Advanced modularity-specialized label propagation algorithm for detecting communities in networks
最近提出了一种用于网络社区检测的模块化标签传播算法(LPAm)。这种有前途的算法提供了一些理想的品质。然而,LPAm有利于社区划分,其中所有社区在总度上都是相似的,因此它很容易陷入模块化空间中的局部最大值。为了避免局部最大值,我们采用了多步贪婪凝聚算法(MSG),可以合并多对社区在同一时间。结合LPAm和MSG,我们提出了一种先进的模块化专用标签传播算法(LPAm+)。实验表明,LPAm+成功地检测到社区具有更高的模块化值比以往任何时候都报告在两个常用的现实世界的网络。此外,LPAm+在准确性和速度之间提供了一个公平的折衷。
2010-03-19 physics.soc-ph
Asymptotic resolution bounds of generalized modularity and multi-scale community detection
广义模块度的最大化在所有社区的成员在统计上彼此无法区分的网络中表现良好。然而,没有理论界的最大化性能在更现实的网络中,边缘是异质分布在社区内和社区之间。利用随机图的性质,我们建立了广义模块最大化表现良好的分辨率参数的渐近理论界。从随机图模型的这个新视角,我们发现模块度最大化的分辨率极限可以用一种令人惊讶的简单和直接的方式来解释。给定由随机块模型产生的网络,分辨率参数大于其密度的社区可能分布在多个簇中,而分辨率参数小于其背景社区间边缘密度的社区将合并为一个大的组件。因此,当一个子图中的社团内边密度低于另一个子图中的社团间边密度时,不存在合适的分解参数。对于这样的网络,我们提出了一个渐进的凝聚启发式算法来检测实际上在多个尺度上显着的社区。
2020-04-16 cs.SI physics.soc-ph
External bias in the model of isolation of communities
我们扩展了一个模型的d-维晶格的社区隔离的情况下,与竞争社区的出生率之间的不平衡。我们给出了分析和数值证据,证明了在非对称两种群模型中,当孤立(封闭)子群的出现最快时,存在一个定义明确的非对称参数值,即特征时间tc最小.这个临界值的参数只依赖于晶格维数和系统的大小无关。在出生率呈几何分布的多物种情况下也观察到类似的现象。我们还表明,在多物种的情况下,封闭的亚组是不存在的或非常罕见的,当有一个严格的优势物种,数量超过其他物种,或当有一个大的物种多样性。不同种类的阻塞物种的数量随着多物种系统的维数而减少。
2010-08-23 physics.comp-ph physics.soc-ph q-bio.PE
Scalable detection of statistically significant communities and hierarchies, using message-passing for modularity
模块化是衡量社区结构的一个常用指标。然而,最大化模块性可能会导致许多具有几乎相同模块性的竞争分区,这些分区彼此之间的相关性很差。它还可以在不存在的随机图中产生虚幻的“社区”。我们解决这个问题,通过使用的模块化作为一个哈密顿量在有限的温度,并使用一个有效的信念传播算法,以获得共识的许多分区具有高模块化,而不是寻找一个单一的分区,最大化it.We分析和数值计算表明,该算法的工作一直到可检测性过渡的随机块模型所产生的网络。它在现实世界的网络中也表现良好,揭示了一些网络中的大型社区,而以前的工作声称不存在社区。最后,我们表明,通过递归地应用我们的算法,细分社区,直到没有显著的子社区可以找到,我们可以更有效地检测在现实世界中的网络层次结构比以前的方法。
2014-12-27 cond-mat.stat-mech cs.SI physics.soc-ph
Finding network communities using modularity density
许多现实世界的复杂网络都呈现出一种社区结构,其中的模块对应于实际的功能单元。识别这些群落是科学家面临的一个关键挑战。一种常见的方法是搜索使质量函数最大化的网络划分。在这里,我们提出了一个最近提出的功能,即模块密度的详细分析。我们表明,它不会招致传统的模块化所遭受的缺点,它可以识别网络没有地面实况社区结构,推导出其分析依赖于一般随机图中的链接密度。此外,我们表明,模块密度允许不同大小的网络之间的比较容易,我们还提出了一些限制,基于模块密度的方法可能会受到影响。最后,我们介绍了一个有效的,二次社区检测算法的基础上模块密度最大化,验证其准确性对理论预测和一组基准网络。
2016-12-20 cond-mat.stat-mech cs.SI physics.soc-ph
Detectability of communities in heterogeneous networks
社区是刻画真实网络结构的基本实体。识别网络中社区的标准方法是基于被称为“模块性”的质量函数的优化。虽然模块化一直是一个激烈的研究活动的中心,并提出了许多方法,其最大化,它还没有太多的必要条件,社区需要满足,以检测与模块化最大化的方法。在这里,我们开发了一个简单的理论来建立这些条件,并成功地将其应用于各种网络模型。我们的主要结果是,在度分布的异质性有助于模块正确地恢复网络的社区结构,在现实的情况下,度指数$γ< 2.5$的无标度网络,模块总是能够检测社区的存在。
