Deep graph convolution neural network with non-negative matrix factorization for community discovery
社区发现是图挖掘的一个重要任务。由于图数据的非结构性、高维性和稀疏性，很难得到合适的社区划分。提出了一种基于非负矩阵分解的深度图卷积神经网络（DGCN-NMF）用于社区发现。DGCN-NMF采用多个图卷积层来获得低维嵌入。在每一层中，最后一个输出和前一个输出的非负矩阵分解的结果被输入到当前层。输入图的社区划分可以通过端到端的方法输出。在实验数据集上对所提出的算法和比较算法进行了验证。实验结果表明，该算法优于比较算法的实验数据集。实验结果表明，DGCN-NMF是一种有效的社区发现算法。
2021-03-08 cs.SI
Direct Comparative Analysis of Nature-inspired Optimization Algorithms on Community Detection Problem in Social Networks
National Institute of Technology, Silchar（锡尔查尔国家理工学院）；Université Paris-Saclay（巴黎萨克雷大学）；INRAE（法国国家农业、食品与环境研究院）
自然启发优化算法（NIOAs）是当今社交网络中社区发现的流行选择。社会网络中的社区发现问题被视为优化问题，其目标是最大化社区内的连接或最小化社区之间的连接。为了应用NIOA，对这两个目标中的一个或两个目标都进行了探讨。由于NIOA在其策略中主要利用随机性，因此有必要针对特定应用分析其性能。针对社区发现问题，分析了NIOA算法。遵循直接比较方法来执行NIOA的成对比较。根据prasatul矩阵和平均隔离度设计的五个分数来衡量性能。三个广泛使用的现实世界的社交网络和四个NIOA被认为是分析NIOA所产生的社区的质量。
2022-12-21 cs.CV cs.NA cs.NE
Using multiple-criteria methods to evaluate community partitions
社区发现是复杂网络中研究最多的问题之一。尽管到目前为止已经提出了数百种方法，但对于什么是好的社区仍然没有一个普遍接受的正式定义。因此，这些算法产生的解决方案的质量的评价和比较的问题仍然是一个悬而未决的问题，尽管不断取得进展的主题。在这篇文章中，我们将探讨如何使用多标准评估可以解决一些社区评估的现有问题，特别是多个同等相关的解决方案的不同粒度的问题。在探索了几种方法之后，我们引入了一个新的质量函数，称为MDensity，并提出了一种方法，该方法可以与广泛使用的社区发现度量，模块化，和精度/召回方法，无处不在的信息检索。
2015-02-18 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
Ensemble Clustering for Graphs: Comparisons and Applications
Tutte Institute for Mathematics and Computing（塔特数学与计算研究所）
最近，我们提出了一个新的集成聚类算法的基础上的一致性聚类的概念图（ECG）。我们验证了我们的方法，通过复制一项研究比较图聚类算法在基准图，显示心电图优于领先的算法。在本文中，我们通过考虑更广泛的基准参数来扩展我们的比较，生成具有不同属性的图。我们提供了新的实验结果表明，心电图算法解决了众所周知的分辨率限制问题，它导致更好的稳定性的分区。我们还说明了如何与ECG获得的合奏可以用来量化社区结构的存在图中，并放大与种子顶点最密切相关的子图。最后，我们说明了进一步的应用心电图通过比较它与以前的结果加权图上的社区发现，社区感知异常检测。
2019-03-19 cs.LG cs.SI stat.ML
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
Surviving an "Eternal September" - How an Online Community Managed a Surge of Newcomers
我们对Reddit内的NoSleep社区参与者进行了定性分析，数百万粉丝和恐怖小说作家聚集在那里。我们将探讨社区如何处理新成员的大规模、突然和持续增加。虽然现有的理论和故事，如Usenet臭名昭著的“永恒的九月”表明，大量涌入的新来者可能会伤害在线社区，我们的采访表明，NoSleep幸存下来，没有重大事件。我们提出NoSleep的三个特征使其能够优雅地管理新来者的快速涌入：（1）一个活跃且协调良好的管理员群体，（2）促进社区适度的共同社区意识，以及（3）减轻规范违反的技术系统。我们还指出了几个重要的权衡和限制。
2016-05-28 cs.CY cs.HC cs.SI
Community detection on directed networks with missing edges
本文扩展 Flow Stability 框架，利用节点出度的已知不确定性水平，在含缺失链接的加权有向网络中提升社区检测的鲁棒性，并通过合成网络与 Telegram 真实网络验证其可靠性。
2024-10-25 cs.SI physics.soc-ph
Multiscale Evolutionary Perturbation Attack on Community Detection
