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
Joint Nonnegative Matrix Factorization for Community Structures Detection in Signed Networks
符号网络中的社团结构检测对于理解符号网络的拓扑结构以及符号网络的功能（如信息扩散、传染病传播等）具有重要意义.本文提出了一种联合非负矩阵分解模型来检测社团结构.此外，我们提出了修改的分区密度来评估社区结构的质量。我们使用它来确定社区的适当数量。我们的方法的有效性证明了基于合成和现实世界的网络。
2018-07-22 cs.SI physics.soc-ph
Detecting community structure in networks using edge prediction methods
社区检测和边缘预测是链接挖掘的两种形式：它们涉及发现网络中顶点之间的关系。在边缘预测中使用的一些顶点相似性度量与社区结构的概念密切相关。我们利用这一洞察力，提出了一种新的方法，通过使用一个简单的顶点相似性度量来改善现有的社区检测算法。我们表明，这种新的策略可以更有效地检测社区比基本的社区检测算法。
2012-01-17 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
A Unified Method of Detecting Core-Periphery Structure and Community Structure in Networks
核心-外围结构和社团结构是复杂网络中两种典型的中尺度结构。虽然社区发现已经从不同的角度进行了广泛的研究，但核心-边缘结构的定义和发现还没有得到足够的关注。此外，还分别探讨了核心-边缘和群落结构的检测问题。在本文中，我们开发了一个统一的框架，同时检测复杂网络中的核心-外围结构和社区结构。此外，我们的算法还有几个额外的优点：我们的方法不仅可以检测到单个，但也可以检测到多对核心-外围结构;属于不同社区的重叠节点可以识别;不同规模的核心-外围结构可以通过调整核心的大小来检测。该方法的良好性能已在合成和实际复杂网络上得到验证。因此，我们提供了一个基本的框架来检测两个典型的中尺度结构：核心-边缘结构和社区结构。
2018-01-12 cs.SI physics.soc-ph
An Empirical Study of the Relation Between Community Structure and Transitivity
现实世界网络中最突出的特性之一是社区结构的存在，即称为社区的密集和松散互连的节点组。为了更好地理解这一概念，我们研究了社区结构的强度与网络传递性（或聚类系数）之间的关系。虽然直观上很吸引人，但以前没有进行过这种分析。我们采用基于随机模型的方法来实证研究一个属性如何根据另一个属性而变化。结果表明，传递性随群落结构强度的增加而增加，并受群落规模分布的影响。此外，增加传递性也会导致更强大的社区结构。更令人惊讶的是，如果一个非常弱的社区结构导致几乎为零的传递性，相反的情况是不正确的，一个传递性接近零的网络仍然可以有一个明确定义的社区结构。需要进一步分析工作，以确定所确定的关系的确切性质。
2012-07-13 cs.SI physics.soc-ph
Local Core Members Aided Community Structure Detection
社交网络中的朋友关系可能很强，也可能很弱。一些研究工作表明，朋友之间的亲密关系会产生良好的社区结构。在此基础上，我们提出了一种基于邻居关系紧密度的社交网络社区结构检测方法。该方法通过计算每个邻居节点对核心节点的引力，判断该节点是否属于社区，最终形成社区发现过程。实验结果表明，该方法能够以较低的计算复杂性有效地挖掘社会结构
2017-10-31 cs.SI 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
Identifying the Community Structure of the International-Trade Multi Network
我们研究了1992-2003年期间世界各国之间特定商品贸易关系的多重网络的社区结构。我们通过归一化互信息指数（NMI）比较了不同商品和时间的结构。我们还比较了它们与由地理距离和区域贸易协定引起的外生社区结构。我们发现，商品特定的社区结构是非常异质性和更分散的特征比总ITN。这表明，ITN的总属性可能是多种商品特定的多层网络的聚合的结果（并且是非常不同的）。我们还表明，具体商品的社区结构，特别是那些与化学部门，正变得越来越类似于总的。最后，我们的研究结果表明，地理距离是更相关的观察到的社区结构比区域贸易协定。这一结果加强了以前的研究结果从贸易的实证文献。
