，在这些方法中，网络朝着随机性发展。使用这种类型的基准允许我们监控网络的社区结构的转变。此外，我们可以预测信息变化的最佳行为，这是在过程的任何时刻获得的分区质量的度量。这使我们能够在许多情况下，以确定最好的分区之间的建议，由不同的算法。此外，由于任何网络都可以用作起点，因此可以使用一组异构结构（包括随机结构）进行广泛的研究和比较。这些特性使我们的基准测试成为比较社区检测算法的通用标准。
2012-12-27 cond-mat.stat-mech cs.SI physics.soc-ph
Effect of size heterogeneity on community identification in complex networks
识别社区结构是分析和理解复杂网络结构的有力工具。到目前为止，用于评估识别算法的性能的方法使用具有相等大小的社区的ad-hoc网络。我们表明，社区大小的不均匀性可以而且确实会极大地影响算法的性能，并提出了一种考虑这些因素的替代方法。此外，我们提出了一个简单的修改纽曼提出的社区检测算法（物理评论E { \bf 69} 066133），它对待社区的不同大小的平等的基础上，并表明它优于原来的算法，同时保持其速度。
2006-01-19 cond-mat.dis-nn physics.comp-ph physics.soc-ph
Community Detection in Complex Networks using Link Prediction
社区发现和链接预测在网络分析中具有重要意义，它们从不同的角度对网络的拓扑结构提供了非常有价值的见解。针对链接预测能否提高社区划分的准确性这一问题，提出了一种新的社区发现算法，该算法引入了链接预测.对于链接预测，我们提出了两个新的索引来计算每对节点之间的相似性，其中一个旨在添加丢失的链接，另一个试图删除虚假的边缘。在基准数据集上进行了大量的实验，并将该算法的结果与两类基线进行了比较。总之，我们提出的算法是有竞争力的，揭示了链接预测确实提高了社区发现的精度。
2017-07-10 cs.SI physics.soc-ph
Measuring robustness of community structure in complex networks
社团结构理论是研究真实网络的有力工具，它可以大大简化网络的拓扑和功能分析。然而，由于社团发现方法存在随机性，而从复杂系统中得到的真实社交网络往往含有错误边，因此评价社团结构的鲁棒性是一个迫切而重要的任务。本文利用哈密顿函数中分辨率参数的临界阈值$γ_C$来度量网络的鲁棒性。根据谱理论，严格证明了所提出的指标与群落结构的鲁棒性成反比。此外，利用协同进化模型，我们提供了一个新的有效的方法来计算值的$γ_C$。该研究具有坚实的数学基础和实验效果，可应用于网络分析和数据挖掘中的广泛聚类问题。
2015-03-27 cs.SI physics.soc-ph
Surprise maximization reveals the community structure of complex networks
如何确定复杂网络的社团结构是一个悬而未决的问题。在结构未知的网络中，建立最佳的社区发现策略是关键。在这里，使用标准的合成基准，我们表明，迄今为止开发的社区结构表征的算法没有最佳性能。值得注意的是，根据模块性（最流行的划分质量度量）来评估结果，系统地提供了错误的解决方案。然而，一个新的质量函数，称为惊喜，可以用来阐明这是最佳的划分到社区。因此，我们发现，最好的策略，以找到所有的网络研究的社区结构，包括选择多个算法提供的解决方案中的一个具有最高的惊喜值。我们的结论是，惊喜最大化准确地揭示了复杂网络的社区结构。
2013-01-03 cond-mat.stat-mech cs.SI physics.soc-ph
A new fast algorithm for reproducing complex networks with community structure
在本文中，我们介绍了一种新的算法，允许生成的网络与异质性的节点度和社区大小。分析了该算法的质量和效率，并与Lancichinetti等人提出的最流行的算法进行了比较。我们讨论了这两种算法的优点和缺点，指出了它们潜在的应用领域。
2016-08-30 cond-mat.dis-nn cs.SI 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
Leveraging Evolution Dynamics to Generate Benchmark Complex Networks with Community Structures
