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
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
Detecting network communities via greedy expanding based on local superiority index
社区发现是网络科学中一个重要而又具有挑战性的课题。近年来，社区发现的局部方法受到了广泛的关注。贪婪扩展算法是一种流行而有效的局部算法，它通常从选定的中心节点开始，通过优化某个质量函数来扩展这些节点以获得临时社区。在本文中，我们提出了一种新的指数，称为本地优势指数（LSI），以确定中心节点。在扩展过程中，我们应用适应度函数来估计临时社区的质量，并确保所有临时社区必须是弱社区。基于归一化互信息的评价结果表明：（1）在考虑最多的网络上，LSI优于全局最大度指标和局部最大度指标;（2）在考虑最多的网络上，基于LSI的贪婪算法优于经典的快速算法。
2022-02-12 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 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
Application of a cognitive-inspired algorithm for detecting communities in mobility networks
移动设备的出现和全球适应已经影响了个人，社区和社会层面的人类互动，导致所谓的网络物理世界（CPW）融合场景[1]。CPW的最重要的功能之一是利用信息的用户的社会社区的结构，揭示了联合运动模式和频率的物理协同定位的可能性。属于同一社交社区的用户的移动设备可能比社区外的设备更频繁和更有规律地“看到”彼此（并且因此能够通过自组织联网技术进行通信）。在移动机会网络中，这一事实可以被利用，例如，优化网络操作，如消息的转发和传播。在本文中，我们提出了一种认知启发算法[2，3，4]的应用，用于使用用户移动设备记录的物理接触信息来揭示这些动态社交网络的结构（由HCMM模型[5]模拟）。我们的算法的主要特点是：（i）通过分布式算法检测用户的物理协同定位引起的社会社区的能力;（ii）检测属于更多社区的用户的能力（从而充当跨越它们的桥梁），以及（iii）检测社区的时间演化的能力。
2013-08-06 cs.SI physics.soc-ph
GenPerm: A Unified Method for Detecting Non-overlapping and Overlapping Communities
非重叠社区和重叠社区的检测本质上是同一个问题。然而，目前的算法集中在寻找重叠或不重叠的社区。我们提出了一个通用的框架，可以识别非重叠和重叠的社区，没有任何事先输入的网络或其社区分布。为此，我们引入了一个基于顶点的度量，GenPerm，量化的顶点属于它的每个组成社区。我们的社区发现算法是基于最大化网络中所有顶点的GenPerm。我们证明，通过实验合成和真实世界的网络，GenPerm是更有效的比其他指标在评估社区结构。此外，我们表明，由于其以顶点为中心的属性，GenPerm可以用来展开几个推理超越社区发现，如核心-外围分析和消息传播。我们用于最大化GenPerm的算法在准确预测地面实况标签方面优于六种最先进的算法。最后，我们讨论了重叠社区中的分辨率限制问题，并证明了最大化GenPerm可以缓解这个问题。
2016-04-12 cs.SI physics.soc-ph
Detecting Communities in Tripartite Hypergraphs
在社交标签系统中，也称为大众分类，用户协作管理标签以注释资源。自然地，社交标签系统可以被建模为三重超图，其中存在三种不同类型的节点，即用户、资源和标签，并且每个超边具有三个端节点，连接用户、资源和用户用来注释资源的标签。那么，如何从三方超图中自动发现用户、资源和标签社区呢？在本文中，通过把这个问题转化为一个问题，找到一个有效的压缩超图的结构，我们提出了一个质量函数来衡量一个三方超图划分成社区的好。随后，我们提出了一种基于最小化质量函数的快速社区发现算法。我们解释了我们的方法的优点，并通过与一组合成数据集中的各种最先进的技术进行比较来验证它。
2010-11-04 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
Detecting Antagonistic and Allied Communities on Social Media
