Random walks and community detection in hypergraphs
我们提出了一个参数家庭的超图上的随机游走过程，其中一个参数的偏差的动态的步行者对超边的低或高基数。我们表明，对于每个值的参数所产生的过程定义自己的超图投影上的加权网络。然后，我们通过考虑与每个随机游走过程相关的社区结构来探索它们之间的差异。要做到这一点，我们概括的马尔可夫稳定性框架超图和人工和现实世界的超图测试。
2020-10-27 cond-mat.stat-mech cs.SI math.DS
Community detection in network using Szegedy quantum walk
National Institute of Technology Agartala（阿加塔拉国立技术学院）
本文提出利用Szegedy量子行走方法，通过量子行走的极限概率分布发现网络中的社区结构。
2026-02-09 cs.SI math.CO physics.soc-ph
Improving PageRank for Local Community Detection
社区发现是图挖掘领域的一个经典问题。虽然大多数算法都适用于整个图，但在实践中，只恢复包含某个给定种子节点集的社区通常是有趣的。在本文中，我们提出了一种新的方法来解决这个问题，使用一些低维嵌入的图的基础上从种子节点开始的随机游走。从这个嵌入，我们提出了一些简单而有效的版本的PageRank算法，以及一种新的算法，称为WalkSCAN，能够检测多个社区，可能重叠。我们通过对一个玩具网络的理论分析，深入了解这些算法的性能，并表明WalkSCAN在真实网络上的性能优于现有算法。
2016-11-07 cs.SI physics.soc-ph
Community detection in networks using self-avoiding random walks
不同类型的随机游动在复杂网络的结构特性研究中被证明是有用的。其中，自避免随机游动（SAW）的限制动力学，在同一个行走中的每个顶点最多只访问一次，已被成功地用于网络探索。网络中强连通顶点社区的检测仍然是一个开放的问题，尽管它的重要性，由于相关的优化问题的高计算复杂性和缺乏一个唯一的正式定义的社区。在这项工作中，我们提出了一种基于SAW的方法来提取网络的社区分布，并表明它实现了很高的模块化分数，特别是对于现实世界的网络。我们结合SAW与主成分分析来定义用于凝聚层次聚类的相异性度量。为了评估该方法的性能，我们将其与四种流行的社区检测方法进行比较：Girvan-Newman，Fastgreedy，Walktrap和Infomap，使用两种类型的合成网络和六个着名的真实案例。
2018-01-21 cond-mat.stat-mech cs.SI physics.soc-ph
Quantum walks on complex networks with connection instabilities and community structure
研究了具有社团结构特征的复杂网络上的连续时间量子游走问题。受可行的量子网络的前景的启发，我专注于网络不稳定性的影响，以断开的链接的形式，并检查量子行走对这种故障的响应。结果表明，网络的社团结构决定了量子行走的重构。在这种情况下，量子行走的基础上的邻接矩阵和拉普拉斯矩阵的网络进行了比较，并分析其响应链路故障。
2011-05-19 cond-mat.dis-nn cs.SI physics.data-an
Community detection based on first passage probabilities
社区发现对于理解复杂网络的拓扑特征和传播动态具有重要意义。随机游走被广泛应用于社区发现算法中，但仍存在两个主要缺陷：（1）如果使用所有可能随机游走的平均步长，则随机游走的最大长度太大，无法区分聚类信息;（2）如果使用预先分配的最大长度，则在所有其他步长处都错过了有用的社区信息。在本文中，我们提出了一种新的社区检测方法的基础上的第一次通过概率（FPPM），配备了一个新的相似性度量，包括完整的结构信息的最大步长。这里选择网络的直径作为随机游动的一个合适的边界，它对不同的网络是自适应的。然后，我们使用层次聚类分组的顶点到社区，并进一步选择相应的模块度值的最佳划分。最后，设计了一种后处理策略，对不合理的小社区进行整合，显著提高了社区划分的准确性。令人惊讶的是，数值模拟表明，FPPM表现最好的几个经典算法相比，在合成基准和现实世界的网络，这表明我们的方法的通用性和有效性。
2020-05-05 cs.SI physics.soc-ph
Community Detection Using Slow Mixing Markov Models
图中的\emph{community detection}的任务形式化了将顶点子集分组在一起的直观任务，使得集群内的顶点比不同集群中的顶点连接得更紧密。本文通过在图上构造马尔可夫随机游动来研究图中的社区发现问题。然后，随机游走的混合特性被用来识别社区。我们使用过去的耦合作为算法原语，将行走的混合属性转化为揭示图的社区结构。我们分析了我们的算法在特定图结构上的性能，包括随机块模型（SBM）和LFR随机图。
2015-10-09 cs.SI
Two Layer Walk: A Community-Aware Graph Embedding