在过去的十年中，复杂社交网络领域取得了巨大的发展。人们已经广泛研究了几种网络生成模型，以了解现实世界的网络如何随着时间的推移而演变。这些模型的两个重要应用是研究形成网络的演化动力学和过程，并生成具有已知社区结构的基准网络。这两个方向的研究都进行了，相对独立于其他方向。这在真实世界网络和作为基准生成的网络之间创建了一个分离点，以研究社区发现算法。在本文中，我们建议一起研究这两个应用领域。我们介绍了一个网络生成模型，它是基于现实世界中的网络的演化动力学，它可以生成网络的社区结构，可用作基准图。我们研究了不同的社区发现算法的基础上提出的模型的行为，并将其与其他模型生成基准图。结果表明，该模型可以生成的网络，不仅在结构上类似于现实世界的网络，但可以用来生成不同的社区规模和拓扑结构的网络。
2017-01-20 cs.SI physics.soc-ph
An empirical characterization of community structures in complex networks using a bivariate map of quality metrics
社区发现是发现网络介观结构的一个重要任务。然而，“好”社区的概念是非常依赖于上下文的，并且使用可用的社区发现技术来推断社区特征相对复杂。在现实中，存在的差距，结构良好的质量指标和预期的拓扑模式造成了混乱，在评估社区结构。在本文中，我们引入了一个经验的多元分析不同的结构优良性，以表征几个可检测的社区拓扑结构。具体来说，我们表明，两个代表性的结构尺寸，包括社区传递性和枢纽优势的组合，可以区分不同的拓扑结构，如基于星，基于candle，基于字符串和基于网格的结构。此外，这些拓扑类别揭示了与Erdens-Rényi，Watts-Strogatz和Barabási-Albert生成模型创建的图的结构相似性。我们说明了流行的社区拓扑结构，由不同的检测方法在一个大型数据集组成的许多网络类别，并将其结构与最相关的图生成模型。有趣的是，这种合取表示揭示了各种网络类别中介观结构之间的根本差异，包括：通信，信息，生物，技术，社会，生态，合成网络等等。
2018-06-01 cs.SI physics.soc-ph
YASCA: A collective intelligence approach for community detection in complex networks
在本文中，我们提出了一个独特的方法，在复杂网络中的社区发现。该方法属于以种子为中心的算法家族。然而，而不是扩大社区周围选定的种子，因为大多数现有的方法，我们在这里探索应用集成聚类方法，以不同的网络分区来自自我为中心的社区计算每个选定的种子。以自我为中心的社区本身计算应用最近提出的合奏排名为基础的方法，允许有效地结合各种本地模块化用于指导贪婪的优化过程。第一个实验的结果，在现实世界的网络，其中地面真相分解成社区是已知的，认为我们的方法的有效性。
2014-01-17 cs.SI physics.soc-ph
Community structure of complex software systems: Analysis and applications
由于在快速发展的复杂网络领域的显着发现，最近的研究在软件工程也集中在表示软件系统与网络。以前的工作已经观察到，这些网络遵循无标度分布，并揭示了小世界现象，而我们在这里探索另一种常见于不同复杂网络的性质，即社区结构。我们采用类依赖网络，其中节点代表软件类和边缘代表它们之间的依赖关系，并表明这些网络揭示了一个显着的社区结构，其特征在于在其他复杂网络中观察到的类似属性。然而，尽管不同的现象是直观的和预期的，但识别的社区并不完全对应于软件包。我们实证证实了我们的观察，从Java和各种第三方库构建的几个网络，并提出不同的应用程序社区发现软件工程。
2011-05-21 cs.SE cs.SI physics.data-an
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
The many facets of community detection in complex networks
社区发现是将图分解为基本构建块的过程，是近年来网络科学的核心研究课题。由于什么构成社区的精确概念仍然是模糊的，社区发现算法经常在基准图上与特定形式的替代社区结构进行比较，并根据它们采用的数学技术进行分类。然而，这种比较可能会产生误导，因为它们的数学机制中明显的相似之处可能会掩盖不同的目标和原因，而这些目标和原因正是我们首先要采用社区发现的原因。在这里，我们提供了这些不同的动机，支持社区发现的重点审查。这种问题驱动的分类在应用网络科学中很有用，在应用网络科学中，为给定的目的选择合适的算法是很重要的。此外，强调不同方面的社区发现也划定了许多线的研究，并指出开放的方向和途径，为未来的研究。
2017-02-15 cs.SI physics.data-an physics.soc-ph
Scale-variant topological information for characterizing the structure of complex networks