2013-07-04 cond-mat.stat-mech cs.SI physics.soc-ph
Limitation of multi-resolution methods in community detection
近年来,一种多分辨率社区检测方法被提出,该方法通过调整模块度函数的分辨率参数来调整模块度的分辨率,如Arenas,Fernandez和Gomez以及Reichardt和Bornholdt等提出的方法。在本文中,我们表明,这些方法仍然有内在的限制,大社区可能已经分裂之前,小社区变得可见,因为它是在社区的稳定性,增强模块化分辨率的成本。理论结果表明,该限制取决于小社区的互联程度以及小社区与大社区的规模之差,而与整个网络的规模无关。这些发现已经在几个示例网络中得到证实,其中社区甚至是完全完成的子图。
2011-08-22 cs.SI physics.soc-ph
Modularity measure of networks with overlapping communities
在本文中,我们引入了一个非模糊的措施,已被设计成重叠社区的网络节点的分区排名。这样的措施可以是有用的量化集群检测到的各种方法,并在寻找重叠的社区结构的优化方法。文中讨论了重叠模块分离的理论问题,并给出了一个可能的应用实例。
2009-10-27 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
A New Metric for Quality of Network 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社区结构的强度。然而,模块化最大化受到两个相反但并存的问题的困扰:在某些情况下,它倾向于支持小社区而不是大社区,而在其他情况下,大社区则倾向于支持小社区。后一种趋势在文献中被称为分辨率极限问题。为了解决这些问题,我们建议修改模块化,从它减去连接不同社区的节点的边缘的分数,并包括社区密度到模块化。我们将修改后的度量称为模块密度,并证明它确实解决了上述两个问题。我们通过直观清晰和简单的例子来描述引入此度量的动机。我们还证明了这个新的度量解决了分辨率限制问题。最后,我们讨论了应用这个度量,模块化,和其他几个流行的社区质量指标的结果,两个真正的动态网络。结果表明,模块化密度是一致的,所有的社区质量的测量,但不是模块化,这表明模块化密度是一个改进的测量相比,模块化的社区质量。
2015-07-15 cs.SI physics.soc-ph
Modularity and Projection of Bipartite Networks
研究了二分网络上基于模块度最大化的社区发现问题。特别是,我们感兴趣的投影操作,使用一个节点集的二分网络,以推断节点之间的连接,在其他设置,互动与社区发现。我们首先定义了一个概念的模块化适当的投影二分网络,并概述了一个算法,最大化它,以划分网络。使用真实和合成网络,我们比较了由五种不同算法发现的社区,其中每种算法最大化不同的模块化函数,并看到二分结构的不同方面。基于这些结果,我们提出了一个简单的启发式寻找社区的二分网络。
2019-08-07 cs.SI physics.soc-ph
A modularity based spectral method for simultaneous community and anti-community detection
University of Udine(乌迪内大学);University of Padua(帕多瓦大学)
本文提出一种基于谱方法的模ularity检测方法,用于同时识别社区和反社区结构,通过分析矩阵定义的模ularity的极值特征值子空间来确定网络中的模块化结构。
2017-09-20 cs.NA cs.SI math.NA
Overlapping modularity at the critical point of k-clique percolation
最显著的社会现象之一是在社交网络中形成社区,这些社区与家庭、朋友圈、工作团队等相对应。由于人们通常同时属于几个不同的社区,由此产生的重叠导致了社区本身的极其复杂的网络。因此,揭示社交网络的复杂社区结构是一个具有巨大实际应用潜力的重要任务,近年来引起了人们的极大兴趣。团渗流方法(CPM)是最早的重叠社区发现方法之一,它已经被用于分析几个不同的社交网络。在这种方法中,社区对应于k-团渗流集群,并且用于设置该方法的参数的一般启发式是将系统调整到刚好低于k-团渗流的临界点。然而,这一规则是基于简单的物理原理,其有效性从来没有受到定量分析。在这里,我们研究的质量分区的临界点附近使用最近推出的重叠模块化措施。根据我们对真实社会网络和其他网络的研究结果,重叠模块在接近临界点时显示出最大值,证明了最佳参数设置的原始标准。
2013-08-15 cs.SI physics.soc-ph
Community detection in networks: Modularity optimization and maximum likelihood are equivalent
我们证明了网络中两种广泛使用的社区发现方法之间的精确等价性,即广义形式的模块化最大化方法,其中包含控制发现的社区大小的分辨率参数,以及应用于称为种植分区模型的随机块模型的特殊情况的最大似然方法,其中假设网络中的所有社区具有统计上相似的属性。除此之外,这种等价性提供了模块度函数的数学原理推导,澄清了其使用的条件和假设,并给出了分辨率参数的最佳值的显式公式。