School of Artificial Intelligence, Xidian University（西安电子科技大学人工智能学院）；Guangzhou Institute of Technology, Xidian University（西安电子科技大学广州研究院）
针对现有图嵌入方法无法有效保留社区结构或计算成本高的问题，提出结合层次社区结构的算法 TLWalk，通过无需额外参数的社区感知随机游走平衡社区内外关系，有效缓解局部性偏差，在链路预测任务中准确率提升达 3.2%，兼具鲁棒性与可扩展性。
2024-12-18 cs.AI cs.SI
Markov random walk under constraint for discovering overlapping communities in complex networks
复杂网络中重叠社区的检测是近年来相关领域研究的热点。针对这个问题，我们提出了一个基于马尔可夫动力学的算法，称为UEOC，这意味着，“展开和提取重叠社区”。在UEOC中，当识别每个自然社区重叠，马尔可夫随机游走方法结合约束策略，这是基于相应的退火网络（度守恒随机网络），执行展开的社区。然后，一个截断标准的援助的当地社区功能，称为电导，它可以被认为是社区内的边缘和那些离开它的数量之间的比率，提出了从整个网络中提取这个新兴的社区。UEOC算法只依赖于一个参数，其值可以很容易地设置，它不需要隐藏的社区结构的先验知识。建议的UEOC已在合成基准和一些现实世界的网络进行了评估，并与一组竞争算法进行了比较。实验结果表明，UEOC是非常有效的和高效的发现重叠社区。
2013-03-22 cond-mat.stat-mech cs.SI physics.soc-ph
A new method for quantifying network cyclic structure to improve community detection
网络中社区的一个显著特性是，社区内的循环比社区间的循环更普遍。因此，这些社区的检测可以通过结合循环结构的局部“丰富度”的测量来帮助。在本文中，我们引入更新非回溯随机游动（RNBRW）作为量化这种结构的一种方式。RNBRW为每条边赋予一个权重，该权重等于非回溯随机游走与该边完成一个循环的概率。因此，具有较大权重的边可以被认为对循环的形成更重要。值得注意的是，由于可以并行执行单独的随机游走，因此可以非常快速地估计RNBRW权重，即使对于大型图也是如此。我们给出的仿真结果表明，预加权边缘通过RNBRW可以大大提高常见的社区发现算法的性能。我们的结果表明，RNBRW对于检测稀疏图中的社区的挑战性情况特别有效。
2019-10-18 cs.SI physics.soc-ph
Random walk informed community detection reveals heterogeneities in the lymph node conduits network
网络上的随机游走被广泛用于建模随机过程，例如搜索策略、运输问题或疾病传播。这种过程的一个突出例子是通过淋巴结导管网络引导幼稚T细胞。在这里，我们提出了一个通用的框架来找到网络的异质性，我们定义为连接模式，影响随机游走。我们建议，这些异质性的特征和测量通过检测社区的方式，是可解释的随机游走。此外，我们使用近似来准确有效地计算大型网络上的这些量。最后，我们提出了一个交互式数据可视化平台，以跟踪随机游走的动态及其在我们数据集上的特性，并在下载时为其他数据集提供一个随时可用的管道。通过计算网络中检测到的随机游走信息社区的定量特征，我们表明淋巴结管道网络是空间相干的，然而，尽管它的准规则性，包含一些随机游走相关的异质性。为了评估这些特征，我们对LNCN和一系列生成的玩具网络应用了相同的基于扩散的社区发现和分析工作流程。
2022-10-20 cs.SI q-bio.QM
Robustness of community structure to node removal
模块化结构的识别是必不可少的表征真正的网络形成的中观层次的组织集群包含具有高的内部连通度的节点。人们已经开发了许多方法来揭示社区结构，但只有少数研究探讨了它们在不完全网络中的适用性。在这里，我们评估了采样过程中生成的不完整网络中社区检测技术的准确性。我们表明，步行陷阱和快速贪婪算法是高度准确的检测模块化结构的不完整的复杂网络，即使他们的许多节点被删除。此外，我们实现了一种方法，提高了walktrap和快速贪婪算法的时间性能，同时保持了识别节点社区成员的准确率。总之，我们的研究结果表明，这种新方法可以应用于加速几乎任何社区检测方法在密集的复杂网络，因为它是相似性网络的情况下。
2015-02-06 cs.SI physics.soc-ph
Evaluating the Vulnerability of Communities in Social Networks by Gravity Model
随着网络科学的发展，复杂网络的各种性质受到了广泛的关注。在这些属性中，社区的脆弱性（VoCs）尤为重要。在传统的研究中，评价模型只考虑了群落的部分结构特征，而没有考虑群落的多个方面。但在现实中，对VoC的影响是多方面的，既有VoC自身的结构属性，也有其他社区的影响。为了更好地对社区之间的影响进行建模，从而对社会网络中的VoCs进行评估，提出了一种基于引力的社区脆弱性评估模型。该模型考虑了社区内部的边数、连接相邻社区的边数和每个社区的引力指数（GI）三个方面的因素，分别对应于社区内部信息、小尺度交互关系和大尺度交互关系。通过Jensen-Shannon散度（JSD）和对数S形转换（LST）函数，计算每对社区之间的抽象距离（AD），构建社区网络（CN）。利用引力模型，可以得到描述大尺度相互作用关系的各群落的GI。最后，利用该模型计算了群落的脆弱度和脆弱度排序，并利用Sobol指数分析了权重参数的敏感性。特别是，该方法可以退化到经典的方法与加权参数的设置。几个实际复杂网络的仿真结果表明了该模型的有效性和合理性。