由于网络拓扑尺度的变化、非并矢复杂相互作用以及网络中的涨落，现实世界中的网络结构通常很难刻画。我们的目标是解决这些问题，通过引入一个通用的框架，使用基于拓扑数据分析的方法。通过考虑网络中在单个指定时间尺度上的扩散过程，我们将网络节点映射到一个有限的点集，该点集包含网络在单个尺度上的拓扑信息。随后，我们研究了这些点集在可变时间尺度上的形状，这些点集提供了尺度变化的拓扑信息，以了解网络中不同的拓扑尺度和复杂的相互作用。我们对合成数据和真实数据进行了实验，以证明所提出的框架在识别网络模型，对真实网络进行分类以及检测时间演化网络中的过渡点方面的有效性。总的来说，我们的研究提出了一个统一的分析，可以应用于更复杂的网络结构，如多层和多路复用网络的情况下。
2019-08-28 cs.SI math.AT physics.soc-ph
Hierarchical community structure in complex (social) networks
网络中社区结构的研究在许多学科中是一项非常重要的任务，即物理学，社会学，生物学和计算机科学，其中系统通常表示为图。其中一个挑战是在没有全局信息的图中从局部视点找到局部社区，以便再现每个顶点的主观层次视觉。本文提出了一种信息动力学算法的改进，其中节点的标签传播基于认知启发约束下网络中的马尔可夫信息流\cite{Massaro2012}。在这个框架中，我们引入了两个更复杂的算法，使算法能够从一个源顶点或社区采用固定值的模型的参数来检测网络的多分辨率层次社区结构。实验结果表明，所提出的方法是有效的和良好的行为在现实世界和合成网络。
2014-03-10 cs.SI physics.soc-ph
Exploring the limits of community detection strategies in complex networks
网络社区结构的表征在多个科学领域具有深远的意义。因此，测试开发的算法，以建立一个网络到社区的最佳划分是该领域的一个基本问题。我们在这里进行了一个非常详细的评估社区检测算法，其中有两个主要的新颖性：1）使用复杂的封闭基准，它提供了精确的方法来评估算法产生的解决方案是否是最优的;以及2）一种新型的分析，其基于对由多个社区检测算法建议的解决方案进行分层聚类，这允许容易地可视化这些解决方案的不同程度。Surprise是一个评估分区质量的全局参数，它证实了这些分析的强大功能。我们发现，没有一个社区检测算法测试提供一致的最佳结果，在所有的网络和惊喜最大化，通过结合多种算法，获得准最佳性能，在这些困难的基准。
2013-06-18 cond-mat.stat-mech 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
A Large-Scale Community Structure Analysis In Facebook
理解支配人类现象的社会动力学，如通信和社会关系，是当前计算社会科学的一个主要问题。特别是，鉴于前所未有的成功，在线社交网络（OSN），在本文中，我们关注的是最大的OSN的用户之间发生的聚合模式和社会动态的分析：Facebook。详细地，我们讨论了这个网络的社区结构的中观特征，考虑到社区的角度，这还没有在这样一个大规模的研究。为此，我们获取了包含数百万用户及其社会关系的网络样本;然后，我们揭示了代表用户聚集和交互的聚合单元的社区;最后，我们分析了这样一个社区网络的统计特征，发现并表征了在线社交网络中个体交互所遵循的一些特定组织模式，这是考虑到不同的抽样技术和聚类方法而出现的。这项研究提供了一些线索，个人建立在线社交网络，最终有助于建立一个良好的社会结构的社会互动的趋势，并打开了进一步的社会研究的空间。
2013-06-23 cs.CY cs.SI physics.soc-ph
Community detection based on significance optimization in complex networks
社团结构是广泛存在于各种复杂网络中的一种重要的结构性质。在过去的十年里，社区检测方法的设计受到了广泛的关注，但分析社区检测方法的行为也是理论研究和实际应用中的一个热点。在这里，我们专注于社区结构的重要措施，意义[科学。Rep.3（2013）2930]。详细研究了网络参数对该测度的影响，分析了该测度在分块跃迁中的临界行为，并解析地给出了临界点的计算公式和相图。结果表明，随着社区间和社区内链接密度的不同，划分转换的临界社区数显著增加，显著性优化方法在社区发现中表现出更高的分辨率，但也容易导致社区过度分裂。利用Louvain显著性优化算法，在人工网络和真实网络上验证了理论结果，并与一些经典方法进行了一系列比较。
2017-01-24 cs.SI physics.data-an physics.soc-ph
The way to uncover community structure with core and diversity
