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
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
Line Graphs, Link Partitions and Overlapping Communities
在本文中,我们使用一个划分的链接的网络,以揭示其社区结构。这种方法允许社区在节点处重叠,使得节点可以在多个社区中。我们通过对原始网络的线图进行节点划分来做到这一点。通过这种方式,我们表明任何产生节点分区的算法都可以用于产生链接分区。我们讨论的程度异质性的作用,并提出了一个加权版本的线图,以说明这一点。
2009-07-24 physics.data-an physics.soc-ph
From Louvain to Leiden: guaranteeing well-connected communities
社区发现常用于理解大型复杂网络的结构。发现社区结构的最流行的算法之一是所谓的Louvain算法。我们发现,该算法有一个主要的缺陷,在很大程度上被忽视,直到现在:鲁汶算法可能会产生任意连接不良的社区。在最坏的情况下,社区甚至可能断开连接,特别是当迭代运行算法时。在我们的实验分析中,我们观察到高达25%的社区连接不良,高达16%的社区断开连接。为了解决这个问题,我们引入莱顿算法。我们证明了莱顿算法产生的社区,保证连接。此外,我们证明了,当莱顿算法迭代应用,它收敛到一个分区中的所有社区的所有子集是局部最优分配。此外,通过依赖于快速局部移动方法,Leiden算法比Louvain算法运行得更快。我们证明了性能的莱顿算法的几个基准和现实世界的网络。我们发现,莱顿算法比鲁汶算法更快,发现更好的分区,除了提供明确的保证。
2019-10-30 cs.SI physics.soc-ph
Distance-Based Network Partitioning
提出了一种识别网络社区的新方法。参考节点,使用先验信息选择的网络或根据相关的节点测量,获得,以便指示推定的社区。然后,每个网络节点和参考节点之间的距离向量用于定义表示在许多不同尺度上的网络的社区结构的坐标系。对于模块化网络,节点在这个空间中的分布通常会导致一个分离良好的集群结构,每个集群对应一个社区。一个有趣的特点,社区发现的方法报告的是,由种子定义的坐标系允许一个直观和直接的解释每个节点的情况相对于所考虑的社区。相对于社区发现基准,空间网络模型和城市街道网络的方法的潜力说明。
2019-11-04 cs.SI physics.soc-ph
A Method for Characterizing Communities in Dynamic Attributed Complex Networks
人们已经提出了许多方法来检测社区,不仅在平原,而且在属性,有向甚至动态复杂网络。在其最简单的形式中,社区结构采取节点集的分区的形式。从建模的角度来看,要有一定的效用,这种划分必须相对于所研究的系统的属性来表征。然而,如果大多数现有的作品集中在定义的方法来检测社区,只有很少的尝试来解决这个解释问题。此外,现有的方法要么在它们处理的数据类型方面受到限制,要么在它们输出的结果的性质方面受到限制。在这项工作中,我们提出了一种方法来有效地支持这样的表征任务。我们首先定义了一个基于序列的网络表示,结合时间信息,拓扑措施,节点属性。然后,我们描述了如何识别该数据集的最新序列模式,并使用它们来表征社区。我们还展示了如何检测社区中的异常行为,并突出异常值。最后,作为一个例子,我们将我们的方法应用于科学合作网络。
2014-06-25 cs.SI physics.soc-ph
Detectability of hierarchical communities in networks
Department of Data Analytics and Digitalisation, School of Business and Economics, Maastricht University(数据分析与数字化学院,经济学院,马斯特里赫特大学);Department of Computer Science, RWTH Aachen University(计算机科学系,亚琛工业大学)
该研究聚焦网络层次划分结构的恢复问题,发现层次场景下存在额外相变阶段,多个一致划分可促进或阻碍检测,非层次划分的可检测极限不足以反映完整层次结构的可检测性,并用构造示例验证了该结论。
2024-08-13 cs.LG cs.SI physics.soc-ph
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
Identifying overlapping communities in social networks using multi-scale local information expansion