2010-09-21 cs.SI physics.soc-ph
Immunization of networks with non-overlapping community structure
虽然社区结构在复杂网络中普遍存在，但很少有研究利用这种拓扑性质来控制流行病。在这项工作中，致力于非重叠社区结构的网络（即，一个节点属于一个单一的社区），我们提出并研究了三个确定性免疫策略。为了表征节点的影响，使用各种信息，例如节点在一跳中可以到达的社区的数量、链路的性质（社区内链路、社区间链路）、社区的大小以及社区之间的互连密度。在真实网络和合成网络上进行了易感-感染-移除（SIR）流行病模型的数值模拟。实验结果表明，所提出的策略是更有效的比经典的确定性的替代品是不可知的社区结构。此外，它们优于为模块化网络设计的随机和确定性策略。
2018-06-14 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
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
Ensemble-Based Discovery of Disjoint, Overlapping and Fuzzy Community Structures in Networks
虽然数据采掘中的集成聚类已经做了大量的工作，但集成方法在网络社区发现中的应用还处于起步阶段。在本文中，我们提出了两种集成方法：ENDISCO和MEDOC。ENDISCO执行不相交的社区发现。相比之下，MEDOC执行不相交，重叠，和模糊社区发现，并代表了第一次集成方法模糊和重叠社区发现。我们运行广泛的实验，这两种算法对合成和几个真实世界的数据集，社区结构是已知的。我们表明，ENDISCO和MEDOC都击败了最著名的现有独立的社区发现算法（虽然我们强调，他们利用他们）。在不相交的社区发现的情况下，我们表明，ENDISCO和MEDOC击败现有的集成社区发现算法无论是在多个准确性措施和运行时间。我们进一步表明，我们的集成算法可以帮助探索网络社区的核心-外围结构，识别动态网络中的稳定社区，并帮助解决“解的退化”问题，产生强大的结果。
2017-12-06 cs.SI physics.soc-ph
Preferential placement for community structure formation
近年来，人们提出了各种模型来反映和预测复杂网络的不同性质。然而，社区结构，这是最重要的属性之一，没有得到很好的研究和建模。在本文中，我们提出了一个原则，称为“优先放置”，它允许模拟一个现实的集群结构。我们对所获得的结构进行了广泛的实证分析以及一些理论结果。
2019-02-03 cs.SI physics.soc-ph
Comparing Online Community Structure of Patients of Chronic Diseases
在本文中，我们比较了人们在Facebook和Twitter上谈论克罗恩病，囊性纤维化和1型糖尿病的社交网络结构。我们发现，克罗恩病社区的贡献者在Facebook和Twitter上最情绪化，在Twitter上最消极，而T1D社区的通信网络结构是最有凝聚力的。
2015-02-18 cs.SI physics.soc-ph
Community detection algorithm evaluation with ground-truth data
社区结构对于理解复杂网络至关重要。因此，为了开发有效的社区发现算法，存在巨大的努力。不幸的是，公平评估这些算法的问题是一个蓬勃发展的开放问题。如果真值社区结构可用，则使用各种基于聚类的度量，以便将其与这些算法发现的度量进行比较。然而，在节点级别定义的这些度量对整个社区结构的变化相当不敏感。为了克服这些限制，我们建议利用的拓扑特征的“社区图”（其中的节点是社区和链接代表他们的相互作用），以评估算法。为了说明我们的方法，我们进行了全面的分析重叠社区发现算法使用一组现实世界的网络与已知的先验社区结构。结果提供了一个更好的感知其相对性能相比，经典的指标。此外，他们表明，更多的重点应该放在社区结构的拓扑结构。我们还研究了社区结构的拓扑性质和替代评价指标（质量指标和聚类指标）之间的关系。显然，他们提出了不同的意见，社区结构，他们必须结合起来，以评估社区发现算法的有效性。
2017-11-26 cs.SI physics.soc-ph
Node Dominance: Revealing Community and Core-Periphery Structure in Social Networks