社区在自然界和社会中无处不在。拥有共同财产的个体通常会自我组织形成社区。本文针对计算复杂、信息预先给定、不同运行结果不稳定等不足，提出了一种简单有效的方法，加深了对复杂系统中群落出现和多样性的理解。该方法通过引入理性随机选择，揭示了社区结构中隐藏的确定性和正常的多样性社区状态。为了证明这种方法，我们用真实世界的系统进行了测试。实验结果表明，该方法不仅能够以较高的灵敏度和可靠性检测出社区结构，而且能够通过给出核心社区、真实社区、潮流和多样性等信息，对隐藏的确定性社区世界和正常的多样性社区世界提供指导性信息。这对于理解、预测和控制复杂系统中的各种集体行为是至关重要的。
2017-06-28 cs.SI physics.data-an physics.soc-ph
Detecting Dynamic Community Structure in Functional Brain Networks Across Individuals: A Multilayer Approach
Monash University Malaysia（马来西亚蒙纳士大学）；King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）；Xiamen University Malaysia（厦门大学马来西亚分校）
我们提出了一个统一的统计框架，用于表征大脑功能网络的社区结构，该网络捕获了个体之间的变化和随时间的演变。现有的社区发现方法只关注动态网络的单主题分析，而最近扩展到多主题分析仅限于静态网络。为了克服这些局限性，我们提出了一个多学科，马尔可夫转换随机块模型（MSS-SBM），以确定一组人的大脑社区组织的状态相关的变化。我们首先制定了一个多层扩展的SBM描述的时间依赖性，多学科的大脑网络。我们开发了一种新的程序，用于拟合多层SBM，建立在多层模块化最大化，可以同时发现一个共同的社区分区的所有层（科目）。通过增加一个动态马尔可夫切换过程，我们提出的方法是能够捕获一组不同的，经常性的时间状态相对于社区间的相互作用的主题和它们之间的变化点。仿真结果表明，准确的社区恢复和跟踪动态社区政权多层网络的MSS-SBM。应用于任务功能磁共振成像揭示了有意义的非重复性大脑社区图案，例如，核心-外围结构在群体水平，这是与语言理解和运动功能，表明他们在复杂的信息整合的假定作用。我们的方法检测到动态重新配置的模块化连接引起不同的任务需求，并确定了独特的配置文件内和社区间的连接在不同的任务条件。所提出的多层网络表示提供了一种原则性的方法来检测跨学科大脑网络中的同步，动态模块化。
2020-10-16 cs.LG eess.SP physics.soc-ph
Towards fractal origins of the community structure in complex networks: a model-based approach
本文提出复杂网络的社区结构可能源于潜在分形特性，并通过一个具有节点度和社区规模双重尺度不变性的演化网络模型验证了该假设，发现网络中存在分形核心。
2023-09-20 cond-mat.dis-nn cs.SI physics.soc-ph
A Classification for Community Discovery Methods in Complex Networks
在过去的几年里，许多现实世界的网络被发现显示出所谓的社区结构组织。在文献中已经投入了大量的精力来开发方法和算法，这些方法和算法可以有效地突出网络的这种隐藏结构，传统上通过划分图来实现。由于网络表示可能非常复杂，并且在传统的图模型中可能包含不同的变体，因此文献中的每个算法都专注于其中一些属性，并显式或隐式地建立自己的社区定义。根据这一定义，它然后提取的社区，能够反映真正的社区的一些功能。本调查的目的是为社区发现问题提供一个手册。给出了什么是社交网络中的社区的Meta定义，我们的目标是根据他们自己对社区的定义来组织社区发现的主要类别。给定一个理想的定义的社区和一个问题的功能（网络的大小，方向的边缘，多维性，等等），这篇综述论文的目的是提供一套方法，研究人员可以专注于。
2012-06-15 cs.DS cs.SI physics.soc-ph
Quantum walk on simplicial complexes for simplicial community detection
针对经典随机游走无法直接检测高阶社区结构的问题，本研究提出基于单纯复形离散时间量子行走、采用Fourier硬币生成纠缠态的单纯社区检测量子算法，在扎卡里空手道俱乐部网络验证了潜力，为复杂系统研究提供新路径。
2024-04-26 math.AT physics.data-an physics.soc-ph
A Flexible Fitness Function for Community Detection in Complex Networks