多年来，社交媒体上的社区发现引起了相当大的关注。然而，现有的方法没有揭示社区之间的关系。由于各种因素，社区可以形成联盟或进行对抗，例如，共同或冲突的目标和价值观。揭示这种关系可以提供更好的见解，以了解社区和社交媒体的结构。根据社会科学的研究结果，来自不同社区的成员对彼此的态度在很大程度上取决于他们的社区成员身份。因此，我们假设，在社交媒体中的用户之间表达的社区间的态度有可能反映他们的社区间的关系。因此，我们首先在社交媒体的背景下验证这一假设。然后，受假设的启发，我们开发了一个框架，通过联合建模用户的态度和社会互动来检测社区及其关系。我们使用三个真实世界的社交媒体数据集来展示我们框架的有效性。
2018-07-10 cs.SI
An Approach for Detecting Dynamic Communities in Social Networks
互联网和技术的最新发展在促进社会数据收集的工具方面取得了重大进展，从而为分析社交网络开辟了新的机会。社会网络分析研究社会关系的模式，旨在发现隐藏在社交网络结构中的特征。社交网络最重要的特征之一是社区结构：由个体组成的紧密联系的群体。社交网络中交互的动态性质常常挑战对这样的社区结构的检测。本论文的贡献可分为两类：第一类强调了识别随时间推移而重叠的社区的问题。为了进行这样的分析，OLCPM（在线标签传播和集团渗透方法）的框架提出。它是一种基于团渗透和标签传播方法的在线算法。OLCPM有两个主要特点：第一个是它能够发现重叠社区，而第二个是它在处理细粒度时态网络的有效性。对于第二类，它侧重于分析嵌入在不同时间尺度上的社区。例如，在电子邮件或电话等互动网络中，个人参与日常和偶尔的对话。我们提出了第一种方法在多个时间尺度上分析社区。因此，在不同的时间粒度的动态网络（链接流）进行了研究，并在一段时间内的相干社区（称为稳定社区）在每个时间粒度检测。这两种方法在合成和真实世界的数据集上进行了验证。
2022-12-05 cs.SI physics.soc-ph
Information dynamics algorithm for detecting communities in networks
社区检测的问题与许多科学学科有关，从社会科学到统计物理学。考虑到社区检测在许多领域（如心理学和社会科学）的影响，我们已经解决了通过结合领域应用领域的元素（即领域启发）来修改现有性能良好的算法的问题。我们集中在心理学和社会网络启发的方法，这可能是有用的，进一步加强社会网络研究和数学之间的联系，社区检测。在这里，我们介绍了一个社区检测算法来自范东根的马尔可夫聚类算法（MCL）的方法，通过考虑网络的节点作为代理能够作出决定。在这个框架中，我们引入了一个记忆因子来模仿一个典型的人类行为，如遗忘效应。该方法是基于信息扩散，它包括一个非线性处理阶段。我们测试我们的方法在两个经典的社区基准和计算机生成的网络与已知的社区结构。我们的方法有三个重要的特点：检测重叠社区的能力，从个人的角度来看，识别社区的能力和微调社区的可检测性方面的先验知识的数据。最后讨论了如何利用Shannon熵测度进行复杂网络的参数估计。
2011-12-06 cs.SI physics.soc-ph
Detecting communities using asymptotical Surprise
现实世界网络中的节点被反复观察到形成密集的集群，通常被称为社区。检测这些节点组的方法通常最大化目标函数，该目标函数隐含地包含社区的定义。我们在这里分析了最近提出的一种称为惊喜的措施，它评估了网络划分为社区的质量。以其目前的形式，出其不意的提法相当难以分析。因此，我们在这里开发一个精确的渐近近似。这使得开发一种有效的算法来优化惊喜。顺便说一句，这导致了对加权图的惊讶的直接扩展。此外，这种近似可以更密切地分析突袭，并将其与其他方法进行比较，特别是模块化。我们发现，惊喜是（几乎）不受众所周知的分辨率限制，模块化的一个特殊问题。然而，惊喜可能会高估社区的数量，而他们可能被低估的模块化。简而言之，惊喜在许多小社区的限制下运作良好，而模块化在少数大社区的限制下运作得更好。从这个意义上说，惊奇比模块化更具区分性，并且可能发现模块化无法识别任何结构的社区。
2015-09-09 cs.DM cs.SI physics.soc-ph
Detecting Community Structure in Dynamic Social Networks Using the Concept of Leadership