大多数现有的社区检测方法需要特定尺度下的图的完整信息,这对于许多社交网络来说是不切实际的。我们提出了一种新的算法,不包括通用的方法,而是试图专注于本地的社会关系和建模多尺度的社会互动发生在这些网络。我们的方法第一次优化了网络的拓扑熵,并通过一个新的动态系统收敛到局部最小值,通过简单地更新成员向量,以非常低的计算复杂度揭示社区。它通过将每个节点与描述节点在每个社区中的参与的成员向量相关联来自然地支持重叠社区。这样,除了发现重叠的社区外,我们还可以通过调整最佳分区的模块特征大小来描述不同的多尺度分区。由于该算法的高效性和准确性,将其用于真实网络中社团结构的精确检测是可行的。
2015-03-27 cs.SI physics.soc-ph
Core of communities in bipartite networks
我们使用存在于二分网络中的信息来检测二分系统的每个集合的社区的核心。社区的核心是通过调查统计验证的预测网络中使用的二分网络中存在的信息。社区的核心是高度信息化的,并且对于二分网络中存在的错误或缺失条目是鲁棒的。我们通过研究人工基准网络、合著网络和演员电影网络来评估核心的统计鲁棒性。相对于参考分区获得的分区的准确度和精确度分别根据经调整的Rand索引和经调整的Wallace索引来测量。核的检测是高度精确的,尽管该方法的准确性在某些情况下可能是有限的。
2017-03-06 cs.SI physics.data-an physics.soc-ph
Interpreting communities based on the evolution of a dynamic attributed network
人们已经提出了许多方法来检测社区,不仅在平原,而且在属性,有向甚至动态复杂网络。从建模的角度来看,要具有一定的实用性,社区结构必须相对于所研究系统的属性来表征。然而,大多数现有的工作集中在社区的检测,只有很少的尝试来解决这个解释问题。此外,现有的方法要么受到它们处理的数据类型的限制,要么受到它们输出的结果的性质的限制。在这项工作中,我们认为社区的解释作为一个独立的问题,从检测过程中,包括在确定社区的最具特色的功能。我们给出了这个问题的形式化定义,并提出了一种解决这个问题的方法。为此,我们首先定义了一个基于序列的网络表示,结合时间信息,社区结构,拓扑措施,节点属性。然后,我们描述了如何识别该数据集的最新序列模式,并使用它们来表征社区。我们研究了我们的方法在人工生成的动态属性网络上的性能。我们还在现实世界的系统上实证验证了我们的框架:科学合作的DBLP网络,以及社交和音乐互动的LastFM网络。
2015-06-15 cs.SI physics.soc-ph
Efficient hypothesis testing for community detection in heterogeneous networks
在网络中识别社区是一个基本的和具有挑战性的问题,在许多科学领域的实际重要性。目前的方法要么忽略了节点度的异质分布,要么假设社区数量的先验知识。在这里,我们提出了一个有效的假设检验社区发现的基础上量化图之间的差异。给定一个随机图,零假设是它是度校正的Erdös-Rényi型。我们比较它们之间的差异,通过一个措施,将顶点距离分布,聚类系数分布,和α-中心分布,这是用于我们的假设检验。我们设计了一个两阶段的二分算法,同时发现社区的数量和相应的结构。在合成网络和真实网络上的实验表明,我们的方法优于最先进的方法。
2021-12-21 cs.SI physics.soc-ph
Intrinsically Dynamic Network Communities
网络社区发现算法最近已经扩展到动态数据。这些最新的方法的目的是展示社区分区从连续的图形快照,然后连接或平滑这些分区使用聪明的时间相关的功能和采样技术。然而,这些方法实现的是纵向的而不是动态的社区发现。我们假设社区从根本上定义为一组节点之间随着时间的推移重复的交互。根据这一定义,通过考虑连续快照来分析数据会导致信息的重大损失:我们认为它模糊了本质上是动态的现象-例如基于重复的跨时间交互的社区,节点从一个社区切换到另一个社区,或者社区生存的可能性,而其成员在较长的时间内被整体取代。我们提出了一种形式主义,旨在解决这个问题的背景下,时间导向的数据集(如引文网络),并提出了几个插图的经验和合成的动态网络。我们最终引入内在的动态指标,以限定时间的社区结构,并强调其可能的作用作为估计的质量的社区发现-考虑到这样一个事实,即各种经验的背景下可能需要不同的“社区”的定义和检测标准。
2011-11-08 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
Detecting Communities in Networks by Merging Cliques