2016-06-07 cs.SI physics.soc-ph
Modular decomposition of Markov chain: detecting hierarchical organization of pervasive communities
在网络科学中,一组节点彼此连接的概率高于组外节点的概率,这组节点被称为社区。从各个社区与构成由网络描述的复杂系统的功能模块相关联的观点来看,发现社区对于理解这些系统的整体功能是首要的。自网络科学诞生之初,人们就一直致力于开发网络社区检测方法。然而,揭示真实世界网络中社区关键特征的方法仍有待建立。在这里,我们制定了一个随机游走的分解蔓延到整个网络到本地模块作为社区的代理。这个公式将揭示社区的普遍结构及其层次组织,这是现实世界网络的标志,但大多数现有方法都无法达到。
2019-12-06 cond-mat.dis-nn physics.soc-ph
Community Detection via Maximization of Modularity and Its Variants
在本文中,我们首先讨论了模块化(Q)的定义作为衡量社区质量,然后我们回顾了模块化最大化的方法,在过去的十年中用于社区检测。然后,我们讨论了模块化优化的两个相反但共存的问题:在某些情况下,它倾向于支持小社区而不是大社区,而在其他情况下,大社区而不是小社区(所谓的分辨率限制问题)。接下来,我们概述了几个社区质量指标提出解决分辨率限制问题,并讨论模块化密度(Qds),同时避免了两个问题的模块化。最后,我们介绍了两种新的微调社区检测算法,迭代尝试通过分裂和合并给定的网络社区结构,以提高社区质量的测量。其中第一种称为微调Q,基于模块性(Q),而第二种基于模块性密度(Qds),表示为微调Qds。然后,我们比较了贪婪算法的模块化最大化(表示为贪婪Q),微调Q,微调Qds在四个真实的网络,也在经典的集团网络和LFR基准网络,其中每一个都是由广泛的参数实例化。结果表明,在所讨论的三种算法中,微调量子点是最有效的。此外,我们表明,微调量子点可以应用到其他算法检测到的社区,以显着改善他们的结果。
2015-07-02 cs.SI 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
Nonequilibrium phase transition due to social group isolation
我们介绍了一个简单的模型,一个不断增长的系统与$m$竞争的社区。这一模式对应于孤立生活的社会群体遭受失败的现象。观察到一个非平衡相变时,在临界时间$t_c$的第一个孤立的集群发生。在一维系统中,新相的体积,即孤立个体的数量,随时间增加,为$Z \sim t^3$。对于大量可能的社区,填充空间的临界密度等于$ρ_c = (m/N)^{1/3}$,其中$N$是系统大小。类似的转变也出现在Erdens-Rényi随机图和Barabási-Albert无标度网络中。分析结果与数值模拟结果一致。
2009-02-25 physics.comp-ph physics.soc-ph
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
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
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
Density-based Community Detection/Optimization
近年来,基于模块的社区发现算法越来越多。模块化及其应用一直在产生争议,因为一些作者认为它不是一个没有缺点的度量。已经表明,使用模块化来检测社区的算法受到分辨率限制,因此,在某些情况下无法识别小社区。在这项工作中,我们试图应用标签传播算法发现的社区密度优化,并研究优化结果的模块化方面发生了什么。我们引入了一个度量,我们称之为ADC(平均密度每个社区),我们使用这个度量来证明我们的优化提供了改进的社区密度与基准算法。此外,我们提供的证据表明,这种优化可能不会显着改变所产生的社区的模块化。此外,还通过使用SSC(强连接组件)的概念,我们开发了一个社区发现算法,我们也比较了标签传播算法。这些比较是用几个测试网络和不同的网络规模进行的。优化算法的结果被证明是有趣的。此外,社区发现算法的结果与我们使用的基准算法相似。
2019-04-07 cs.IR cs.SI physics.soc-ph
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
Multislice Modularity Optimization in Community Detection and Image Segmentation
University of California, Los Angeles(加利福尼亚大学洛杉矶分校);University of Oxford(牛津大学)
由于网络可以用来表示许多复杂的系统,因此在物理学、计算机科学、社会学和许多其他学科中引起了相当大的关注。网络科学最重要的领域之一是内聚群的算法检测(即,“社区”)的节点。在本文中,我们算法检测社区在社交网络和图像数据,通过优化多层模块化。模块化优化的一个主要优点是它不需要社区数量或大小的先验知识,并且能够找到由不同大小的社区组成的网络分区。通过优化多切片模块化并随后计算对所得到的网络分区的诊断,从而可以获得关于跨多个系统尺度的网络结构的信息。我们说明了这种方法的数据从社交网络和图像,我们发现,优化的多层模块化在这两个任务上表现良好,而不需要广泛的问题特定的适应。然而,提高这种方法的计算速度仍然是一个具有挑战性的开放问题。