在社交网络中检测社区结构是一个基本问题，使我们能够识别具有相似兴趣的行为者群体。在静态网络中寻找社区已经有了大量的工作，然而，在现实中，由于社交网络的动态性质，它们是不断发展的。忽略社交网络的动态方面，既不能让我们捕捉网络的进化行为，也不能预测个人的未来状态。除了是动态的，现实世界的社交网络的另一个重要特征是领导者的存在，即具有高度中心性的节点具有高吸引力来吸收其他成员，从而形成一个本地社区。在本文中，我们设计了一种有效的方法来增量检测社区在高度动态的社交网络使用的重要性和持久性的社区领导人随着时间的推移直观的想法。我们提出的方法能够根据网络的先前结构找到新的社区，而无需从头开始重新计算它们。这个独特的功能使我们能够随着时间的推移快速有效地检测和跟踪社区。在合成和真实社交网络上的实验结果表明，该方法在动态社交网络中发现社区是有效的。
2017-11-06 cs.SI physics.soc-ph
Detecting Important Nodes to Community Structure Using the Spectrum of the Graph
许多复杂系统都可以表示为网络，而网络如何分解成子网或社区是人们广泛关注的问题。然而，开发一种快速准确地检测对社区重要的节点的方法是一个非常具有挑战性和开放性的问题。在本文中，我们介绍了一种新的方法来表征节点对社区的重要性。首先，提出了一种中心性度量，利用邻接矩阵的谱来度量网络节点对社区结构的重要性。我们将节点对社区的重要性定义为网络邻接矩阵的特征值在移除后的相对变化。其次，我们还提出了一个指标来区分社区中的两种重要节点，即，“社区核心”和“桥梁”。我们的指标只依赖于图矩阵的谱。它们被应用于许多人工网络以及许多现实世界的网络。这种新的方法为我们提供了一个基本的方法来解决这个具有挑战性的问题，并提供了一个现实的结果。
2011-08-02 cs.SI physics.soc-ph
Modeling and Detecting Communities in Node Attributed Networks
社区作为现实网络中的一种基本结构，除了图的拓扑结构外，还可以通过丰富的节点属性来反映。在属性社区发现中，概率生成模型（PGMs）由于其原则性的特征描述和竞争性的性能而成为主流方法。在这里，我们提出了一种新的PGM不施加任何分布假设的属性，这是优于现有的PGM，需要属性是分类或高斯分布。该模型基于图结构的块模型，通过描述属性对节点流行度的影响来引入属性。为了定量地描述这种影响，我们分析了我们模型的社区可检测性，然后建立了节点流行度项的要求。这为选择和求解属性社区发现模型中的关键模型选择问题提供了一种新的解决方案。在模型确定的基础上，提出了一种有效的参数估计算法和群落推断算法。从两个方面对所提出的方法进行了验证。首先，我们的算法的有效性从理论上保证了可检测性条件。第二，大量的实验表明，我们的方法不仅优于竞争的方法在所采用的数据集，但也显示出更好的适用性，以各种节点属性的网络。
2022-05-30 cs.SI physics.soc-ph
Detecting communities via edge Random Walk Centrality
本文提出基于边随机游走中心性(RWC)的社区检测新方法，通过线图将节点中心性转化为边中心性，无需逐步重算，在标准网络测试及Indian Railway网络鲁棒性分析中验证了有效性。
2023-09-11 cs.SI physics.soc-ph
Estimating the number of communities in a network
社区发现是将网络划分为密集的子网络，而子网络之间只有稀疏的连接，是近年来研究的热点。然而，虽然存在一系列强大而灵活的方法将网络划分为指定数量的社区，但如何确定应该使用多少社区仍然是一个悬而未决的问题。在这里，我们描述了一个数学原理的方法，使用最大似然方法找到网络中的社区数量。我们展示了一系列的真实世界的例子与已知的社区结构的方法，发现它是能够正确地确定社区的数量在每一种情况下。
2016-08-23 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
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
Detecting network communities beyond assortativity-related attributes
在网络科学中，链接性是指具有相似属性的节点之间存在链接的趋势。例如，在社交网络中，链接往往存在于年龄、国籍、地点、种族、收入、教育水平、宗教信仰和语言相似的个体之间。因此，各种属性共同影响网络拓扑。一个有趣的问题是检测超出某些特定的可扩展性相关属性$ρ$的社区结构，即，提取$ρ$对网络拓扑的影响，揭示由于其他属性而隐藏的社团结构。解决这一问题的一种方法是重新定义模块性测度的零模型，从而模拟$ρ$对网络拓扑结构的影响。然而，一个挑战是我们不知道网络拓扑在多大程度上受$ρ$和其他属性的影响。在本文中，我们提出Dist-Modularity，它允许我们自由地选择任何合适的函数来模拟$ρ$的效果。这样的自由度可以帮助我们探测$ρ$的效果，并发现由于其他属性而隐藏的社区。我们测试了Dist-Modularity在合成基准测试和两个真实网络上的有效性。