社区发现的目的是根据节点之间的连接关系对节点进行分组，它在网络分析中起着重要的作用，因为社区被视为元节点，允许我们创建一个大规模的网络地图，以简化其分析。然而，出于隐私原因，我们可能希望在某些情况下防止社区被发现，从而导致社区欺骗的话题。在本文中，我们形式化这个社区发现攻击问题在三个尺度，包括全球攻击（宏观），目标社区攻击（中尺度）和目标节点攻击（微观）。我们将其视为一个优化问题，并进一步提出了一种新的进化扰动攻击（EPA）方法，在那里我们生成对抗网络来实现社区发现攻击。数值实验验证了我们的EPA可以成功地攻击所有三个尺度上的网络社区算法，即，隐藏目标节点或社区，并通过仅改变一小部分链接来进一步扰乱整个网络的社区结构。相比之下，我们的EPA在六个合成网络和三个真实网络上的表现优于一些基线攻击方法。更有趣的是，虽然我们的EPA是基于louvain算法，它也是有效的攻击其他社区发现算法，验证了其良好的可移植性。
2021-02-08 cs.SI physics.soc-ph
Sentiment-driven Community Profiling and Detection on Social Media
Web 2.0有助于扩大许多问题的对话范围和深度，并促进在线社区的形成。在线社区根据不同的人对一系列核心问题的共同意见将他们聚集在一起。大多数现有的社区发现方法仅仅关注于发现社区，而没有提供关于社区成员的集体意见和社区形成背后的动机的任何见解。已经做出了一些努力来解决这个问题，提出了一套关键字作为社区概况。然而，他们忽视了社区成员对关键词的立场，这对于在社交媒体高度两极分化的氛围中理解社区起着重要作用。为此，我们提出了一个情绪驱动的社区分析和检测框架，其目的是提供社区配置文件，分别呈现社区成员的积极和消极的集体意见。在这方面，我们的框架首先提取用户的消息中的关键表达作为问题的代表，然后确定用户对这些关键表达的积极/消极态度。接下来，它揭示了一个低维的潜在空间，以便根据用户的意见和社交互动对用户进行聚类（即，转推）。我们通过定量和定性评估来证明我们的框架的有效性。
2018-05-10 cs.SI
Replications in quantitative and qualitative methods: a new era for commensurable digital social sciences
社会科学是建立在比较方法集合实地工作和数据，无论是定量或定性。大数据提供了新的机会来扩展这一要求，以构建可扩展的数据集。本文讲述了前两个量化时代（人口普查和民意调查）的故事，以证明需要一个新的机构被认为是新一代社会科学的目标：行动者网络理论提出的对象和在数字网络中传播的复制。拉图尔的topofil博阿维斯塔的案例研究重新探讨如何定性的方法，致力于比较和演员网络理论的方法扩展复制理论可以提供新的见解，从任何领域的研究，并可能使用数字资源这样做。
2019-02-15 cs.SI
Comparative analysis on the selection of number of clusters in community detection
我们对社区发现中聚类数的各种估计进行了比较分析。详尽的比较需要测试框架、算法和评估标准的所有可能组合。在本文中，我们专注于基于随机块模型的框架，并调查的性能贪心算法，统计推断，谱方法。对于评估标准，我们考虑模块化，地图方程，贝特自由能，预测误差，和孤立的特征值。从分析中，评估标准和算法具有的过拟合和欠拟合趋势变得明显。此外，我们建议，冲积图是一个合适的工具来可视化统计推断结果，可以是有用的，以确定集群的数量。
2018-03-07 cs.SI physics.soc-ph
Efficient Community Detection in Large Networks using Content and Links
在本文中，我们讨论了一个非常简单的方法相结合的内容和链接信息的图形结构的社区发现的目的，在网络分析中的一项基本任务。我们的方法取决于基本的直觉，即许多网络在链接结构中包含噪声，并且内容信息可以帮助加强社区信号。这使人们能够消除噪声的影响（假阳性和假阴性），这是特别普遍的在线社交网络和Web规模的信息网络。具体来说，我们引入了一个衡量网络中两个节点之间的信号强度，通过融合它们的链接强度与内容相似性。链路强度是基于链路是否可能（以高概率）驻留在社区内来估计的。通过余弦相似度或Jaccard系数来估计内容相似度。我们讨论了一个简单的机制，融合内容和链接的相似性。然后，我们提出了一个有偏的边缘采样过程，它保留了每个图节点的局部相关的边缘。可以使用标准的社区发现算法（例如Metis和Markov聚类）来聚类所得到的骨干图。通过对具有不同大小和特征的多个真实世界数据集（Flickr，Wikipedia和CiteSeer）的广泛实验，我们证明了我们的方法在最先进的学习和挖掘方法中的有效性和效率，其中一些方法还试图将链接和内容分析结合起来用于社区发现。具体来说，我们总是发现一个定性的好处时，结合内容与链接分析。此外，我们的有偏图采样方法实现了定量的好处，因为它通常比竞争方法快几个数量级。
2012-12-01 cs.SI physics.soc-ph
Community detection in networks without observing edges
Imperial College（帝国理工学院）；Université Catholique de Louvain（天主教鲁汶大学）；University of Oxford（牛津大学）