2012-11-30 cs.CV cs.SI physics.data-an
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
Resilience of Networks Formed of Interdependent Modular Networks
许多基础设施网络具有模块化结构,而且相互依存。虽然有大量研究探讨了相互依赖网络的弹性,但没有分析模块化的影响。在这里,我们开发了一个理论框架,相互依赖的模块化网络的攻击,并支持我们的模拟结果。我们关注的情况下,每个网络有相同数量的社区和依赖关系的链接被限制在不同的网络社区对之间。这对于跨城市的基础设施来说是非常现实的。每个城市都有自己的基础设施,不同的基础设施在城市中相互依赖。然而,每个基础设施都是在城市内部和城市之间连接的。例如,电网将连接许多城市,通信网络也将连接许多城市,但相互依赖的发电站和通信塔可能位于同一个城市。它已被证明,单一的网络是非常容易受到失败的互联节点(社区之间)Shai等人。这些节点上的攻击是更严重的比攻击的基础上的介数达库尼亚等人。在我们的例子中,这些节点有很长的距离链接,更容易失败。对于树状和环状相互依赖的模块网络,我们发现不同的制度取决于模块的数量,$m$。(i)在具有强内连通的模块较少的情况下,系统首先在突然的一级转变中分离成模块,然后每个模块经历第二次渗流转变。(ii)当有更多的模块与它们之间的许多互连,系统经历一个单一的过渡。总的来说,我们发现,模块化结构可以影响相互依赖网络中观察到的过渡类型,并应在尝试使相互依赖网络更具弹性时加以考虑。
2015-08-06 cs.SI physics.soc-ph
Faster unfolding of communities: speeding up the Louvain algorithm
许多复杂网络都呈现出密集连接的节点组的模块化结构。通常,这样的模块化结构是通过优化某些质量函数来揭示的。尽管存在缺陷,但模块化仍然是最受欢迎的质量功能之一。Louvain算法最初是为了优化模块化而开发的,但已应用于各种方法。因此,加速Louvain算法,使更大的图在更短的时间内分析各种方法。我们建议考虑将节点移动到随机邻居社区,而不是最佳邻居社区。虽然非常简单,但它在具有清晰社区结构的网络中将理论上的运行时复杂度从$\mathcal{O}(m)$降低到了$\mathcal{O}(n \log \langle k \rangle)$。在基准网络中,它将算法加速了大约2-3倍,而在一些真实网络中,它甚至达到了10倍的运行速度。这种改进是由于两个因素:(1)随机邻居可能处于“好”社区;(2)随机邻居可能是枢纽,有助于收敛。最后,性能增益仅略微降低质量,特别是对于模块化,从而提供良好的质量性能比。然而,对于其他一些指标,如显著性或意外性,这些收益不太明显,甚至消失。
2015-09-09 cs.DS 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
Fast unfolding of communities in large networks: 15 years later
本文回顾Louvain方法提出15年来的发展,概述其推广、改进及除模块度外的质量函数,总结其在社区检测中的核心贡献。
2023-11-10 cs.SI physics.soc-ph
A novel metric for community detection
针对传统Modularity在社区检测中的局限,提出基于链路预测可预测性的新度量,比传统方法更具鲁棒性,能评估算法稳定性并揭露错误检测。
2019-09-27 cs.SI physics.data-an physics.soc-ph
Constrained Community Detection in Social Networks
网络中的社区检测是识别异常良好连接的子网络的过程,是许多应用网络分析的核心组成部分。模块化优化的范例规定了网络顶点的分区,该分区最大化组(社区)内的边缘分数与边缘随机分布时的预期分数之间的差异。模块化的目标函数采用了网络的拓扑结构专门和已被广泛研究,而社区组成的约束条件或外部信息的整合在很大程度上仍然是未开发的。我们对模块化目标函数施加惩罚函数,以规范社区的构成,并应用我们的方法在医院网络内识别医疗保健社区(HCC),使每个HCC内进行的心脏除颤器手术的数量超过最低阈值。这一限制允许通过标准化整个医院网络的心脏护理分布,在由此产生的医疗保健社区之间进行有意义的心脏护理比较。
2017-08-14 cs.SI physics.soc-ph stat.AP
Community Detection Algorithm Evaluation using Size and Hashtags