2014-07-15 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
Evaluating Classifiers in Detecting 419 Scams in Bilingual Cybercriminal Communities
George Mason University（乔治梅森大学）
有组织的网络犯罪事件正在增加，因为犯罪分子正在获得高额的经济回报，而犯罪成本却很低。随着数字景观的扩大，以适应更多的互联网设备和技术，如社交媒体，更多的网络犯罪分子谁不是母语为英语的入侵网络空间，以赚取快速利用。在本文中，我们评估了三个机器学习分类器在尼日利亚双语网络犯罪社区中检测419个骗局的性能。我们在文本处理中使用三种流行的分类器，即：朴素贝叶斯，k-最近邻（IBK）和支持向量机（SVM）。在真实世界数据集上的初步结果显示，SVM在95%的置信水平下显著优于朴素贝叶斯和IBK。
2015-08-17 cs.CY cs.LG cs.SI
Efficiently Detecting Overlapping Communities through Seeding and Semi-Supervised Learning
Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；University of Chinese Academy of Sciences（中国科学院大学）
播种然后扩展是发现网络中重叠社区的常用方案。大多数种子方法要么太复杂而无法扩展到大型网络，要么太简单而无法选择高质量的种子，并且大多数扩展方法使用的非原则函数在应用于不同网络时导致性能低下。本文提出了一种新的方法，将网络转换为语料库，其中每个边缘被视为一个文档，网络的所有节点被视为语料库的术语。提出了一种有效的种子算法，首先选取种子作为训练集，然后采用基于半监督学习的原则性扩展方法对边缘进行分类。我们比较我们的新算法与其他四个社区发现算法在广泛的合成和经验网络。实验结果表明，该算法在大多数情况下都能显著提高聚类性能。此外，新算法的时间复杂度与边数成线性关系，这种低复杂度使得新算法可扩展到大型网络。
2014-09-17 cs.LG cs.SI physics.soc-ph
Detecting highly cyclic structure with complex eigenpairs
许多大型的、真实世界的复杂网络都有丰富的社区结构，网络科学家试图了解这些结构。这些社区可能重叠或具有复杂的内部结构。提取具有特定拓扑结构的社区，即使它们与其他社区重叠，也是一种强大的功能，可以提供关注感兴趣结构的新途径。在这项工作中，我们考虑提取高循环区域的有向图（有向图）。我们证明，嵌入来自复值特征向量与随机传播子特征值附近的根单位非常适合于此目的。我们证明了几个基本的理论结果证明这些特征对和存在的高循环结构之间的连接，我们证明了使用这些向量的一些现实世界的例子。
2016-08-24 cs.SI math.CO physics.soc-ph
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
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
Online detection of temporal communities in evolving networks by estrangement confinement
时间社区是在一个不断发展的复杂网络的多个快照中对节点进行一致划分的结果，它可以帮助揭示网络中密集的集群如何随着时间的推移而出现、组合、分裂和衰退。目前的方法，在一个单一的快照中找到社区是不直截了当地推广到寻找时间社区，因为用于寻找静态社区的质量函数具有高度退化的景观，并最终分区中选择的许多分区的类似质量是高度敏感的网络中的小变化。为了可靠地检测时间社区，我们不仅需要在给定的快照中找到一个好的社区分区，而且还需要确保它与之前的快照中找到的分区具有一些相似性。我们提出了一种新的措施，分区距离称为“疏远”的动机节点间的关系，当纳入到分区质量的测量，有利于检测有意义的时间社区的惯性。具体来说，我们提出了疏远限制方法，它假设社区中的相邻节点更愿意继续分享社区的联系，随着网络的发展。约束疏远使我们能够找到有意义的时间社区在不同程度的时间平滑在不同的现实世界的数据集。具体来说，我们研究了美国国会参议员投票行为的演变，人类移动数据集中邻近度的演变，以及合成网络中难以找到的进化社区的检测。因此，疏远限制提供了一个原则性的方法来发现不断发展的网络中的时间社区。