已经提出了许多算法来检测网络中的不相交社区(相对密集连接的子图)。一种流行的技术是优化模块化,这是一种衡量分区质量的标准,即内部和社区间边缘的数量。最大化模块度的贪婪近似算法可以非常快速和有效。我们提出了一个新的算法,开始检测不相交的集团,然后合并这些优化模块化。我们表明,这比其他类似的算法在模块化和执行速度方面表现更好。
2012-02-02 cs.SI physics.soc-ph
Line Graphs of Weighted Networks for Overlapping Communities
在本文中,我们开发的思想,以发现其节点的重叠社区的加权图的边缘划分。我们的方法是基于不同类型的加权线图,即图形的节点是原始图的链接,封装不同的边缘之间的关系的建设。加权线图被认为是提供一种替代的,有价值的表示系统的拓扑结构,并显示出具有重要的应用在社区检测,通常的节点划分的线图自然导致的边缘分区的原始图形。这种识别使我们能够使用传统的分区方法,以解决长期存在的问题,重叠社区的检测。我们将其应用于不同的社会和地理网络的分析。
2010-06-09 cs.DS physics.data-an physics.soc-ph
Clique Graphs and Overlapping Communities
给出了一个团图的构造方法,在这个团图中,给定图中的固定阶团的性质由加权图中的顶点表示。给出了这些权重的各种定义和动机。社区或集群的检测用于说明团图可以如何被利用。特别是一个基准网络,团图找到重叠的社区准确,而顶点分区方法失败。
2010-09-03 cs.SI physics.data-an physics.soc-ph
Network community detection and clustering with random walks
我们提出了一种新的方法来划分网络节点到不重叠的社区-揭示网络模块化和层次组织的关键一步。我们的方法,适用于网络的加权和未加权的对称边缘,使用随机游走,以探索在同一社区的相邻节点。步行似然算法(WLA)产生一个最佳的网络节点划分成一个给定数量的社区。步行似然社区发现者(WLCF)采用WLA来预测社区的最佳数量和相应的网络分区。我们对这两种算法进行了广泛的基准测试,发现它们在预测分区的模块化程度和社区之间的链接数量方面优于或匹配其他方法。利用我们的方法的计算效率,我们调查了科罗拉多州的道路和交叉口的大规模地图。我们的聚类在相邻社区之间产生了地理上合理的边界。
2022-02-22 physics.soc-ph q-bio.QM
Multiscale mobility patterns and the restriction of human movement
本文利用 Facebook Movement Maps 和英国封锁前后数据,通过多尺度社区检测提取人类移动的流动社区,揭示封锁期间移动性先回退至细粒度社区再随解封扩展,并用线性衰减冲击模型量化区域差异。
2025-08-28 cs.SI physics.soc-ph
Evaluating Overlapping Communities with the Conductance of their Boundary Nodes
通常,网络中社区的边界是在节点之间画出的,因此穿过了它的输出链路。如果我们通过应用链接聚类方法构建重叠社区,节点和链接交换它们的角色。因此,必须通过两个或多个社区共享的节点来划分边界。为了社区评估的目的,我们定义了一个电导的边界节点的重叠社区类似的图形电导的边界交叉链接用于划分一个图形到不相交的社区。我们证明了边界节点的电导(或归一化节点切割)可以从Evans和Lambiotte(2009)引入的网络加权线图中不相交簇的普通图电导推导出来,以获得原始网络中节点的重叠社区。我们测试我们的定义是否可以用来构建有意义的重叠社区与本地贪心算法的链接聚类。在本说明中,我们提出了令人鼓舞的结果,我们获得了扎卡里的空手道俱乐部网络。
2013-10-13 cs.SI physics.soc-ph
Fast community detection using local neighbourhood search
社区在描述和分析现代网络方面发挥着至关重要的作用。然而,随着计算能力和数据存储的增加,这些网络的规模也急剧增长。虽然已经开发了各种方法来提取社区结构,但它们的计算成本或并行化现有算法的难度使得将真实网络划分为社区成为一个具有挑战性的问题。在本文中,我们建议改变一个有效的算法,鲁汶方法,使社区被定义为一个树状分配图的连通组件。在这个框架内,我们精确地描述了我们的算法的不同步骤,并证明其高度并行化的性质。然后,我们表明,尽管它的简单性,我们的算法有一个分区质量类似于原来的方法在基准图,甚至优于其他算法。我们还表明,即使在单个处理器上,我们的方法也要快得多,并且可以分析非常大的网络。
2013-08-28 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