本研究将节点优势的局部性质与网络的局部和全局性质联系起来。迭代去除支配节点产生用于计算社交网络的核心-外围分解的分布式算法，其中网络核心中的节点在网络流和全局结构方面被认为是必不可少的。此外，外围的连接组件提供了有关网络社区结构的信息，有助于社区发现。一些明确的结果，得出有关的核心和外围网络流，社区结构和全球网络结构，这是由观测结果证实。该方法说明了使用现实世界的网络（DBLP合著网络），与地面真理社区。
2015-09-24 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
Community structure and scale-free collections of Erdös-Rényi graphs
社区结构在社交网络和类似图的分析中起着重要的作用，但这种结构很少被理解，大多数模型都没有很好地捕捉到。我们正式定义一个社区是一个内部高度连接的子图，没有更深的子结构。我们使用组合学的工具，以表明任何这样的社区必须包含一个密集的Erdös-Rényi（ER）子图。基于数学论证，我们假设任何具有重尾度分布和社区结构的图都必须包含一个稠密ER子图的无标度集合。这些理论上的观察与经验上的证据相吻合。由此，我们提出了块两级Erdös-Rényi（BTER）模型，并证明它准确地捕捉到许多现实世界的社交网络的可观察属性。
2011-12-15 cs.SI physics.soc-ph
Analysis of stability of community structure across multiple hierarchical levels
群落结构的稳定性分析一直是众多科学家关注的重要问题。在这里，我们提出了一个新的框架，揭示隐藏的社区结构的定量分析动力学的波茨模型。具体地说，我们用马尔可夫过程来模拟社区结构检测的Potts过程，这有一个明确的数学解释。关于多元自旋组态的临界拓扑信息也可以从马尔可夫过程的谱意义中推断出来。我们在一些示例网络上测试了我们的框架，发现它根本不存在确定性限制问题。结果表明，我们提出的模型能够有效地揭示不同尺度下的层次结构。
2015-03-27 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
A Real-Time Detecting Algorithm for Tracking Community Structure of Dynamic Networks
本文提出了一种简单而有效的实时的【形】社团结构检测算法。社区结构直观地描述为将网络节点划分为子组，在子组内节点紧密连接，而在子组之间节点稀疏连接。为了评价网络社团结构的优劣，人们提出了一个叫做模块度的度量标准，并提出了许多优化算法，但是基于模块度的算法大多是针对静态网络的，计算复杂度高，不能频繁执行。为了以细粒度的方式跟踪动态网络的社区结构，我们提出了一个基于模块化的算法，是增量的，具有很低的计算复杂度。在我们的算法中，我们采用了两步的方法。首先，我们应用Blondel等人的静态社区检测算法来获得初始社区结构。然后，应用我们的增量更新策略来跟踪动态社区。我们的算法的性能是衡量的模块化。我们测试跟踪安然电子邮件和其他三个真实世界的数据集上的社区结构的算法。实验结果表明，该算法能够及时跟踪社区结构，在模块性方面优于CNM算法。
2014-07-10 cs.SI physics.soc-ph
Evaluating community structure in large network with random walks
社团结构是网络的重要性质之一。大多数社区算法由于其耗时而不适合大型网络。事实上，有很多网络都有数百万甚至数十亿个节点。在这种情况下，大多数算法运行时间为O（n2logn）甚至更大是不实际的。我们需要的是线性或近似线性的时间算法。针对这一需求，本文提出了一种快速评估网络社团结构的方法，并在此基础上提出了一种基于随机游动的近似线性时间的局部社团算法。使用我们的社区评价方法，我们可以发现一些与以前使用的方法不同的结果，即，纽曼模块化我们的算法在小规模的基准网络中是有效的，精度比更复杂的算法低，但对于大型网络，特别是超大型网络，在时间上有很大的优势。
2013-01-12 cs.SI 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
Matching Community Structure Across Online Social Networks