我们开发了一个贝叶斯分层模型来识别网络中的社区，我们不直接观察边缘，而是观察每个节点的一系列相互依赖的信号。拟合模型提供了一种端到端的社区发现算法，该算法不提取作为点估计序列的信息，而是将不确定性从原始数据传播到社区标签。我们的方法自然支持多尺度社区发现，以及使用模型比较的最佳规模的选择。我们使用合成数据研究了算法的性能，并将其应用于标准普尔100指数成分股的每日收益以及美国城市的气候数据。
2020-02-11 cs.LG cs.SI physics.soc-ph
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
Measuring and Modeling Bipartite Graphs with Community Structure
网络科学是分析从社会学到工程学再到生物学等领域复杂系统的有力工具。本文主要研究大规模二部图（也称为双向图或双模网络）的生成模型。我们提出了两个生成模型，可以轻松调整以再现现实世界网络的特征，不仅是定性的，而且是定量的。我们考虑的特征是度分布和变态系数。变态系数是聚类系数的二分类似物，是参与长度为4的循环的长度为3的路径的比例。变态系数高是群落结构紧密的必要条件。我们定义了边，节点和度变态系数，使更详细的了解的二分连接，这是不能解释的程度分布单独。我们的第一个模型，二分Chung-Lu（CL），能够再现真实世界的度分布，我们的第二个模型，二分块两级Erdös-Rényi（BTER），再现度分布以及度变态系数。我们证明了这些模型的有效性在几个现实世界的数据集。
2016-10-29 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
Hide and Seek: Outwitting Community Detection Algorithms
IIIT-Delhi（德里印度信息技术学院）
节点的社区归属在确定其在网络中的上下文位置方面起着重要作用，这可能会在敏感节点想要在网络中隐藏其身份时引起隐私问题。通常，目标社区寻求保护自己免受对手的攻击，以便其组成成员仍然隐藏在网络中。目前的研究重点是隐藏这样的敏感社区，使社区成员的目标节点可以被隐藏。这导致了社区欺骗的问题，该问题调查了网络中最小化重新布线节点的途径，使得给定的目标社区最大限度地隐藏于社区发现算法之外。我们正式的社区欺骗的问题，并介绍神经，一种新的方法，greetly优化以节点为中心的目标函数，以确定重新布线策略。理论设置对可用于优化目标函数的策略的数量进行了限制，这反过来又减少了从多个选项中选择最佳策略的开销。我们还表明，我们的目标函数是次模和单调。当在合成网络和7个真实网络上进行测试时，NEURAL能够欺骗6个广泛使用的社区发现算法。我们将其性能与4个评估指标上的4种最先进的方法进行基准测试。此外，我们对其他3个真实世界网络的定性分析表明，NEURAL非常引人注目地捕获了关于边的重要元信息，这些信息无法通过仅观察其拓扑结构来推断。
2021-02-22 cs.LG cs.SI physics.soc-ph
Constrained Enumeration Reveals Hidden Optima and Precision-Dependent Degeneracy in Modularity-Based Community Detection
Area Science Park（地区科学园）
本文提出两阶段约束枚举方法，通过采样至新颖性饱和并锁定稳定核心枚举残余歧义，扩展平台覆盖并提升模块度，同时揭示边权重舍入对平台结构的精度依赖影响。
2026-09-30 cs.SI
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
Local multiresolution order in community detection
社区检测算法试图在任意复杂网络中找到最佳的节点簇。多尺度（“多分辨率”）社区检测扩展了这个问题，以确定这些集群的最佳网络规模。后一项任务通常通过同时分析网络中所有集群的社区稳定性来完成。在目前的工作中，我们扩展了这种一般的方法来定义本地多分辨率方法，使定义良好的本地社区的提取，即使在平均意义上的全球社区结构定义模糊。为此，我们提出了类似于变化的信息和归一化的互信息，用于定量识别的最佳分辨率（S）在社区层面上的集群在独立解决的系统之间的相关性的基础上的措施。我们证明了我们的方法在两个构建的网络，以及一个真正的网络，并得出推论当地社区的力量。我们的方法是独立的应用社区检测算法保存的固有要求，该方法能够识别社区在不同的网络规模，适当的变化，以考虑如何不同的分辨率进行评估或定义在一个特定的社区检测方法。原则上，它应该很容易适应其他社区比较措施。
2014-11-19 cond-mat.stat-mech cs.SI physics.soc-ph
Spatial-Aware Local Community Detection Guided by Dominance Relation
在地理社交网络中定义和研究了为给定节点寻找空间感知社区的问题。然而，现有的研究遭受两个局限性：a）定义社区的标准是由参数，这是很难设置; b）算法可能需要全局信息，不适合的情况下，网络是不完整的。因此，我们提出了空间感知的局部社区发现（SLCD），它发现的空间感知的局部社区只有本地信息，并定义社区的基础上的边缘的稀疏性的差异内和社区外。针对SLCD问题，设计了一种基于优势关系的空间感知局部社区发现算法，但该算法代价较高。为了进一步提高效率，我们提出了一个近似算法。实验结果表明，该近似算法的性能优于比较算法.