Overlapping community detection in signed networks
在过去的几年里,考虑到积极和消极的联系的复杂网络得到了相当大的关注。社区发现是复杂网络分析的主要挑战之一。现有的社区发现算法大多数都是针对签名网络的一个硬划分,即网络中的任意节点是否属于某个社区。然而,他们不能检测重叠的社区,其中一个节点被允许属于多个社区。重叠社区广泛存在于许多现实世界的网络中。本文提出了一种符号概率混合(SPM)模型,用于符号网络中的重叠社区发现。与已有的模型相比,该方法的优点在于:(i)为签名网络提供了软划分方案;(ii)提供了节点的软成员资格。在多个签名网络上的实验表明,我们的SPM模型:(i)可以识别与其他最先进的模型相同的重叠结构或不重叠结构;(ii)可以检测重叠社区;(iii)在揭示合成签名网络中的社区发现方面优于其他最先进的模型。
2014-03-27 cs.SI physics.soc-ph
Stability of graph communities across time scales
生物、社会和工程网络的复杂性使得人们希望找到可以作为简化描述的社区的自然分区,并提供对整个系统的结构和功能的洞察。虽然社区检测方法很多,但在如何量化和排名分区质量方面缺乏共识。我们在这里表明,分区的质量可以衡量其稳定性,定义在图上发生的马尔可夫过程的聚类自协方差。由于稳定性对图的时间尺度有内在的依赖性,它允许我们在每个时间比较和排名分区,并建立分区最佳的时间跨度。因此,马尔可夫时间有效地作为一个内在的分辨率参数,建立了一个层次结构的日益粗糙的聚类。在我们的框架内,我们可以提供一个统一的观点,几个标准的分区措施:模块化和归一化切割大小可以被解释为一步的时间措施,而费德勒的谱聚类出现在很长的时间。我们应用我们的方法来表征的相关性和持久性分区随着时间的推移建设性和真实的网络,包括层次图和社交网络。我们还获得了原子级蛋白质结构在不同的时间尺度上减少的描述。
2009-03-11 cs.IR physics.data-an 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
Correlation Analysis of Nodes Identifies Real Communities in Networks
复杂网络分析中的一个重要问题是揭示社区结构,即网络节点在同一社区中紧密连接,社区之间存在稀疏连接。以往的社区检测算法存在复杂度高、需要社区数量或规模等先验信息、多次运行不能得到相同的划分结果等缺点。在本文中,我们提出了一个简单而有效的算法,它只使用节点的相关性,这既不需要优化预定义的目标函数,也不需要社区的数量或大小的信息。我们测试我们的算法在真实世界和合成图的社区结构是已知的,并观察到该算法检测这种已知的结构具有很高的适用性和可靠性。我们还将该算法应用到一些网络的社区结构是未知的,并发现它在这些情况下检测确定性和信息社区分区。
2018-04-24 physics.soc-ph
Epidemic Outbreaks in Networks with Equitable or Almost-Equitable Partitions
我们研究了被划分为局部社区的网络上的流行病的扩散。这种层次网络的总体结构可以用商图来描述。这种方法的基本原理是,个体感染属于同一社区的人的概率高于其他社区的个体。因此,在社区模型中,节点感染概率预计主要取决于几个相互关联的大型集群的相互作用。在这项工作中,我们描述了一个连续时间的个人为基础的易感染的易感(SIS)模型,使用一阶平均场近似的流行病过程。我们的模型的一个关键特征是,这个较小的商图的谱半径(它只捕获社区网络的宏观结构)是我们需要知道的,以便确定整体健康状态是否定义了全局渐近稳定或不稳定的平衡。事实上,谱半径与系统的流行阈值有关。此外,我们证明,在阈值以上,另一个稳态存在,可以使用与商图上的过程的演变相关联的低维动力系统来计算。我们的调查是基于图论的公平分割的概念和它的最近和相当灵活的推广,几乎公平分割。
2015-11-13 cs.SI physics.soc-ph
Evidential Communities for Complex Networks
社区发现对于理解社交网络中的图结构具有重要意义。现实网络中的社区往往是重叠的,即一些节点可能是多个集群的成员。在网络数据集的数据采掘中,如何发现复杂网络中的重叠社区/簇是一个普遍的问题。提出了一种基于证据模块度函数、谱映射方法和证据c均值聚类的复杂网络重叠社区识别算法。实验结果表明,该方法充分利用了信任函数理论,在检测社区结构和确定合适的簇数方面都有较好的效果。此外,所提出的方法得到的置信划分可以给我们一个更深入的了解图的结构。
2015-01-08 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 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