来自文献的大多数社区发现算法用作最小化给定\textit{fitness function}的优化工具，同时假设每个节点属于单个社区。由于没有什么是社区的硬概念，大多数建议的适应度函数都集中在一个特定的定义上。因此，这些功能并不总是导致与实践中观察到的分区相对应的分区。本文提出了一种新的灵活的适应度函数，允许识别具有不同特征的社区。这种灵活性是通过采用一种名为cob-aiNet [C]的免疫优化算法来评估的，以识别一组基准网络中的不相交和重叠社区。结果表明，所得到的分区比通过模块度函数的优化所得到的分区更接近地面实况。
2014-06-10 cs.NE cs.SI physics.soc-ph
Community Detection in Complex Networks Using Density-based Clustering Algorithm
与聚类分析一样，社区发现的目的是将网络中的节点分配到不同的社区中。Fdp是最近提出的一种基于密度的聚类算法，它不需要事先输入聚类数，聚类结果对聚类参数不敏感。然而，Fdp不能直接应用于社区发现，因为它不能识别网络中的社区中心。针对这一问题，提出了一种新的社区发现方法IsoFdp。首先，我们使用Isomap技术将网络数据映射到一个低维流形上，该流形可以显示不同的成对相似性。然后应用Fdp算法检测网络中的社区。提出了一种改进的划分密度函数来自动选择合适的社区数目。我们在合成网络和真实网络上测试了我们的方法，结果表明我们的算法比最先进的方法有效。
2016-01-31 cs.SI physics.data-an physics.soc-ph
Assessing the consistency of community structure in complex networks
近年来，社区结构已成为复杂网络分析的一个重要组成部分。随着更多数据的收集，研究人员已经开始调查多个网络中不断变化的社区结构。有几种方法可以分析不断变化的社区，但大多数方法仅限于单个网络随时间的演变。此外，大多数现有的方法更关心的是在社区一级的变化，而不是在单个节点的水平。在本文中，我们引入了缩放包容性，这是一种量化网络中社区结构变化的方法。标度包容性独立地评估网络中每个节点分类的一致性。此外，该方法可以应用于横截面以及纵向。在本文中，我们计算了一组模拟网络的美国城市和一组真实的网络组成的球队，在美国大学橄榄球的顶级联赛的规模包容性。我们发现，缩放包容性产生合理的结果，在这两组网络中的单个节点的一致性。我们建议，规模包容性可以提供一个有用的方式来量化网络的社区结构的变化。
2011-08-02 cs.SI nlin.AO physics.soc-ph
Quantum walks on complex networks with connection instabilities and community structure
研究了具有社团结构特征的复杂网络上的连续时间量子游走问题。受可行的量子网络的前景的启发，我专注于网络不稳定性的影响，以断开的链接的形式，并检查量子行走对这种故障的响应。结果表明，网络的社团结构决定了量子行走的重构。在这种情况下，量子行走的基础上的邻接矩阵和拉普拉斯矩阵的网络进行了比较，并分析其响应链路故障。
2011-05-19 cond-mat.dis-nn cs.SI physics.data-an
Community detection analysis in wind speed-monitoring systems using mutual information-based complex network
对瑞士一个广泛风速监测系统的基于互信息的加权网络表示进行了分析，以发现社区。两个社区已被发现，分别位于阿尔卑斯山和Jura高原，定义了瑞士的两个主要的气候带的传感器对应的两个集群。利用轮廓测度对得到的社区进行评价，确定每个传感器对簇的隶属度。
2018-09-03 physics.data-an physics.soc-ph stat.AP
Reduced network extremal ensemble learning (RenEEL) scheme for community detection in complex networks
University of Houston（休斯顿大学）；Texas Center for Superconductivity, University of Houston（休斯顿大学德克萨斯超导中心）
本文提出了一种用于复杂网络社区检测的集成学习算法。该方案使用了一种机器学习算法范式，我们称之为极值包围学习。它使用迭代极值更新的合奏网络分区，这可以通过一个传统的基础算法，找到一个节点分区，最大限度地提高模块化。在每次迭代中，识别每个系综分区中相同社区中的核心节点组，并用于形成简化网络。然后找到简化网络的分区并用于更新系综。缩小网络的较小尺寸使得该方案有效。我们使用该计划来分析社区结构在一组常用的研究基准网络，发现它优于所有其他已知的方法找到最大模块化的分区。
2019-09-23 cond-mat.stat-mech cs.LG cs.SI