了解社交媒体中的社区结构至关重要,因为它有着广泛的应用,如朋友推荐、链接预测和协同过滤。然而,在文献中没有广泛接受的社区定义。现有的工作使用结构相关的指标,如模块化和功能相关的指标,如地面真理来衡量社区发现算法的性能,而忽略了一个重要的指标,社区的大小。[1]建议在社交媒体上有密切联系的社区的规模应限制在150人以内。正如我们在本文中所发现的,许多流行的社区发现算法所获得的大多数社区要么非常小,要么非常大。太小的社区没有实际价值,太大的社区包含弱连接,因此不稳定。在本文中,我们比较各种社区发现算法考虑以下指标:社区的大小,社区的覆盖率,扩展模块化,三角参与率,和用户在同一社区的兴趣。我们还提出了一个简单的集团为基础的算法社区发现作为比较的基线。实验结果表明,我们提出的算法和公认的不相交算法InfoMap在所有的指标表现良好。
2016-12-11 cs.SI physics.soc-ph
Constant Communities in Complex Networks
社区结构识别是网络分析中的一个基本问题。大多数社区检测算法是基于优化组合参数,例如模块化。这种优化通常是NP困难的,因此仅仅改变顶点的顺序就可以改变它们对社区的分配。然而,关于顶点排序如何影响社区发现算法结果的研究却很少。在这里,我们确定和研究的性质不变的顶点(常数社区),其分配给社区是,相当显着,不受顶点排序。恒定社区的百分比可以在不同的应用程序和经验的结果,我们提出的指标来评估这些社区。使用常数社区作为预处理步骤,可以显着减少结果的变化。最后,我们提出了一个音素网络的案例研究,并说明恒定的社区,相当引人注目的是,形成更大的社区的核心功能单位。
2013-02-23 cs.SI physics.soc-ph
Optimal network modularity for information diffusion
本文利用线性阈值模型研究了社区结构对信息扩散的影响。我们的研究结果表明,模块化结构可能有反直觉的影响,信息扩散时,社会强化。我们发现,强大的社区可以促进全球扩散,通过加强当地,社区内的传播。使用分析方法和数值模拟,我们证明了存在一个最佳的网络模块化,全球扩散需要最少数量的早期采用者。
2014-09-18 cs.SI physics.soc-ph
Random Walks, Markov Processes and the Multiscale Modular Organization of Complex Networks
大多数发现复杂网络中社区的方法依赖于组合图的性质。通常,与空随机图模型相比,边计数质量函数(例如模块性)在图的所有分区上进行优化。在这里,我们介绍了一个系统的动态框架,设计和分析各种各样的质量功能的社区检测。划分的质量是通过其马尔可夫稳定性来衡量的,马尔可夫稳定性是一个时间参数化函数,根据图上发生的马尔可夫过程的统计特性定义。马尔可夫过程提供了对图中所有尺度的动态扫描,而时间尺度是一个内在参数,可以以不同的分辨率揭示社区。这种基于动态的社区检测导致了复合优化,它有利于具有可比中心性的社区(如由固定分布定义的),并为谱算法提供了统一的框架,以及用于社区检测的不同算法,包括模块化和Potts模型的版本。我们的动态框架创建了一个系统的不同的随机动态之间的联系,并根据不同的(节点和边缘)中心的最佳社区的相应概念。我们表明,马尔可夫稳定性可以有效地计算,以找到大型网络中的多尺度社区结构。
2015-02-15 cond-mat.stat-mech cs.SI physics.soc-ph
An upper bound on community size in scalable community detection
众所周知,基于模块化优化的社区发现方法往往不能发现小社区。因此,用于社区检测的几个目标函数涉及一个分辨率参数,允许在不同尺度上检测社区。我们提供了一个明确的上限社区规模的社区,从这些功能的优化。我们还显示了一个简单的例子,使用的分辨率参数可能会人为地迫使大型和密集连接的社区完全解体。
2011-03-29 cs.SI physics.soc-ph
Detecting communities of triangles in complex networks using spectral optimization
研究复杂网络的子结构对于联系网络的拓扑和功能具有重要意义。许多研究致力于使用称为模块度的质量函数来分析网络的模块结构。然而,一般来说,拓扑模和官能团之间的关系仍然是未知的,并依赖于链接的语义。有时,我们事先知道许多连接是传递的,因此,三角形具有特定的含义。在这里,我们提出了研究的模块化结构的网络考虑三角形作为模块的构建块。该方法推广了标准的模块化,并使用频谱优化,以找到其最大值。我们比较得到的分区与在几个真正的网络中的标准模块化的优化所产生的。结果表明,三角形模块分析所报告的信息补充了经典模块性分析的信息。
2010-05-20 cs.OH physics.data-an physics.soc-ph
Modularity in Complex Multilayer Networks with Multiple Aspects: A Static Perspective
复杂系统通常用网络来描述,网络捕捉实体之间交互的拓扑结构。为了更好地理解系统中实体所扮演的角色,需要揭示系统的底层社区结构。近年来,具有不同类型或可随时间变化的实体之间的相互作用的系统吸引了越来越多的研究关注。然而,针对多层网络中的关键问题--社区发现--的算法仍然有限。在这项工作中,我们首先介绍了多方面的多层网络模型表示,这是灵活的各种网络。然后基于该模型,从静态角度推导出网络中社区发现的目标函数多层模块度,作为评价多层网络中社区发现质量的一个指标。它通过指出将导致高模块化分数的特定类型的社区,使我们能够更好地理解模块化的本质。我们还提出了一种称为mSpec的谱方法,用于基于多层网络的超邻接表示优化所提出的模块度函数。在脑电网络上的实验和在几个经验多层网络上的比较结果证明了该方法的可行性和可靠性。