网络中社团结构的发现是近年来引起人们极大兴趣的一个问题。在在线社交网络中，用户经常同时参与多个社交媒体站点，其中一些共享共同的社交关系。在这些网络中发现一个共享的社区结构是非常有趣的。然而，在现实中，用户通常在社交媒体网站上使用不同的用户名来标识自己。这就给探测群落结构带来了很大的困难。在本文中，我们探讨了几种方法，社区发现在线社交网络与有限的知识，跨网络的用户名对齐。我们将已知的用户名对齐称为种子。我们研究了种子选择策略及其对具有不同重叠顶点比例的网络的影响。我们的目标是研究网络拓扑结构和种子选择策略之间的相互作用，并了解它如何影响检测到的社区结构。我们还提出了几种措施来评估社区发现的性能，并使用它们来衡量Twitter-Twitter网络和Twitter-Instagram网络中检测到的社区的质量。
2016-08-03 cs.SI physics.soc-ph
Extension of Modularity Density for Overlapping Community Structure
模块性被广泛用于有效地度量由社区发现算法发现的不相交社区结构的强度。虽然模块度的几种重叠扩展被提出来衡量重叠社区结构的质量，但缺乏对不同扩展的系统比较。为了填补这一空白，我们概述了模块化的重叠扩展，以选择最好的。此外，我们扩展了模块密度度量，使其用于重叠的社区。在四个真实网络上使用模块度的重叠扩展、重叠模块度密度和其他六个社区质量度量的实验结果表明，当使用两个节点的归属系数的乘积作为归属函数时，获得了最好的结果。此外，我们的实验表明，重叠模块密度是一个更好的衡量重叠社区结构的质量比其他指标考虑。
2015-07-16 cs.SI physics.soc-ph
On Accuracy of Community Structure Discovery Algorithms
复杂网络中的社区结构发现是一个非常具有挑战性的问题，它涉及到生物学、社会网络和物理学等多个学科。从各种方法中出现了许多算法已经提出来解决这个问题。然而，很少有人关注比较他们的效率在现实的模拟数据。为了更好地了解它们的相对性能，我们系统地评估了涵盖主要方法的11种算法。标准化互信息（NMI）度量用于评估从具有真实拓扑特性的受控人工网络中发现的社区结构的质量。结果表明，随着网络规模，社区内的平均比例社区间的链接是最有影响力的性能参数。总体而言，“Infomap”是领先的算法，其次是“Walktrap”，“SpinGlass”和“Louvain”，它们也实现了良好的一致性。
2011-12-18 cs.SI physics.soc-ph
RobustECD: Enhancement of Network Structure for Robust Community Detection
社区发现是网络分析中的一个重要环节，它主要研究节点间的相互作用。然而，它也面临着许多挑战，如数据丢失和对抗攻击。如何进一步提高社区发现在现实网络中的性能和鲁棒性，已经引起了人们的极大关注。本文从增强网络结构的角度研究了鲁棒社区发现问题，提出了两种通用算法：一种是基于遗传算法的鲁棒社区发现算法（RobustECD-GA），在适应度函数中结合模块度和聚类数来寻找最优的结构增强方案;另一种是基于相似性集成的鲁棒社区发现（RobustECD-SE），集成了各种顶点相似性捕获的社区结构的多种信息，在大规模网络上具有很好的扩展性。在真实网络上的综合实验表明，与传统的两种增强策略相比，新方法使六种典型的社区发现算法的性能得到了更显著的提高。在相应的对抗网络上的实验表明，新方法还能在一定程度上优化网络结构，对对抗攻击具有较强的鲁棒性。本文的源代码发布在https://github.com/jjzhou012/RobustECD上。
2021-07-01 cs.SI 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
Homophyly Networks -- A Structural Theory of Networks
网络科学面临的一个重大挑战显然是缺乏一个网络结构理论。作者证明了社团结构的存在是真实网络中的普遍现象，而随机性和偏好连接都不是网络\footnote{A. Li, J. Li, and Y. Pan, Community structures are definable in networks, and universal in the real world, To appear.}社团结构的机制。这就提出了一个基本问题：真实网络的社区结构机制是什么？在这里，我们发现，同源性是社区结构的机制和网络的结构理论。我们提出了一个同源性模型。结果表明，该模型的网络满足一系列新的拓扑、概率和组合原理，包括基本原理、社团结构原理、度优先原理、宽度原理、包含与感染原理、王节点原理和预测原理等，从而形成了网络的结构理论.我们的模型表明，网络中的同伦性是网络社团结构的内在机制，同一社团中的节点具有共同的特征，幂律和小世界性质并不是网络中社团结构存在的障碍，社团结构在网络中是可定义的.