2012-03-22 cond-mat.stat-mech cs.SI physics.soc-ph
Detecting Community Structures in Hi-C Genomic Data
社区检测（CD）算法应用于Hi-C数据，以发现人类和小鼠DNA的3D构象中的新的基因座社区。我们发现CD比现有的方法有一些明显的优势：（1）它能够找到可变数量的社区，（2）它可以检测1D序列中相邻或遥远的DNA位点社区，（3）它允许我们获得k的原则值，社区的数量。强迫k = 2，我们的方法恢复了Lieberman-Aiden等人（2009）的早期发现，但让k为参数，我们的方法获得最佳值k = 6，发现新的候选社区。除了发现划分整个染色体的大社区外，我们还表明CD可以检测小规模拓扑关联域（TADs），例如Dixon等人（2012）中发现的那些。因此，CD提供了一个自然和灵活的统计框架，理解DNA的折叠结构在多个尺度上的Hi-C数据。
2015-09-17 cs.SI q-bio.GN stat.AP
Learning for Detecting Norm Violation in Online Communities
Artificial Intelligence Research Institute, IIIA-CSIC（人工智能研究所（IIIA-CSIC））
本文提出基于逻辑模型树的机器学习框架，用于检测在线社区规范违反，并利用维基百科编辑数据训练模型，重点识别故意破坏行为。
2021-04-30 cs.LG cs.SI
Detecting dense communities in large social and information networks with the Core & Peel algorithm
社会网络和信息网络中稠密子图（紧社区）的检测和刻画是社会网络分析中的一个重要探索工具。已经提出了几种方法，或者（i）将整个网络划分为集群，即使在低密度区域，或者（ii）旨在找到单个分布式社区（并且需要迭代以找到下一个）。随着社交网络变得越来越大，方法（i）和（ii）导致算法太慢而不实用，特别是当需要分析数据的速度时。在本文中，我们提出了一种方法，旨在平衡效率的计算和表达能力和输出社区表示。我们定义了图的部分稠密覆盖（PDC）的概念。图的PDC是一组节点的集合，（a）每个集合形成一个不相交的稠密导出子图，（b）它的去除留下没有稠密区域的剩余图。PDC的精确计算是一个NP完全问题，因此，我们提出了一个有效的启发式算法来计算一个PDC，我们命名为核心和剥离。此外，我们提出了一种新的基准测试技术，使我们能够评估算法计算PDC使用经典的IR概念的精度和召回，即使没有一个黄金标准。在斯坦福大学大型网络数据集的25个社交和技术网络上进行的测试证实，Core和Peel是有效的，并且达到了非常高的精确度和召回率。
2012-10-11 cs.DS cs.SI physics.soc-ph
An Ensemble Framework for Detecting Community Changes in Dynamic Networks
Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室）
动态网络，特别是那些代表社交网络的动态网络，随着时间的推移，其社区结构不断演变。节点可以在不同的社区之间迁移，社区可以分裂成多个新的社区，社区可以合并在一起，等等。为了表示动态网络与不断发展的社区，必须使用动态模型，而不是静态模型。在这里，我们使用动态随机块模型，其中底层块模型在不同时间是不同的。为了表示该动态模型所表达的结构变化，网络将被分成离散的时间段，聚类算法将为每个段分配块成员。在本文中，我们表明，使用集成的聚类分配适应可扩展的聚类算法的方差，并产生优越的结果，成对精度和成对召回。我们还表明，动态集群所产生的合奏可以被可视化为一个流程图，简洁地封装社区的演变。
2017-07-24 cs.LG cs.SI
Modeling shared micromobility as a label propagation process for detecting the overlapping communities
本研究将共享微出行建模为标签传播过程，提出地理空间交互传播模型（GIP），结合SLPA算法和异常检测，在华盛顿特区电动滑板车系统中检测重叠社区，效率和模块度优于现有方法。