2022-03-29 cs.SI
Comparative Evaluation of Community Detection Algorithms: A Topological Approach
社区发现是复杂网络分析中最活跃的研究领域之一，具有潜在的应用价值。许多作品的灵感来自于不同的范例，致力于算法解决方案的发展，允许揭示网络结构，在这样的凝聚子群。文献中报道的比较研究通常依赖于将社区结构视为分区的性能度量（兰德指数，归一化互信息等）。然而，这种类型的比较忽略了社区的拓扑性质。在这篇文章中，我们提出了一个全面的比较研究的一组有代表性的社区发现方法，我们采用这两种类型的评价。面向社区的拓扑措施被用来限定社区，并评估其偏离参考结构。为了模拟真实世界的系统，我们使用人工生成的真实网络。事实证明，这两种方法之间并不等价：高性能不一定对应于正确的拓扑性质，反之亦然。因此，它们可以被认为是互补的，我们建议同时使用它们，以便进行完整和准确的评估。
2012-06-21 cs.SI physics.soc-ph
Community detection in networks: A user guide
网络社区发现是现代网络科学研究的热点之一。社区或集群通常是顶点的组，它们彼此连接的概率高于与其他组的成员连接的概率，尽管其他模式也是可能的。识别社区是一个定义不清的问题。在基本要素上没有通用的协议，比如社区本身的定义，也没有其他关键问题，比如算法的验证和性能的比较。这造成了一些混淆和误解，破坏了该领域的进展。我们提供了一个导游通过问题的主要方面。我们还指出了流行的方法的优点和缺点，并指导他们的使用。
2016-11-03 cs.IR cs.SI physics.soc-ph
Community detection in multiplex networks using locally adaptive random walks
多重网络是一种特殊类型的多层网络，越来越多地应用于从社交媒体分析到生物学的许多领域。在这些应用程序中的一个共同的任务涉及社区结构的检测。许多现有的多路复用中的社区发现算法试图检测由所有层共享的社区。在这篇文章中，我们提出了一个社区发现算法，LART（局部自适应随机转换），用于检测社区共享的一些或所有层的复用。该算法是基于一个随机游走的多重，和定义的随机游走的转移概率被允许依赖于在任何给定的节点，以促进社区的探索层之间的局部拓扑相似性。基于这种随机游走，推导出节点相异性度量，并基于该距离以分层方式对节点进行聚类。我们目前的实验结果，使用网络模拟在各种情况下，展示LART的性能相比，相关的社区发现算法。
2015-07-20 cs.SI physics.soc-ph stat.ML
Total variation based community detection using a nonlinear optimization approach
最大化网络的模块化是识别重要节点社区的成功工具。然而，这个组合优化问题是NP完全的。受最近的非线性模块化特征向量方法的启发，我们引入了模块化总变差$TV_Q$，并证明了其框约束的全局最大值与原始离散模块化函数的最大值相一致。因此，我们描述了一个新的非线性优化方法来解决等价的问题，导致社区发现策略的基础上$TV_Q$。所提出的方法依赖于使用一个快速的一阶方法，嵌入一个定制的活动集策略。我们报告了广泛的数值比较与标准的基于矩阵的方法和广义RatioDCA方法的非线性模块化特征向量，表明我们的新方法相比，有利的国家的最先进的替代品。
2020-06-05 cs.SI math.OC physics.soc-ph
Group detection in complex networks: An algorithm and comparison of the state of the art
复杂的现实世界网络通常揭示了社区和模块等节点的特征组。这些在各种应用中具有价值，特别是在大型社会和信息网络的情况下。然而，虽然许多社区发现技术已经在文献中提出，其他组的节点的方法是相对罕见的，往往在某种程度上受到限制。我们提出了一个简单的基于传播的算法一般组检测，不需要先验知识，并具有接近理想的复杂度。这里的主要新颖之处是，不同类型的群体，揭示了通过一个适当的层次组细化过程。所提出的算法在各种合成和真实世界的网络上进行了验证，并与其他12个国家的最先进的方法组检测，层次结构发现和链接预测任务进行了严格的比较。该算法在社区发现方面与现有技术相当，而在一般组检测和链接预测方面更胜一筹。在比较的基础上，我们还讨论了复杂网络中群体检测的一些重要研究方向。
2013-12-27 cs.SI physics.data-an physics.soc-ph
Social significance of community structure: Statistical view
社区结构分析是研究社交网络的有力工具，它可以大大简化网络的拓扑和功能分析。然而，由于社团发现方法具有随机性，而从复杂系统中得到的真实社交网络往往含有错误边，因此评价社团结构划分的意义是一个迫切而重要的问题。本文结合现实社会的具体特点，提出了一个专门分析社会共同体意义的新框架。社会互动的动力学建模识别社会领袖和相应的层次结构。我们不是直接与随机模型的平均结果进行比较，而是通过公共邻居的数量来计算给定节点与领导者的相似性。为了确定社区成员向量，提出了一种基于节点位置及其领导者的社区发现算法。然后，使用对数似然得分，社区的紧密度可以得到。基于群落紧密度的分布，建立了$p$ -值理论与网络分析的新联系，并得到了一种新的统计形式的显著性测度。最后，该框架被应用到基准网络和真实的社交网络。实验结果表明，本文的工作可用于确定最优社区数目、分析给定社区的社会意义、比较各种算法的性能等领域。