2016-05-20 cs.SI physics.soc-ph
A Modular Multiscale Approach to Overlapping Community Detection
在这项工作中,我们解决了在社交网络中检测重叠社区的问题。由于“社区”一词含义模糊,因此有必要在特定类型问题的背景下量化社区的含义。我们的解释是,这种量化必须在至少三个尺度上进行。这些尺度是在以下层面上的:单个节点、单个社区和整个网络。这些尺度中的每一个都涉及到在其他尺度中无法准确表示的群落结构的数量特征,但对于定义特定的群落概念很重要。我们的工作重点是提供合理的方法来量化在每个尺度上适用于社交网络的社区概念,并使用这些模型来开发一个社区发现算法。我们的方法的吸引人的特点是,它自然地允许节点属于多个社区,并且对于具有低整体边缘密度的大型网络来说,计算效率很高。该算法的尺度是$O(N~\overline{k^2} + \overline{N_{com}^2})$,其中$N$是网络中的节点数,$\overline{N_{com}^2}$是平均平方社区大小,$\overline{k^2}$是节点度平方的期望值。虽然我们的工作重点是开发一个计算效率高的算法重叠社区发现的背景下,社交网络,我们的主要贡献是开发一种方法,是高度模块化的,可以很容易地适应特定的社区概念。
2015-01-22 cs.SI physics.soc-ph
Size Matters: A Comparative Analysis of Community Detection Algorithms
了解社交媒体的社区结构是至关重要的,因为它的广泛应用,如朋友推荐,用户建模和内容个性化。现有的研究使用结构性指标,如模块化和电导和功能性指标,如地面真理来衡量各种社区发现算法发现的社区的质量,而忽略了一个自然和重要的维度,社区规模。最近,人类学家邓巴建议,社交媒体中稳定社区的规模应该限制在150人以内,称为邓巴数。在这项研究中,我们提出了一个系统的方法,算法比较正交整合社区规模作为一个新的维度到现有的结构性指标,一致和全面地评估社会媒体环境中的社区质量。我们设计了一个启发式的基于团的算法,它控制的大小和重叠的社区可调参数,并评估它与五个国家的最先进的社区发现算法在Twitter网络和DBLP网络。具体来说,我们将发现的社区根据它们的大小分为四类,称为亲密朋友,普通朋友,熟人,只是一张脸,然后计算覆盖率,模块化,三角参与率,传导性,传递性和社区的内部密度在每个类。我们发现,在不同的类社区表现出不同的结构质量和许多现有的社区发现算法往往输出非常大的社区。
2017-12-03 cs.SI physics.soc-ph
A Method Based on Total Variation for Network Modularity Optimization using the MBO Scheme
网络结构的研究在社会学、生物学、计算机科学和许多其他学科中很普遍。网络科学最重要的领域之一是算法检测称为“社区”的节点的内聚组。一个流行的方法来寻找社区是最大化称为{ \em模块化}的质量函数,以实现某种最佳的节点集群。在本文中,我们从一个新的角度来解释模块化函数:我们重新制定模块化优化作为一个能量泛函,其中包括一个总的变化项和$\ell_2$平衡项的最小化问题。通过采用图像处理和$\ell_1$压缩感知的数值技术-如凸分裂和Merriman-Bence-Osher(MBO)计划-我们开发了一个变分算法的最小化问题。我们提出了我们的计算结果使用合成基准网络和真实数据。
2013-04-17 cs.SI math.OC physics.soc-ph
Detecting Functional Communities in Complex Networks
我们考虑一个替代定义的社区结构是功能性动机。我们定义网络社区结构的基础上的功能的网络系统是要执行的。特别是,作为这种方法的一个具体例子,我们认为社区的功能是增强的能力,同步和/或节点故障的弹性。以前的工作表明,在许多情况下,网络的邻接矩阵的最大特征值控制同步和渗透过程的发生。因此,对于网络的功能性能取决于这些过程,我们提出了一种方法,将一个给定的网络划分为社区的基础上最大化的最大特征值的函数的邻接矩阵的社区。我们还探讨了通过我们的方法和模块化方法(这是完全基于网络结构的考虑)获得的分区之间的差异。我们对几种不同类型的网络进行了这种分析。我们发现,在许多情况下,基于模块化的分区做几乎以及我们的功能为基础的方法在寻找功能社区,即使模块化并没有特别纳入功能的考虑。
2012-03-02 physics.data-an physics.soc-ph
On the Behaviour of Deviant Communities in Online Social Networks
在线社交网络是相互联系的社区的复杂集合体,这些社区就不同的主题进行交互。一些社区的特点是通常被称为越轨行为,通常被认为是不适当的行为,就社会规范或道德标准。饮食失调,药物使用和成人内容消费只是几个例子。我们把这样的社区称为异常网络。人们普遍认为,这种异常网络是利基,孤立的社会群体,其活动与主流社交媒体生活分离。根据这一假设,研究大多孤立地考虑它们。在这项工作中,我们专注于成人内容消费网络,这是目前在许多在线社交媒体和一般的网络。我们发现,很少有小型和密集连接的社区负责大部分内容的生产。与以前的工作不同,我们研究了这样的社区如何与整个社会网络互动。我们发现,制作的内容主要直接或通过桥接社区流向网络的其他部分,达到至少450倍以上的用户。我们还表明,很大一部分用户可以通过间接的内容再共享无意中接触到这些内容。我们还讨论了生产者和消费者网络的人口统计分析。最后,我们表明,这是很容易找到几个核心用户从根本上根除扩散过程。我们的目标是为在情境中研究偏差社区奠定基础。