2025-01-27 cs.SI physics.app-ph
Detecting Communities in Complex Networks using an Adaptive Genetic Algorithm and node similarity-based encoding
针对现有遗传算法编码缺陷，提出基于节点相似性的MST编码及自适应遗传算法，结合相似性与模块度优化，提升社区检测的收敛速度与有效性。
2022-01-24 cs.CY cs.NE cs.SI
A framework for community detection in heterogeneous multi-relational networks
在只包含一种类型的节点和边的同构单关系网络中，社区发现引起了人们极大的兴趣。然而，许多现实世界的系统自然被描述为异构的多关系网络，其中包含多种类型的节点和边缘。在本文中，我们提出了一种新的方法来检测社区在这样的网络。我们的方法是基于优化的复合模块，这是一个新的模块化提出的评估分区的异构多关系网络社区。我们的方法是无参数的，可扩展的，并适用于各种网络的一般结构。我们证明了它在检测合成网络中的预种植社区方面优于最先进的技术。应用于现实世界的Digg网络，它成功地检测到有意义的社区。
2014-07-15 cs.SI physics.soc-ph
Heuristic and exact modularity optimization with size-constrained communities
Kellogg School of Management, Northwestern University（西北大学凯洛格管理学院）；Department of Mechanical and Industrial Engineering, University of Toronto（多伦多大学机械与工业工程系）；Centre for Science and Technology Studies (CWTS), Leiden University（莱顿大学科学技术研究中心）；Center for Complex Networks and Systems Research, Luddy School of Informatics, Computing, and Engineering, Indiana University Bloomington（印第安纳大学布鲁明顿分校卢迪信息、计算与工程学院复杂网络与系统研究中心）
研究在模块度优化中限制所有社区大小在用户指定范围内的社区检测问题，提出一种启发式方法，并通过精确整数优化模型验证其可靠性。
2026-05-24 cs.SI physics.soc-ph
Detecting Core-Periphery Structures by Surprise
检测复杂网络中的中尺度结构的存在是至关重要的。这是尤其如此的金融网络，其结构组织深深地影响他们的弹性事件，如违约级联，冲击传播等，已经提出了几种方法，到目前为止，检测社区，即组节点的连接是显着的大。然而，社区并不代表唯一一种表征真实世界网络的中尺度结构：蝴蝶结结构，核心-外围结构和二分结构提供了其他例子。在这里，我们提出了一种新的方法来检测显著的双模结构，即无论是二分或核心外围的。它是基于一个修改的惊喜，最近提出的检测社区。我们的变体允许双模节点划分被揭示，通过让链接被放置在1）核心部分内以及核心和外围部分之间，或者2）只是在二分网络的（空）层之间。从技术的角度来看，这是通过采用多项式超几何分布而不是传统的（二项式）超几何分布来实现的;在后一种情况下，这允许将p值分配给节点的任何给定（bi）分区。为了说明我们的方法的性能，我们报告了其应用于几个现实世界的网络，包括社会，经济和金融的结果。
2019-04-19 cs.SI physics.soc-ph
Detecting Communities under Differential Privacy
复杂网络通常具有社区结构，其中节点组与同一组中的其他节点共享许多链接，而与其他节点共享的链接相对较少。此功能可捕获有关组织甚至网络演变的有价值信息。在过去的十年中，大量的社区发现算法被提出来处理日益复杂的网络。然而，很少考虑以私人方式这样做的问题。在本文中，我们解决了这个问题下，差分隐私，一个突出的隐私概念发布私人数据。我们分析了问题背后的主要挑战，并提出了几个方案来解决他们从两个角度：输入扰动和算法扰动。我们选择Louvain方法作为输入扰动方案的后端社区发现，并提出了在噪声超图上运行Louvain算法的LouvainDP方法。对于算法扰动，我们采用指数机制设计ModDivisive，以模块度为评分标准。我们已经在不同大小的真实图上彻底评估了我们的技术，并验证了它们在最先进的水平上的出色表现。