2013-10-30 cs.SI physics.soc-ph
The Ramsey community number as a renormalization-group crossing
Nodes & Links Ltd（Nodes & Links有限公司）
研究拉姆齐社区数\(r_k\)，通过在菱形层次晶格上分析，利用重整化群等方法，得出\(r_k\)相关结论，还通过放置社区哈密顿量发现精确社区有序相，得到可检测、最优且热力学有序的划分。
2026-07-08 cond-mat.stat-mech math.CO 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
Using Model-based Overlapping Seed Expansion to detect highly overlapping community structure
随着对社交网络中社区发现的研究的进展，需要能够检测重叠社区结构的算法。近年来，已经提出了许多算法，能够将每个节点分配给多个社区。这些算法的性能往往会下降时，地面实况包含一个更高度重叠的社区结构，与节点分配到两个以上的社区。这种高度重叠的结构很可能存在于许多社交网络中，例如Facebook的友谊网络。在本文中，我们提出了一个可扩展的算法，MOSES，基于统计模型的社区结构，这是能够检测高度重叠的社区结构，特别是当有方差的社区数量的每个节点是在。在合成数据的评价中，发现MOSES优于现有的算法，特别是在高水平的重叠。我们通过分析五所美国大学的学生之间的友谊联系网络，在真实的社交网络数据上展示了MOSES。
2010-11-17 cs.SI physics.soc-ph stat.ML
Clustering Drives Assortativity and Community Structure in Ensembles of Networks
聚类、重复性和社区是复杂网络的关键特征。我们探测这些属性之间的依赖关系，发现具有较强的聚类的合奏显示高的程度和突出的社区结构，而合奏具有高的聚类性是不太偏向于集群或社区结构。此外，集群网络可以放大小的同性恋倾向的性状重复性。这种明显的不对称性表明，传递性，而不是同质性，驱动标准的非社会/社会网络二分法。
2011-01-05 cond-mat.stat-mech cs.SI 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
Spectra of random graphs with community structure and arbitrary degrees
利用随机矩阵理论的方法，研究人员最近计算了具有任意度和社区结构的随机网络的全谱。两者都揭示了有趣的光谱特征，包括偏离维格纳周期分布和社区结构网络光谱中的相变。在本文中，我们推广了这两种计算方法，给出了一个计算具有社团结构和任意度分布的网络的谱的处方。一般来说，频谱有两部分，一个连续的谱带，它可以强烈偏离经典的周期形式，和一组外围特征值，表明社区的存在。
2013-09-30 cond-mat.stat-mech cs.SI physics.soc-ph
Modeling community structure and topics in dynamic text networks
在过去的十年中，动态网络建模和主题建模都取得了很大的进展。本文借鉴这两个领域创建一个贝叶斯方法，允许主题发现通知潜在的网络模型和网络结构，以促进主题识别。我们将这种方法应用于2012年467个顶级政治博客。我们的研究结果发现复杂的社区结构，在这组博客，社区成员强烈依赖于一套主题的博客作者感兴趣。
2018-08-23 cs.SI physics.soc-ph stat.ML
Community structure revealed by phase locking
社区结构可以自然地出现在同步的路径中，而从路径中刮除它是一个棘手的问题，它解释了同步的不同动态。本文假设复杂网络中的同步由局部和集体过程组成，基于Kuramoto模型，提出了一种在抑制集体同步的同时将局部同步锁定在稳定状态的方案。通过该方案，网络动态只包含局部同步，即同一社区内的节点同步在一起，这些同步簇很好地反映了网络的社区结构。此外，通过分析同步的路径，不同社区之间的关系或重叠也得到。在五个真实网络上进行了社区检测实验，发现社区结构比基于模块的快速算法更加明显。我们的研究结果不仅为理解复杂网络上的同步动力学提供了深刻的见解，而且扩大了社区检测的研究范围。
2014-08-22 cs.SI nlin.AO 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
Simultaneous Detection of Multiple Change Points and Community Structures in Time Series of Networks