2015-05-08 cs.SI physics.soc-ph
Different approaches to community detection
网络社区的确切定义仍然难以捉摸。因此，网络科学家将基准网络上的社区发现算法与特定形式的社区结构进行了比较，并根据它们采用的数学技术对其进行了分类。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性可能会掩盖我们为什么要首先使用社区发现的不同原因。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，强调不同的方法来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。
2017-12-18 cs.SI physics.data-an physics.soc-ph
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
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
Community extraction in multilayer networks with heterogeneous community structure
多层网络是捕获和建模固定对象组之间的多重、二元或加权关系的有用方法。虽然社区发现已被证明是一个有用的探索性技术，单层网络的分析，社区发现方法的发展，多层网络仍处于起步阶段。我们提出并研究了一个程序，称为多层提取，确定密集连接的顶点层集在多层网络。多层提取利用基于显著性的分数，该分数通过与固定度随机图模型进行比较来量化观察到的顶点层集合的连通性。多层提取直接处理具有异构层的网络，其中社区结构可能因层而异。该过程可以捕获重叠的社区，以及不属于任何社区的背景顶点层对。我们建立一致性的顶点层集优化我们提出的多层评分多层随机块模型下。我们调查的性能多层提取三个应用程序和模拟测试床。我们的理论和数值评估表明，多层提取是一个有效的探索工具，分析复杂的多层网络。可在https://github.com/jdwilson4/MultilayerExtraction上获得用于多层提取的公开可用R软件。
2017-11-07 cs.SI physics.soc-ph stat.ME
A new method for community detection in social networks based on message distribution
社交网络是由人与人之间的关系组成的社会结构，在数据扩展中发挥着重要的作用。在这样的网络中，社区被认为是经常相互交互的用户组。本文将介绍一种能够适应不同类型的社交网络，并与现实世界同步的社区发现方法。本文定义的一个重要参数是网络节点之间的消息传输速率，这个参数将被动态地研究。在该策略中，网络在不同的时间间隔进行审查，节点之间的关系被增强或减弱。因此，网络的拓扑结构响应于用户的行为而不断变化。所提出的算法中定义的参数能够采用不同类型的社交网络，并且将权重分配给每个参数，该权重指示该参数与其他参数相比的相对重要性。计算结果表明，与同类方法相比，该方法能取得较好的效果。
2020-11-25 cs.SI
A Majority-Vote Model On Multiplex Networks with Community Structure
研究了具有社团结构的二层多路复用网络中的多数投票模型。在我们的多数投票模型中，每一层上的边编码一种类型的社会关系，个人根据每一层中邻居的多数意见改变自己的意见。要捕捉的事实，不同的关系往往有不同程度的重要性，我们引入了一个层偏好参数，它决定了一个节点的概率，采用一个意见时，节点的邻居在两个层有不同的多数意见。我们构建网络，使得每个节点都是每层上一个社区的成员，并且我们考虑节点与来自同一社区的节点的连接往往多于与来自不同社区的节点的连接的情况。我们研究的层偏好参数的影响，层内社区，和层间成员的相关性对我们的模型的稳态行为，使用直接数值模拟和平均场近似。我们发现三种不同类型的稳态行为：完全混合状态，共识状态和极化状态。我们证明了一个更强的层间社区的相关性，使极化的稳定状态达到更广泛的范围内的其他模型参数。我们还表明，不同的层偏好参数值的结果在定性不同的相图的平均意见在稳定状态。
2022-06-27 cond-mat.stat-mech cs.SI math.DS
Growing networks of overlapping communities with internal structure