2016-07-07 cs.SI
Community Detection in Networks with Node Attributes
社区发现算法是一种基本的工具，它使我们能够揭示网络中的组织原则。当检测社区时，有两种可能的信息源可以用途：网络结构，以及节点的特征和属性。即使社区围绕具有共同边缘和共同属性的节点形成，通常，算法仅关注这两种数据形式之一：社区发现算法传统上仅关注网络结构，而聚类算法大多仅考虑节点属性。在本文中，我们开发的社区从边缘结构和节点属性（CESNA），一个准确的和可扩展的算法，用于检测重叠的社区在网络中的节点属性。CESNA对网络结构和节点属性之间的相互作用进行统计建模，这导致更准确的社区发现以及在网络结构中存在噪声的情况下改进的鲁棒性。CESNA在网络规模上具有线性运行时间，并且能够处理比可比方法大一个数量级的网络。最后，CESNA还通过查找每个社区的相关节点属性来帮助解释检测到的社区。
2014-01-28 cs.SI 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
A Sketch Based Game Theoretic Approach to Detect Anomalous Dense Sub-Communities in Large Data Streams
以在线或流式方式检测动态图中的异常子图是入侵检测或拒绝服务攻击的工业环境中的重要要求。虽然仅通过边缘频率检测系统中的干扰是一种最佳方法，但由于仅考虑边缘频率作为网络的特性，因此在此过程中可能会忽略许多潜在信息。我们提出了一个博弈论的方法，使用模块化功能，我们试图估计流图\emph{whether addition of a new edge in the current time tick results in a dense subgraph creation, thus indicating possible anomalous score}。我们的贡献如下：（a）我们提出了一种新的博弈论框架，用于检测密集的子社区在在线流媒体环境中;（b）我们检测这样的子社区使用恒定的内存存储。我们的研究结果证实了真实数据集上的经验评估。
2021-11-27 cs.GT cs.SI
Detecting Topological Changes in Dynamic Community Networks
时变（动态）网络（图）的研究对于计算机网络分析具有根本的重要性。已经提出了几种方法来检测显着的结构变化的影响，在一个时间序列的图形。这项工作的主要贡献是一个动态社区图模型的详细分析。该模型是通过添加新的顶点，并将它们随机附加到现有的节点。它是著名的随机块模型的动态扩展。这项工作的目标是检测图动态从正常进化（平衡社区以相同的速度增长）切换到异常行为（社区开始合并）的时间。为了避免将每个图分解为社区的问题，我们使用一个度量来量化作为时间函数的图拓扑的变化。异常的检测成为检验图正在经历重大结构变化的假设之一。除了理论分析的测试统计量，我们进行蒙特卡罗模拟我们的动态图模型，以证明我们的测试可以检测到图拓扑结构的变化。
2017-07-23 cs.DM 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
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
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
Can We Unmask the Underground? Detecting and Predicting Hidden Forum Interactions
College of Computing, Mohammed VI Polytechnic University (UM6P)（Mohammed VI 理工大学计算学院）
提出无监督框架HADES，利用预训练语言模型对用户文本交互进行语义嵌入，聚类检测地下论坛中主导和隐藏的威胁社区，并在三个主要论坛上验证其有效性，可提前一年预测社区形成。
2026-06-16 cs.SI
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
A Generative Node-attribute Network Model for Detecting Generalized Structure