在许多复杂系统中，网络和图以自然的方式出现。通常，时间演化行为可以很容易地发现和建模使用时间序列方法。其中，网络分析中两个常见的研究问题是社区发现和变点检测。社区发现的目的是发现网络中的特定子结构，而变点检测则试图发现子结构发生变化的时间点。我们提出了一种新的方法来检测社区结构和变化点同时基于模型选择框架，其中最小描述长度原则（MDL）被用作最小化的客观标准。一系列的数值实验和实际数据分析表明，该方法具有良好的实用性能。
2020-06-30 cs.SI physics.soc-ph stat.ME
Deciphering Network Community Structure by Surprise
复杂网络的分析渗透到从生物学到社会学的所有科学中。一个基本的、尚未解决的问题是如何描述网络的社区结构。在这里，使用标准和新的基准，我们表明，一个简单的全局参数，我们称之为惊喜（S）的最大化，导致一个非常有效的表征复杂的合成网络的社区结构。特别是，S在质量上优于最常用的定义社区的标准，纽曼和格文的模块性（Q）。将S最大化应用于真实网络通常会提供自然的、支持良好的划分，但有时也会暴露出我们先前知识的局限性。这些结果表明，有可能定义一个有效的社区结构全局标准，并为理解复杂网络开辟新的途径。
2012-12-21 cs.SI physics.soc-ph q-bio.MN
Graph spectra and the detectability of community structure in networks
我们研究的网络显示出社区结构--一组节点，其中的连接异常密集。使用随机矩阵理论的方法，我们计算了这种网络在大尺寸的限制下的频谱，从而证明了在社区发现的矩阵方法中存在相变，例如流行的模块化最大化方法。这种过渡将这样的方法成功地检测到社区结构的状态与存在结构但未检测到结构的状态分开。通过比较这些结果与最近的最大似然方法的分析，我们能够表明，频谱模块化最大化是一种最佳的检测方法，在这个意义上，没有其他方法将成功的制度，模块化方法失败。
2012-05-08 cond-mat.stat-mech cs.SI physics.soc-ph
The Role of Weight on Community Structure of Networks
通过研究权重对社团结构的影响，研究了权重在加权网络中的作用。我们使用加权模块度$Q^w$来评估划分，并使用加权极值优化算法来检测社区。从理想化和经验加权网络出发，权值和边之间的分布或匹配受到干扰。利用相异度函数$D$来区分不同的社团结构，发现权重的重新分配对社团结构有很大的影响，尤其是在稠密网络中。这表明网络中的社团结构是一个合适的属性来反映权重的作用。
2006-09-25 physics.soc-ph
Co-community Structure in Time-varying Networks
在这篇报告中，我们引入了时变网络中的共同体结构的概念。我们提出了一种新的优化算法来快速检测这些网络中的共同体结构。理论和数值实验结果表明，该方法不仅可以解决详细的共同体，而且可以有效地识别这些网络中的动力学现象。
2012-01-18 cond-mat.stat-mech cs.SI nlin.AO
Characterizing the analogy between hyperbolic embedding and community structure of complex networks
我们表明，社区结构的网络可以被用来作为一个粗略的版本，其嵌入在一个隐藏的空间与双曲几何。这一发现来自对几个真实世界和合成网络的系统分析。我们利用类比重新解释最初通过网络双曲嵌入社区结构方面的结果。首先，我们证明了多路复用网络的鲁棒性可以通过调整不同层的社区结构之间的相关性来控制。其次，我们部署了一个有效的贪婪协议的网络导航性，利用基于社区结构的路由表。
2018-08-29 physics.soc-ph
Global disorder transition in the community structure of large-q Potts systems
我们研究了一个全球性的混乱过渡时，确定社区结构在任意复杂的网络。之前，我们已经说明了[菲尔。Mag.92，406（2012）]，“社区检测”（CD）通常表现出高和低计算复杂度的无序（或不可解）和有序（可解）相，以及在衍生系统中从规则到混沌动力学的相应转变。使用一个精确的广义降维不等式，多元Tutte多项式，和其他考虑，我们说明了如何增加社区的数量q模拟增加热浴温度T的一般加权Potts模型，导致全球混乱的社区结构的任意大图。降维界限导致类似的结果所建议的平均场型方法。在大于交叉温度$T_\times\approx L|J_e|/[N\ln{} q]$的大q极限下，大型系统趋向于全局不可解，其中|J_e|是典型的相互作用强度，L是边的数目，N是节点的数目。对于实际系统尺寸，可溶解相通常在低T下可接近。的整体性质的无序过渡不排除解决方案的本地CD算法（即使是那些采用全球成本函数参数），只要社区的评价是本地确定的。