我们引入了一个直观的模型，描述了社区结构的出现和社区内部结构的演变不断增长的社交网络。该模型包括两个互补的机制：一个机制占一个单一的社区的内部链接结构的演变，第二个机制协调多个重叠的社区的增长。第一种机制是基于这样的假设，即每个节点与其邻居建立链路，并以不同的速率向社区引入新节点。我们证明，这个简单的机制，产生了有效的最大程度的社区内。这一观察与人类学理论邓巴数有关，即，对一个普通个体在其社会群体中所能维持的最大数量的联系的经验性观察。第二种机制是基于最近提出的对社区结构的偏好附着的概括，适当地称为结构偏好附着（SPA）。将这两种机制结合到一个模型（SPA+）中，使我们能够再现真实网络的一些全局统计数据：社区大小、节点成员和度的分布。SPA+模型还预测了（a）重叠社区内度分布的三种定性制度，以及（b）节点所属社区数量与每个社区内连接数量之间的强相关性。我们提出的经验证据，支持我们的研究结果在真正的复杂网络。
2016-08-25 cs.SI physics.soc-ph
Spectral methods for the detection of network community structure: a comparative analysis
谱分析已经成功地应用于网络社团结构的检测，分别基于邻接矩阵、标准拉普拉斯矩阵、归一化拉普拉斯矩阵、模块度矩阵、相关矩阵以及这些矩阵的其他几种变体。然而，这些光谱方法之间的比较报道较少。更重要的是，目前还不清楚哪种矩阵更适合于检测社区结构。本文回答了这个问题，通过评估这五个矩阵的有效性对基准网络的异构分布的节点度和社区规模。测试结果表明，归一化拉普拉斯矩阵和相关矩阵在识别网络社团结构方面明显优于其他三种矩阵。这表明，在利用谱分析进行社区结构检测时，考虑节点度的异质性分布是至关重要的。此外，模块度矩阵与邻接矩阵的性能非常相似，表明模块度矩阵在考虑节点度异质性的情况下，并不能从配置模型中获得预期的效果。
2010-10-20 cond-mat.stat-mech cs.SI 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
Predicting Successful Memes using Network and Community Structure
我们研究成功的模因的可预测性，使用其早期的传播模式，在潜在的社交网络。我们提出并分析了一套全面的功能，并制定了一个准确的模型来预测未来流行的模因鉴于其早期的传播模式。我们的论文首次全面比较了现有的预测框架。我们将我们的特征分为三组：早期采用者的影响，社区集中度和采用时间序列的特征。我们发现，基于社区结构的功能是未来成功的最有力的预测。我们还发现，早期流行的模因是不是一个很好的预测其未来的流行程度，与普遍的信念。我们的方法优于其他方法，特别是在检测非常流行或不流行的模因的任务中。
2014-05-30 cs.CY cs.SI physics.data-an
Phase Transitions in Community Detection: A Solvable Toy Model
最近的研究表明，在社区发现问题中存在相变。这种跃迁首先是用腔方法计算的，并且在$q=2$群的情况下得到了严格的证明。然而，使用腔方法的分析计算是具有挑战性的，因为它们要求我们理解消息的概率分布。我们研究类似的过渡，在所谓的“零温度推断”模型，这种分布只支持最有可能的消息。此外，只要有几个消息的可能性相等，我们就可以通过以相等的概率在其中进行选择来打破平局。虽然所得到的分析没有给出正确的阈值，但它确实再现了系统的一些定性特征。它预测一个一阶的可探测性转变时，$q > 2$，而有限温度腔的方法表明，这是只有当$q > 4$。它也有一个类似于“硬但可检测”阶段的机制，在这个阶段，社区结构可以部分恢复，但只有在初始消息足够准确的情况下。最后，我们研究了一个半监督设置，我们给出了正确的标签的一部分$ρ$的节点。对于$q > 2$，我们发现一个政权的准确度跳跃不连续的$ρ$的临界值。
2013-12-02 cond-mat.stat-mech 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
Exact Community Recovery in the Geometric SBM
研究几何随机块模型中的精确社区恢复问题，提出一种两阶段线性时间算法，在信息论阈值下成功恢复社区标签，证实了先前猜想。
2024-01-05 cs.SI math.PR math.ST
Privacy Concerns vs. User Behavior in Community Question Answering
基于社区的问答（CQA）平台是一种众包服务，用于分享从机械维修到育儿等各种主题的用户专业知识。虽然它们自然地内置了在线社交网络基础设施，但它们与Facebook之类的社交网络有着非常不同的目的，在Facebook上，用户与他们的朋友“闲逛”，倾向于分享更多的个人信息。因此，尚不清楚在线社交网络中的隐私问题及其与用户行为的相关性如何转化为CQA平台。这项研究分析了一个成熟的CQA平台一年的记录跟踪，以了解用户的隐私问题之间的关联，这些问题体现在他们的帐户设置和他们在平台上的活动。研究结果表明，隐私偏好与社区中的行为相关，包括参与度，保留度，成就和偏离规范。我们发现，隐私关注的用户有更高的质量和数量的贡献，表现出更高的保留，报告更多的滥用，有更高的感知答案的质量和更大的社交圈。然而，与此同时，这些用户也比具有公共配置文件的用户表现出更多的偏差行为。