Improving the performance of algorithms to find communities in networks
许多算法来检测网络中的社区通常工作没有任何信息的集群结构被发现,因为一个没有先验知识,一般。毫不奇怪,知道未知分区的一些特征可以帮助识别它,从而提高该方法的性能。在这里,我们表明,如果集群的数量是已知的,标准的方法,如模块化优化,将大大提高准确性,减轻严重的分辨率偏差,破坏了原来的无约束版本的结果的可靠性。集群的数量可以推断最近推出的非回溯和流矩阵的频谱,即使在基准图与现实的社区结构。这种两步过程的限制是计算光谱的开销。
2014-12-01 cs.SI physics.soc-ph
Overlapping Communities in Social Networks
复杂网络通常可以分解为组或模块。发现这种“社区结构”是研究网络大规模结构的重要一步。许多算法已经被提出用于社区发现,并且已经创建了基准来评估它们的性能。通常,用于社区发现的算法或者划分图(非重叠社区)或者找到节点覆盖(重叠社区)。在本文中,我们提出了一个特别简单的半监督学习算法发现社区。本质上,给定少量“种子节点”的社区信息,该方法使用从种子节点的随机游走来揭示整个网络的社区信息。该算法按时间$O(k \cdot m \cdot \log n)$运行,其中$m$是边的数量; $n$是链路的数量;以及$k$是网络中的社区的数量。在具有$m = O(n)$和恒定数量社区的稀疏网络中,该运行时间几乎与网络大小成线性关系。我们的算法的另一个重要特点是,它可以用于非重叠或重叠的社区。我们测试我们的算法使用LFR基准创建的Lancichinetti,Raviato,和Radicchi专门用于评估这些算法的目的。我们的算法可以竞争的最好的算法,为两个非重叠和重叠的社区,发现在全面的研究Lancichinetti和Ravinato。
2014-12-18 cs.SI physics.soc-ph
Non-Parametric Detection of Network Communities; The Natural Way; A Cascaded Stackelberg Game
现实世界的网络具有内在的动态结构,通常由成员不断变化的社区组成。识别这些社区在分析网络的结构特性时非常重要。因此,近年来已经见证了密集的研究,以解决检测这种不断变化的社区的挑战性问题。朝向社区发现的主流方法涉及在网络上优化全局分区质量度量(例如,模块化)。另一种技术,谱聚类,涉及在低维空间中映射原始数据点,其中图的聚类属性更加明显,然后应用标准聚类技术来识别社区。然而,传统的谱聚类技术不能自然地学习网络中社区的数量。这些技术是基于外部社区连接属性,往往无法识别密集网络中较小的社区结构。在这篇文章中,我们提出了一个算法,即级联Stackelberg社区发现算法(CASCODE)的启发Stackelberg双寡头博弈。该算法使用节点之间的领导者-追随者关系的概念来影响任何一个节点的行为。该算法的直观性是基于网络中进化社区的自然预期内部结构。因此,该算法能够自然地学习网络中的社区数量,而其他技术,如谱聚类,需要社区的预期数量作为输入。由于这种基于Stackelberg模型的社区发现算法是通过社区的内部结构来检测社区的,因此我们能够在密集网络中获得更精细的社区结构解析。
2018-01-18 cs.SI physics.soc-ph
Generalized Markov stability of network communities
我们通过引入马尔可夫稳定性的一般定义来解决网络中的社区检测问题,该定义基于不同时间尺度上网络上马尔可夫链的概率通量之间的差异。质量函数的具体实现和由此产生的最优社区结构因此变得依赖于马尔可夫过程的类型和所考虑的特定马尔可夫时间。例如,如果我们使用一个自然的马尔可夫链动力学,并贴现其平稳分布-也就是说,我们把无限时间的动力学作为参考过程-我们得到马尔可夫稳定性的标准公式。值得注意的是,使用有限时间转移概率来定义参考过程的可能性自然允许以不同的分辨率检测社区,而不需要考虑小时间限制中的连续时间马尔可夫链。我们的一般制定的马尔可夫稳定性的基础上动态流的主要优点是,我们的工作与集总马尔可夫链的网络分区,具有相同的平稳分布的原始过程。以这种方式的质量函数的形式成为不变的分区下,导致在不同的聚合尺度的社区结构的自洽定义。
2020-03-24 cs.SI physics.data-an 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
Mining for Geographically Disperse Communities in Social Networks by Leveraging Distance Modularity