探索嵌入网络中的有意义的结构特征是理解和分析网络结构和功能的关键。节点属性信息可以帮助改善这种理解和分析。然而，大多数现有方法集中于检测传统社区，即，具有密集内部连接和稀疏外部连接的节点分组。本文基于节点的连通性和属性的同质性，提出了一种既能生成拓扑信息又能生成属性信息的原则模型（GNAN）。新模型不仅可以检测网络中的社团结构，还可以检测网络中的一系列其他类型的结构，如二分结构、核心-外围结构以及它们的混合结构，这些结构统称为广义结构。该模型结合了拓扑信息和节点属性信息，比只利用拓扑信息的模型能更准确地检测出社区。我们的模型可以自动学习属性和社区之间的依赖关系，因此我们可以忽略不包含有用信息的属性。模型参数的推导采用期望最大化算法。最后通过一个实例验证了该模型在社区语义可解释性方面的能力。在合成网络和真实网络上的实验表明，新模型与其他最先进的模型相比具有竞争力。
2021-06-05 cs.SI stat.ML
Detecting Local Community Structures in Social Networks Using Concept Interestingness
University of Quebec in Outaouais（魁北克大学乌塔韦校区）
社会网络分析面临的一个关键挑战是设计一个有效和准确的社区发现过程，以发现内在结构和提取相关信息。在本文中，我们介绍了一种新的策略称为（COIN），利用概念感兴趣的措施来检测社区的基础上的概念格的网络建设。因此，与现成的社区发现算法不同，COIN利用从形式概念分析继承的相关概念特征来发现实质性的局部结构。在COIN的第一阶段，我们提取了捕获社交网络中所有派系和桥梁的形式概念。在第二阶段，我们使用稳定性指标，以消除社区之间的噪音桥梁，然后渗透相关的相邻集团。我们在几个真实世界的社交网络上的实验表明，COIN可以快速检测社区更准确地比现有的突出算法，如边缘介数，快速贪婪模块化，和信息地图。
2019-02-05 cs.AI cs.SI
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
Detecting signal from science:The structure of research communities and prior knowledge improves prediction of genetic regulatory experiments
本研究提出贝叶斯计算方法，利用文献自动提取的基因相互作用数据与LINCS L1000实验匹配，发现科学聚焦且机构独立的研究更易复现，为科研资助政策提供指导。
2020-08-23 cs.SI physics.soc-ph q-bio.MN
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
Prioritizing network communities
Stanford University（斯坦福大学）；Chan Zuckerberg Biohub（陈·扎克伯格生物中心）
揭示网络中的模块化结构是生物学、物理学和工程学系统的基础。社区发现将候选模块识别为假设，然后需要通过实验来验证，例如在生物实验室中进行诱变。通常只有少数社区可以得到验证，因此必须优先考虑选择哪些社区进行下游实验。在这里，我们开发了CRank，这是一种基于数学原理的方法，用于对网络社区进行优先级排序。CRank有效地评估每个社区的结构特征的鲁棒性和大小，然后将这些特征组合到社区优先级中。CRank可以与任何社区发现方法一起使用。它只需要网络结构提供的信息，不需要任何额外的元数据或标签。然而，当可用时，CRank可以包含特定于域的信息，以进一步提高性能。在许多大型网络上的实验表明，CRank有效地对社区进行了优先级排序，社区优先级提高了近50倍。
2018-05-28 cs.LG cs.SI q-bio.MN
Metrics for Community Analysis: A Survey
在过去的十年里，从社会和信息网络中检测和分析密集群体或社区引起了人们的极大关注，因为它在不同领域具有巨大的适用性。社区发现是一个定义不清的问题，因为社区的性质事先并不知道。这个问题已经被证明是甚至复杂的，由于社区出现在网络中的各种形式-不相交的，重叠的，分层的等，已经提出了各种不同的算法取决于在手的应用程序。所有这些生态学已经具体化的形式，在大多数情况下，作为优化功能，用于检测社区结构，或提供一个良好的检测社区在评估过程中的指示。有必要对社区发现和评价方面提出的衡量标准进行有组织的详细调查。在这项调查中，我们提出了一个全面的和结构化的概述，用于检测和评估社区结构的最先进的指标。我们还对合成网络和真实网络进行了实验，以比较分析这些指标在衡量底层社区结构的良好性方面的作用。
2016-04-12 cs.SI physics.soc-ph