2015-08-25 cs.CY cs.SI
Self-Supervised Deep Graph Embedding with High-Order Information Fusion for Community Discovery
Dalian University of Technology（大连理工大学）
深度图嵌入是社区发现的一种重要方法。具有自监督机制的深度图神经网络可以从未标记和非结构化的图数据中获取节点的低维嵌入向量。图的高阶信息可以为节点的表示学习提供更丰富的结构信息。然而，由于图神经网络的层数有限，大多数自监督图神经网络只使用邻接矩阵作为图的输入拓扑信息，不能获得太高的阶信息。如果有太多的层，过度平滑的现象会出现。因此，如何利用浅层图神经网络获取并融合图的高阶信息是一个重要的问题。提出了一种基于自监督机制的深度图嵌入算法。该算法利用自监督机制和图的不同高阶信息训练多个深度图卷积神经网络。该方法将多个图卷积神经网络的输出进行融合，提取包含图的属性和结构信息的节点表示。此外，在训练过程中引入了数据增强和负采样，以提高嵌入效果。在五个实验数据集上对所提出的算法和比较算法进行了实验。实验结果表明，在大多数实验数据集上，该算法的性能优于对比算法。实验结果表明，该算法是一种有效的社区发现算法。
2021-02-08 cs.AI cs.SI
Generalized Measures for the Evaluation of Community Detection Methods
社区发现可以被认为是聚类分析应用于复杂网络的一种变体。出于这个原因，所有现有的研究都使用来自这个领域的工具时，评估社区发现算法。然而，这些在网络分析中并不完全相关，因为它们忽略了可用信息的一个重要部分：网络结构。因此，它们可能导致不正确的解释。在这篇文章中，我们回顾了这些措施，并说明了这种局限性。我们提出了一个修改来解决这个问题，并将其应用到三个最广泛的措施：纯度，兰德指数和归一化互信息（NMI）。然后，我们对人工生成的具有现实社区结构的网络进行了实验评估。我们评估的相关性修改后的措施与传统的同行相比，也相对于社区结构的拓扑性质。在这些数据上，修改后的NMI提供了最相关的结果。
2016-05-17 cs.SI math.ST physics.soc-ph
Community Detection of Complex Network Based on Graph Convolution Iterative Algorithm
本文提出一种结合随机采样、节点距离属性矩阵与图卷积迭代的复杂网络社区发现方法，并通过模块度及多类网络实验验证其有效性。
2024-11-28 cs.SI
Engineering Parallel Algorithms for Community Detection in Massive Networks
图结构数据的数量最近在许多应用中经历了巨大的增长。为了将这些数据转换为有用的信息，快速分析算法和软件工具是必要的。一个常见的图分析内核是不相交社区发现（或图聚类）。尽管对这个任务的启发式求解器进行了广泛的研究，但只有很少的并行代码存在，尽管并行性对于扩展到现实世界应用的数据量是必要的。我们解决了计算能力的不足，通过一个灵活的和可扩展的社区发现框架与共享内存并行。在这个框架内，我们设计和实现高效的并行社区发现算法：一个并行标签传播计划;第一次大规模并行化的著名的鲁汶方法，以及扩展的方法添加细化;和合奏计划结合上述。在广泛的实验驱动的算法工程范式，我们确定了最成功的参数和这些算法的组合。我们还将我们的实现与最先进的竞争对手进行了比较。我们最快的算法的处理速度往往达到50 M边缘/秒。我们建议并行的Louvain方法和我们的变种与细化定性强和快速。我们的方法适用于具有数十亿条边的海量数据集。
2015-02-02 cs.DC cs.SI
Community structure: A comparative evaluation of community detection methods
IMT Atlantique；Lab-STICC CNRS UMR 6285
发现复杂网络中的社团结构是一个成熟的领域，因为大量的社区发现方法已经在文献中被介绍。然而，对于实践者来说，确定哪种方法适合深入了解他们所研究的网络的结构信息仍然是非常具有挑战性的。最近的许多努力已经致力于调查社区结构的各种质量分数，但区分不同类型的社区的问题仍然是开放的。在本文中，我们提出了一项比较、广泛和实证的研究，以调查许多最先进和众所周知的社区发现方法正在产生哪些类型的社区。具体来说，我们提供了全面的分析计算时间，社区规模分布，根据他们的优化方案的方法的比较评估，以及比较他们的分割策略，通过验证指标。我们对来自五个不同网络类别的数百个网络的非常大的语料库进行了分析，并提出了对社区发现方法进行分类的方法，帮助潜在用户浏览社区发现的复杂景观。
2019-11-04 cs.LG cs.SI stat.ML
Community Detection in Bipartite Networks with Stochastic Blockmodels
University of Colorado（科罗拉多大学）；BioFrontiers Institute（生物前沿研究所）