参与者占据地理空间位置的社交网络在军事、情报和警务行动中普遍存在,如反恐、反叛乱和打击有组织犯罪。这些网络往往来自各种情报来源。发现地理上分散的社区是因为需要查明更高级别的组织结构,例如向地理上分散的各种恐怖主义小组提供支助的后勤小组。我们将Newman-Girvan模块化的一个变体应用于这个问题,称为距离模块化。为了解决这个问题,找到地理上分散的社区,我们修改了著名的鲁汶算法找到分区的网络,提供接近最佳的解决方案,这个数量。我们将该算法应用于来自两个现实世界的社交网络和恐怖主义网络数据集的大量样本,其节点具有相关的地理空间位置。我们的实验表明,这是一种有效的方法,并强调各种实际的考虑,当应用该算法的距离模块化最大化。一些军事、情报和执法组织正在与我们合作,进一步测试和部署这一新兴应用的软件。
2013-05-16 cs.SI physics.soc-ph
Ubiquitousness of link-density and link-pattern communities in real-world networks
社区结构似乎是许多复杂现实世界网络的内在属性。然而,最近的工作表明,现实世界的网络揭示了比经典的凝聚力(链接密度)社区更复杂的模块。特别是,网络也可以根据节点之间的相似连接模式自然地划分,揭示链接模式社区。在这里,我们提出了一个基于传播的算法,可以提取链接密度和链接模式社区,没有任何先验知识的真实结构。该算法首先在不同类别的具有社团结构的合成基准网络和随机网络上进行了验证。我们进一步将该算法应用于不同的社会,信息,技术和生物网络,在那里它确实揭示了有意义的(复合)链接密度和链接模式社区。因此,结果似乎意味着,类似的链接密度对应物,链接模式社区似乎无处不在的性质和设计。
2011-10-24 cs.SI physics.data-an physics.soc-ph
Exploring the solution landscape enables more reliable network community detection
为了理解一个复杂系统是如何组织和运作的,研究人员经常在系统的交互网络中识别社区。由于实际上不可能探索所有解决方案以保证最佳解决方案,因此许多社区检测算法依赖于多次随机搜索。但是,对于给定的网络和随机算法的组合,有多少次搜索足以找到足够好的解决方案?标准的方法是选择合理数量的搜索,并选择具有最高质量的网络分区,或者基于所有网络分区导出共识解决方案。然而,如果不同的分区具有相似的质量,使得解决方案景观退化,则单个最佳分区可能会错过相关信息,并且共识解决方案可能会模糊互补社区。在这里,我们解决这个退化问题的解决方案景观的粗粒度描述。我们聚类网络分区的基础上,他们的相似性,并提出了一种方法来确定所需的最小搜索次数来充分描述解决方案的景观。为了充分利用所有分区,我们还提出了不同的方法来探索解决方案的景观,包括一个显着性聚类过程。我们使用两种对比的社区检测算法在合成网络和真实网络上测试这些方法:可以识别更一般结构的算法需要更多的搜索,而具有更清晰社区结构的网络需要更少的搜索。我们还发现,探索粗粒度的解决方案景观可以揭示互补的解决方案,并实现更可靠的社区检测。
2019-09-10 cs.SI physics.soc-ph
Map equation for link community
社区结构存在于许多现实世界的网络中,并已被报道与网络的几个功能属性。传统的方法是将节点划分为社区,而最近的一些研究开始划分链接而不是节点,以有效地找到重叠的节点社区。我们扩展了地图方程方法,这是最初开发的节点社区,在网络中找到链接社区。在不同类型的网络上进行测试,并与网络元数据进行比较,结果表明该方法能够有效地识别节点的角色重叠。该方法的优点是通过测量网络中除社团结构外的未知信息,可以定量地比较节点社团方案和链路社团方案。它可以用来定量地决定是否应该使用链路社区方案来代替节点社区方案。此外,由于该方法是基于随机游动的,因此可以很容易地推广到有向网络和加权网络。
2011-08-12 cond-mat.stat-mech cs.SI 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
Emerging communities in networks - a flow of ties
该研究提出一种由微分方程驱动的网络社区流动搜索方法,通过带符号图划分和有限尺寸Sierpinski三角形社区识别两个实验,验证了方法可恢复连边离散性、处理重叠节点的有效性。
2015-05-23 cs.SI physics.soc-ph
A new hierarchical clustering algorithm to identify non-overlapping like-minded communities