2016-10-26 cs.SI physics.soc-ph
Multiple phases in modularity-based community detection
仅基于邻接矩阵来检测网络中的社区是几个科学学科感兴趣的问题。最近,Zhang和Moore在[P. Zhang和C. Moore,Proceedings of the National Academy of Sciences 111,18144(2014)],称为mod-bp,其通过优化模块度(社区检测中流行的拟合优度度量)和熵(即具有给定模块度的配置的数量)的加权平均来避免过拟合数据。相对权重的调整,即模型的“温度”,对于从mod-bp得到正确的结果至关重要。在这项工作中,我们研究了许多相变,mod-bp可能会通过改变两个参数的算法:温度$T$和最大数量的组$q$。我们引入了一组新的序参量,允许确定实际数量的组$\hat{q}$,我们观察合成和真实的网络上存在的相位与任何$\hat{q} \in \{1,q\}$,这是未知的。我们讨论了如何解释mod-bp的结果,以及如何在发现重要社区的问题上做出最优选择。
2015-06-15 cs.SI physics.soc-ph
Versatility of nodal affiliation to communities
网络社区结构的图论分析试图识别每个节点所属的社区(或模块)。然而,在大多数情况下,这是一个不适定的问题,因为一个节点到一个社区的从属关系往往是模糊的。以前的解决方案试图识别每个节点所属的所有社区。我们没有采用这种方法,而是引入了多功能性$V$作为节点隶属关系的新指标:$V \sim 0$意味着节点被一致地分配给特定社区; $V \gg 0$意味着它被不一致地分配给不同的社区。多功能性与现有的社区检测算法结合使用,它满足了理想化网络中许多理论上理想的属性,这些理想化网络旨在最大限度地提高模块分解的模糊性。全局平均通用性的局部最小值确定了分层社区检测算法的分辨率参数,该算法最不含糊地分解了社交(空手道俱乐部)网络和小鼠大脑连接体的社区结构。我们的研究结果表明,节点的多功能性是有用的量化模块化分解的固有的模糊性。
2017-01-03 cs.SI physics.soc-ph q-bio.QM
Mapping Resilience and Inequality: A Spatial Analysis of Refugee Communities in Seattle
University of Washington(华盛顿大学)
本研究通过空间分析考察西雅图难民社区的住房负担、语言隔离等状况,发现部分社区脆弱性高,难民多为犯罪受害者,并提出针对性政策建议以支持难民融入。
2025-10-21 physics.soc-ph
Mining for Spatially-Near Communities in Geo-Located Social Networks
现有的社交网络社区发现方法往往忽略了节点的空间位置。在本文中,我们期待在社会网络中提取空间附近的社区。我们引入了一个新的度量标准来衡量一个社区分区的质量在一个地理定位的社交网络称为“空间接近模块化”的值,增加的基础上的网络结构的方面,但减少的基础上的社区节点之间的距离。然后,我们希望找到相对于该指标的最佳分区--就社会关系和地理位置而言,它应该是一个“理想”的社区。虽然是一个NP难问题,我们引入两个启发式算法,试图最大限度地提高这一措施,并优于非地理社区发现的数量级。还讨论了反恐怖主义的应用。
2013-09-11 cs.SI physics.soc-ph
A generalised significance test for individual communities in networks
许多经验网络具有社区结构,其中节点在每个社区内密集互连(即,一组节点)并且稀疏地跨越不同的社区。像其他的局域和中尺度网络结构一样,社区通常在各个方面都是异质的,例如规模,边缘密度,与其他社区的连接和重要性。在本研究中,我们提出了一种方法来统计测试在给定的网络中的单个社区的显着性。与以前的方法相比,本算法的独特之处在于,它接受不同的社区检测算法和相应的质量函数的单个社区。本方法要求每个社区的质量可以被量化,并且社区检测被执行为在社区上求和的这种质量函数的优化。各种社区检测算法,包括模块化最大化和图划分满足这一标准。我们的方法估计随机网络的质量函数的分布,以计算给定网络中每个社区的可能性。我们说明我们的算法合成和经验网络。
2018-05-09 cs.SI physics.soc-ph
Fast unfolding of communities in large networks
我们提出了一个简单的方法来提取大型网络的社区结构。我们的方法是一个启发式的方法,是基于模块化优化。它优于所有其他已知的社区检测方法的计算时间。此外,从所谓的模块性衡量,所发现的社区质量非常好。这是通过识别比利时260万客户的移动电话网络中的语言社区,并通过分析1.18亿个节点和超过10亿个链接的网络图来显示的。我们的算法的准确性也验证了ad-hoc模块化网络。.