2012-08-23 cond-mat.stat-mech 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
Finding missing edges in networks based on their community structure
基于不完全网络结构的各种局部或全局性质，已经提出了许多边缘预测方法。社区结构是网络的另一个重要特征：社区中的顶点连接比平均水平更紧密。同一社区中的顶点通常具有“相似”的属性，这表明丢失的边更有可能在社区中找到。我们使用这个洞察力，提出了一个战略，结合现有的边缘预测方法与社区发现的边缘预测。我们表明，这种方法提供了更好的预测精度比现有的边缘预测方法单独。
2012-05-15 cs.IR cs.SI physics.data-an
Uncovering the community structure associated with the diffusion dynamics of networks
作为复杂网络研究的两个主要焦点，网络的社团结构和动力学都受到了各个科学领域的广泛关注。然而，它仍然是一个悬而未决的问题，社区结构与复杂网络上的动力学。本文通过对网络中扩散过程的研究，证明了扩散过程的稳定局部平衡态可以揭示网络的内在社团结构。此外，我们表明，这样的社区结构可以直接识别通过优化网络的电导，这衡量如何容易扩散发生在不同的社区。对基准网络的测试表明，电导优化方法在识别网络社团结构方面明显优于模块度优化方法。在实际网络上的应用也证明了电导优化方法的有效性。该工作为复杂网络的多拓扑尺度提供了新的视角，得到的社团结构能够自然地反映底层网络的扩散能力。
2010-05-10 physics.soc-ph
On community structure validation in real networks
社区结构是真实网络的一个常见特征。该术语指的是网络中存在的节点组（社区），这些节点具有高度的内部连接性，但彼此之间的连接很差。虽然社区检测的问题已经在几个工作中得到解决，验证一个分区的节点作为一个良好的社区结构的一个真正的网络的问题已经收到相当少的关注，仍然是一个悬而未决的问题。我们提出了一组指数的社区结构验证网络分区的基础上的假设检验程序，评估社区之间和社区内的链接的分布。使用模拟和真实数据，我们说明了如何建议的指数可以用来比较在一个给定的网络中的社区结构的节点的不同分区的充分性，以评估是否两个网络共享相同或相似的社区结构，并评估不同的网络聚类算法的性能。
2021-10-06 cs.SI physics.soc-ph stat.AP
The Network of Collaboration Among Rappers and its Community Structure
说唱歌手之间的合作所形成的社会网络研究使用标准的统计技术分析复杂的网络。此外，说唱音乐社区的社区结构分析使用一种新的方法，使用加权边缘，以确定哪些连接是最重要的，揭示了所有社区。这种方法的结果，以及可能的原因，说唱音乐社区的结构进行了讨论。
2006-01-19 physics.soc-ph
Quantifying and identifying the overlapping community structure in networks
研究表明，复杂网络的社区往往是相互重叠的。然而，目前还没有有效的方法来量化重叠群落结构。在本文中，我们提出了一个度量来解决这个问题。我们的度量不是假设一个节点只能属于一个社区，而是假设一个最大的团只属于一个社区。这样，社区之间的重叠是允许的。为了识别重叠的社团结构，我们从原网络构造了一个极大团网络，并证明了我们度量在原网络上的优化等价于纽曼模块度在极大团网络上的优化.因此，重叠社区结构可以通过使用任何模块化优化方法划分最大团网络来识别。通过对人工网络和具有已知社区结构的真实网络的广泛测试，证明了我们度量的有效性。应用于词联想网络也重现了良好的效果。
2009-07-23 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
Effects of community structure on epidemic spread in an adaptive network
当流行病在人群中传播时，个体可能会适应性地改变其社会接触网络的结构，以降低感染风险。在这里，我们研究了一种流行病的传播与社区结构的自适应网络。我们模拟了两个具有不同平均度的社区的影响。疾病模型是易感-感染-易感（SIS），适应是易感者和感染者之间联系的重新连接。得到的分岔结构，和平均场模型的开发，准确地预测系统的稳态行为。我们发现，流行病可以改变社区结构。
2012-12-12 cs.SI nlin.AO physics.soc-ph