如果网络中的节点可以被划分成不相交的集合,使得集合中的每个节点与集合内的其他节点紧密连接,与集合外的节点稀疏连接,则网络具有非重叠社区结构。有许多指标可以验证这种结构的有效性,如聚类系数,介数,中心性,模块性和相似性。已经提出了许多方法来优化这些指标中的一些,但没有一个在最近引入的度量相似性上效果很好。为了解决这个问题,我们提出了一种基于行为属性的算法来识别优化志同道合度量的社区,并将其性能与其他基于行为数据的方法以及仅依赖于结构数据的社区发现方法进行比较。我们在Filmtipset和Twitter的真实数据集上执行这些算法,并表明我们的算法在志同道合度量方面比现有算法表现得更好。
2016-02-24 cs.SI physics.soc-ph
Note: Distance-Based Network Partitioning
提出了一种新的网络软社区识别方法。获得参考节点,或者使用关于网络的先验信息或者根据相关节点测量来选择。然后,每个网络节点和参考节点之间的距离向量用于定义表示在许多不同尺度上的网络的社区结构的多维坐标系。对于模块化网络,节点在这个空间中的分布通常会导致一个分离良好的集群结构,每个集群对应一个社区。相对于空间网络模型和扎卡里的空手道俱乐部网络的方法的潜力进行说明。
2018-02-01 cs.SI physics.soc-ph
Discovering Communities of Community Discovery
在复杂网络中发现社区意味着将彼此相似的节点分组,以揭示关于它们的潜在信息。有数百种不同的算法来解决社区发现任务,每种算法都对“社区”有自己的理解和定义。数十篇评论文章试图对这样一个多样化的景观进行排序--通过它们用来检测社区的过程、通过它们对社区的明确定义、或者通过它们在标准化任务上的表现来对社区发现算法进行分类。在本文中,我们分类社区发现算法根据第四个标准:其结果的相似性。我们创建了一个算法相似性网络,其节点是社区发现方法,如果它们返回相似的分组,则连接。然后,我们在这个网络上执行社区发现,对算法进行分组,这些算法在一千多个合成和真实世界网络的跨度上始终返回相同的分区或重叠覆盖。本文是一个尝试,建立一个基于相似性分类的社区发现算法的基础上的经验数据。通过比较70多种方法,它改进了现有技术,发现该算法包含分离良好的组,使其成为从业者的明智工具,帮助他们选择适合其分析需求的算法。
2019-07-04 cs.SI physics.soc-ph
Community Detection with Metadata in a Network of Biographies of Western Art Painters
在这项工作中,我们看看西方艺术画家之间的影响结构,如他们在维基百科上的传记所揭示的。我们使用修改后的版本的模块化最大化与元数据检测到的艺术家划分为社区的基础上,他们所属的艺术流派和学校。然后,我们使用这个社区结构来讨论有影响力的艺术家如何超越自己的社区,并对他人产生持久的影响,提出修改标准的中心性措施。
2018-02-22 cs.SI physics.soc-ph
On weakly optimal partitions in modular networks
引入模块度作为对图中顶点集划分所导致的社区结构的一种度量。然后,它也成为一个目标函数,用于找到好的分区,具有很高的成功率。然而,一些工作已经显示出一个缩放限制和某些不稳定性时,发现社区与此标准。模块性已经被研究,提出了几种形式主义,如Potts模型中的Hamilton或谱划分中的Laplacian。在本文中,我们提出了一个新的概率形式主义来分析模块性,并从它推导出一个算法的基础上弱最优划分。该算法获得了高质量的分区,并可扩展到大型图。
2010-08-20 cond-mat.stat-mech cs.SI physics.soc-ph
A similarity-based community detection method with multiple prototype representation
社区对于理解社交网络中的图结构具有重要意义。一些现有的社区发现算法使用单个原型来表示每个组。在实际应用中,这可能无法充分模拟不同类型的社区,因此限制了社交网络上的聚类性能。针对这一问题,提出了一种基于相似性的多原型社区发现方法。在SMP中,每个社区中的顶点具有不同的权重来描述它们的代表性程度。这种机制使每个社区能够由多个节点表示。节点的中心性用于计算原型权重,而相似性用于指导我们划分图。计算机生成的和真实世界的网络上的实验结果清楚地表明,SMP执行良好的检测社区。此外,与现有的社区发现模型相比,该方法借助原型权值,能够提供更丰富的社区内部结构信息。
2015-08-25 cs.SI physics.soc-ph
Discovering link communities in complex networks by exploiting link dynamics