2008-07-25 cond-mat.stat-mech cs.CY cs.DS
Centrality in Modular Networks
由于网络的广泛应用,如加速信息扩散或阻止病毒传播,识别网络中的有影响力的节点是一个基本问题。多年来,出现了许多基于网络拓扑结构的度量方法来识别有影响力的节点,如介数、接近度和特征值中心性。然而,尽管大多数现实世界的网络都是模块化的,但很少有措施利用这一特性。最近的工作表明,它对网络上的动力学有显着的影响。在模块化网络中,节点有两种类型的影响力:通过其社区内链接的局部影响力(对其社区的节点)和通过其社区间链接的全局影响力(对其他社区中的节点)。根据社区结构的强度,这两个组成部分或多或少都有影响力。基于这一思想,我们提出了扩展所有的标准中心性措施定义的网络没有社区结构的模块化网络。所谓的“模块中心性”是一个二维的向量。它的第一个组件量化了节点在其社区中的局部影响力,而第二个组件量化了其对网络其他社区的全球影响力。为了说明模块中心性扩展的有效性,与标量对应的传染病过程设置进行比较。模拟结果使用易感-感染-被感染(SIR)模型的合成网络与控制的社区结构,可以得到一个清晰的想法社区结构的强度和主要类型的影响(全球/本地)之间的关系。此外,在真实网络上的实验证明了这种方法的优点。
2018-10-12 cs.SI physics.soc-ph
Evolutionary method for finding communities in bipartite networks
揭示网络结构和网络上定义的动态之间的关系的一个重要步骤是检测社区,并且已经分别开发了许多方法来识别不同类别的网络中的社区结构,例如单部网络,二部网络和有向网络。我们证明了单部网络和有向网络都可以表示为二部网络,并且它们的模块性与二部网络的模块性完全一致,其上的模块结构的检测可以重新表述为模块性最大化。为了优化二分模块,我们开发了一种改进的自适应遗传算法(MAGA),这是特别有效的社区结构检测。MAGA的高效率是基于我们所做的以下三个改进。首先,我们引入了一个不同的测量基因座的信息量,而不是标准差,它可以准确地确定哪些基因座突变。该度量是基因座在当前群体上的分布与基因座的均匀分布之间的偏差,即,Kullback-Leibler分歧其次,我们开发了一种重新分配技术,用于区分一个位点在初始阶段从随机状态中获得的信息状态。第三,我们提出了一种改进的变异规则,通过加入相关操作,可以保证MAGA收敛到全局最优,并可以加快收敛过程。实验结果表明,MAGA优于现有的方法在模块性方面的二部和单部网络。
2011-06-04 cond-mat.stat-mech cs.NE cs.SI
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
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
Epidemic spreading on modular networks: The fear to declare a pandemic
在过去几十年中,由于城市化和国家间流动性的增长,大流行病的频率增加了。由于在一个国家传播的疾病可能成为具有潜在的全球人道主义和经济影响的大流行病,因此开发模型来估计全球大流行病的可能性非常重要。在本文中,我们提出了一个模型的疾病传播的结构模块复杂网络(有社区),并研究如何桥节点$n$的数量连接社区的影响疾病传播。我们发现,我们的模型可以在全球范围内描述为一个社区之间的传染性传播过程,全球传染性和恢复时间分布取决于每个社区的内部结构和$n$。我们发现,随着$n$的增加,在临界点附近,疾病到达大多数社区,但每个社区只有一小部分恢复的节点。此外,我们还得到在极限$n \to \infty$内,大流行的概率在临界点处突然增加。这种情况可能会使是否启动大流行警报的决定更加困难。最后,我们表明,链接渗流理论可以在全球范围内使用,以估计一个流行病的概率,因为社区之间的全球传染性有一个弱的依赖于全球恢复时间。
2020-03-23 physics.soc-ph q-bio.PE