在二分网络中，社区结构被限制为区分性的，因为一种类型的节点根据与另一种类型的节点的共同连接模式进行分组。这使得随机块模型（SBM），一个高度灵活的生成模型的网络块结构，一个直观的选择二分社区检测。然而，SBM的典型公式不使用二分网络的特殊结构。在这里，我们介绍了贝叶斯非参数制定的SBM和相应的算法，以有效地找到社区的二分网络吝啬地选择社区的数量。当数据有噪声时，biSBM改进了一般SBM的社区检测结果，将模型分辨率限制提高了$\sqrt{2}$倍，并扩展了我们对与社区检测任务相关的复杂优化环境的理解。在biSBM和相关的高分辨率分层SBM的先验分布的某些条款的直接比较也揭示了一个违反直觉的制度的社区检测问题，由更小和更稀疏的网络，其中非分层模型优于其更灵活的对应。
2020-09-29 cs.LG cs.SI physics.soc-ph
Immunization Strategies Based on the Overlapping Nodes in Networks with Community Structure
了解网络拓扑结构如何影响流行病的传播是一个主要的问题，以制定有效的免疫策略。虽然有大量的工作处理网络的宏观拓扑性质，很少有研究致力于社区结构的影响。此外，虽然在许多现实世界的网络社区可能会重叠，在这些研究中，非重叠的社区结构被认为是。为了深入了解重叠节点在传染过程中的影响，我们进行了实证评估的基本确定性免疫策略的重叠节点的基础上。使用经典的SIR模型在真实网络上与地面真理重叠的社区结构，我们分析如何免疫的基础上重叠节点的成员数（这是社区的节点所属的数量）影响最大的连接组件的大小。与随机免疫策略设计的网络与非重叠的社区结构的比较表明，重叠的节点在流行病的过程中发挥了重要作用。
2022-12-30 cs.SI
Affiliation-based Local Community Detection across Multiple Networks
针对多领域网络，提出基于节点隶属关系的局部社区检测算法LAMA，通过优化隶属关系并确保跨网络一致性，在合成与真实数据集上优于现有方法。
2024-12-14 cs.SI
GA Based Q-Attack on Community Detection
社区发现在社交网络中起着重要的作用，因为它可以帮助自然地将网络划分为更小的部分，从而简化网络分析。然而，另一方面，它引起了个人信息可能被过度挖掘的担忧，因此提出了社区欺骗的概念，以保护社交网络上的个人隐私。在这里，我们介绍和形式化的问题，社区发现攻击和开发有效的策略，攻击社区发现算法通过重新布线少量的连接，导致个人隐私保护。特别地，我们首先给出两种启发式攻击策略，即，社区发现攻击（CDA）和基于度的攻击（DBA）作为基准，分别利用检测到的社区结构和节点度信息。在此基础上，提出了一种基于遗传算法的Q攻击算法。在两个社交网络上对三种基于模块化的社区发现算法进行了基于上述三种策略的社区发现攻击。通过比较，我们的Q攻击方法取得了更好的攻击效果比CDA和DBA，在更大的减少模块性Q和归一化互信息（NMI）。此外，我们还发现Q-Attack算法对特定社区发现算法的攻击所得到的对抗网络对其他算法的攻击仍然有效，无论它们是否是基于模块的，这表明Q-Attack算法具有很强的可移植性。
2019-05-05 cs.SI
Explicit objective functions in modularity-based community detection on multiplex networks
Delft University of Technology（代尔夫特理工大学）；KairosHelix, Inc.（KairosHelix公司）
本文针对多重网络中的模块度社区检测，分析比较了早期融合、同时融合和晚期融合三种策略的目标函数，揭示了它们之间的显式关系，并通过实验验证了理论结果。
2026-10-19 cs.SI
Clustering scientific publications based on citation relations: A systematic comparison of different methods
聚类方法经常应用于文献计量学文献中，以确定研究领域或科学领域。例如，这些方法用于基于出版物在引文网络中的关系将出版物分组为集群。在网络科学文献中，已经开发了许多聚类方法，通常称为图划分或社区发现技术。针对引文网络中出版物的聚类问题，我们系统地比较了大量这些聚类方法的性能。使用一些不同的引文网络，其中一些相对较小，其他非常大，我们广泛研究的统计特性的结果提供了不同的方法。此外，我们还对不同方法产生的结果进行了基于专家的评估。专家评估侧重于科学计量学领域的出版物。我们的研究结果似乎表明，有一个权衡不同的属性，可能被认为是可取的一个良好的集群的出版物。总的来说，地图方程方法似乎在我们的分析中表现最好，这表明这些方法值得文献计量学界更多的关注。
2016-04-29 cs.DL cs.SI physics.data-an
Why the Metric Backbone Preserves Community Structure
EPFL（洛桑联邦理工学院）
本文针对具有社区的加权随机图，形式化证明了度量骨干在删除非最短路径边后仍能保持社区结构的鲁棒性，并通过实证比较验证其作为高效稀疏化器的优势。
2024-12-30 cs.LG cs.SI math.PR