复杂网络中社区的发现是一个基本的数据分析问题,在许多领域都有应用。大多数现有的方法都集中在发现社区的节点,而最近的研究表明,网络中的链接社区的知识有很大的优势和效用。从这个新的角度来看,我们提出了一个基于链接动态的算法,称为UELC,用于识别网络的链接社区。在UELC中,链路-节点-链路随机游动的随机过程被用来展开网络中链路的嵌入式二分结构。然后,利用马尔可夫链的随机游走的局部混合属性来提取两个出现的链接社区。此外,随机游走和二分区过程被包裹在迭代细分策略中,以递归地识别将网络链路隔离成多个细分的链路分区。我们评估了新方法在合成基准上的性能,并在现实世界的网络上展示了其实用性。我们的实验结果表明,我们的方法是非常有效的发现复杂网络中的链接社区。作为比较,我们还扩展了UELC来提取节点的社区,并表明它是有效的节点社区识别。
2013-03-19 cond-mat.stat-mech cs.SI physics.soc-ph
Markov dynamics as a zooming lens for multiscale community detection: non clique-like communities and the field-of-view limit
近年来,复杂网络社区发现算法受到了广泛的关注。已经提出了各种各样的计算几何学,其中一些具有很长的历史,用于识别社区,或者用于识别良好的图分区。在大多数情况下,算法最大限度地提高了一个特定的目标函数,从而找到了“正确的”分裂成社区。尽管仍然缺乏对算法的彻底比较,但已经努力设计基准,即,具有已知社区结构的随机图模型,可以对算法进行评估。然而,流行的社区检测方法和基准通常假设一个隐式的社区概念的基础上,类candle子图,一种形式的社区结构,并不总是真实网络的特征。具体来说,从几何约束中产生的网络可以具有自然的非类cyclo-like子结构,具有大的有效直径,这可以被解释为长距离社区。在这项工作中,我们表明,远程社区逃避检测流行的方法,这是盲目的一个有限的“视野”的限制,一个内在的上限规模上的社区,他们可以检测到。视野限制意味着远距离社区往往被过度分割。我们展示了如何通过对社区检测采用动态视角(Delvenne et al.(2010)PNAS:107:12755-12760; Lambiotte et al.(2008)arXiv:0812.1770),其中图上的马尔可夫过程的演变被用作在所有尺度上的网络结构上的变焦镜头,人们可以检测集团或非集团样社区,而无需对检测施加上限。因此,算法在固有的低直径,类candle基准上的性能可能并不总是表示在具有本地,稀疏连接的真实网络中同样好的结果…
2012-01-17 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 extraction for social networks
分析网络,特别是发现网络中的社区一直是最近几个领域的工作重点,应用范围从引用和友谊网络到食物网和基因调控网络。现有的大多数社区检测方法都集中在将整个网络划分为社区,期望社区内有许多联系,社区之间很少有联系。然而,许多网络包含不适合任何社区的节点,强制每个节点进入社区可能会扭曲结果。在这里,我们提出了一个新的框架,专注于社区提取,而不是分区,提取一个社区的时间。提取背后的主要思想是,一个社区的力量不应该取决于其他社区成员之间的联系,而应该只取决于该社区内部的联系以及与外部世界的联系。我们表明,新的提取标准进行模拟和真实的网络,并建立我们的方法下块模型假设的渐近一致性。
2010-05-18 physics.data-an physics.soc-ph stat.ME
Communities and bottlenecks: Trees and treelike networks have high modularity
人们在理解复杂网络的模块化本质方面做了很多努力。社区,也称为集群或模块,通常被认为是密集互连的节点组,仅稀疏地连接到网络中的其他组。发现高质量的社区在许多领域都是一个困难而重要的问题。最流行的方法是被称为模块化的目标函数,用于发现社区并衡量其强度。为了理解网络的模块化结构,关键是要知道这些函数如何评估不同的拓扑结构,它们解释了哪些特征,以及它们可能做出哪些隐含假设。我们表明,树和树状网络可以有意想不到的,往往是任意高的值的模块化。这是令人惊讶的,因为树是最大稀疏连通图,通常不被认为具有模块化结构,但模块化使用的非局部空模型分配低概率,因此高意义,这些稀疏树社区的密度。我们进一步研究了流行的方法在模型树和家谱数据集上的实际性能,发现发现社区也具有非常高的模块化,通常接近其最大值。统计测试表明,社区的树木是显着的,与已知的结果稀疏,随机图的分区。
2012-06-25 cs.SI physics.data-an 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
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