2019-12-16 cs.SI physics.soc-ph
Community Search in Attributed Networks using Dominance Relationships and Random Walks
本文提出一种结合跳数与随机游走方法、利用支配得分和k-核提取的算法，在属性网络中平衡结构与属性相似性，高效识别高内聚社区，适用于社交网络分析和推荐系统。
2025-10-26 cs.SI
Evaluating accuracy of community detection using the relative normalized mutual information
标准化互信息（NMI）已被广泛用于评估社区发现算法的准确性。然而，在这篇文章中，我们表明，NMI是严重的系统误差，由于有限的网络规模的影响，并可能在某些情况下给出一个错误的估计算法的性能。我们给出了一个简单的理论的有限尺寸效应的NMI和测试我们的理论数值。然后，我们提出了一个新的度量社区检测的准确性，即相对归一化互信息（rNMI），它认为统计意义的NMI比较它与随机分区的预期NMI。数值实验表明，rNMI克服了NMI的有限尺寸效应。
2015-10-28 cond-mat.stat-mech cs.SI physics.soc-ph
Random Walk-based Community Key-members Search over Large Graphs
针对社区搜索返回规模过大问题，提出社区关键成员搜索（CKS），设计基于随机游走的优化算法与轻量级优化方法，在真实数据集上验证了有效性与效率。
2023-07-27 cs.DB cs.SI
Evaluating Community Detection Algorithms for Progressively Evolving Graphs
Univ de Lyon（里昂大学）；CNRS（法国国家科学研究中心）；Université Lyon 1（里昂第一大学）；Université Mohamed Seddik Benyahia de Jijel（吉杰勒穆罕默德·塞迪克·本叶海亚大学）；Italian National Research Council（意大利国家研究委员会）
在过去的十年中，已经提出了许多算法来发现动态社区。然而，这些方法很少相互比较。在这篇文章中，我们提出了一个动态图与种植不断发展的社区结构的生成器，作为一个基准来比较和评估这样的算法。与以前提出的基准不同，它能够通过描述性语言指定任何期望的进化社区结构，然后生成相应的渐进进化网络。我们经验性地评估现有的六种算法的动态社区发现的瞬时和纵向的相似性与种植地面真相，平滑的动态分区，和可扩展性。我们特别注意到不同类型的弱点，这取决于他们确保流畅性的方法，即毛刺，过度简化和身份丢失。虽然没有一种方法是明显的赢家，但我们观察到了方法之间的明显差异，我们确定了最快的方法，即在每一步产生最平滑或最准确的解决方案的方法。
2020-07-16 cs.LG 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
Non-parametric resampling of random walks for spectral network clustering
最近在复杂网络分析中引入了参数重新分配方案，目的是评估图聚类的统计意义和社区划分的鲁棒性。本文提出了一种基于图上无偏随机游走转移矩阵的非参数重构来复制复杂网络结构特征的方法。我们在合成和真实世界的模块化网络上测试了这种自举技术，我们表明，通过重新搜索获得的复制的集合可以用来提高标准光谱算法的性能，用于社区检测。
2013-11-19 cs.SI physics.soc-ph stat.AP
Random walk based snapshot clustering for detecting community dynamics in temporal networks
本文提出一种基于随机游走的快照聚类方法，用于检测时间网络中的社区动态，包括结构变化和低维表示，并通过合成与真实数据验证其有效性。
2025-07-10 cs.SI math.DS
A Local Perspective on Community Structure in Multilayer Networks
多层网络的分析是网络科学中最活跃的领域之一，现在有几种方法可以检测多层网络中节点的密集“社区”。定义社区的一种方法是将其定义为一组节点，这些节点在很长一段时间内捕获了类似扩散的动态过程（通常是随机游走）。在这种观点中，社区是一组节点，它们对网络上动态过程的传播产生瓶颈。我们分析了多重网络（这是多层网络，其中不同的层对应于不同类型的边缘）上不同的随机游走的局部行为，并表明它们具有非常不同的瓶颈，因此对应于相当不同的概念，这意味着一组节点是一个很好的社区。这对基于这些随机游走的社区检测方法的行为有直接的影响。
2016-05-22 cs.SI math.PR nlin.AO
Hyperbolic Multiplex Network Embedding with Maps of Random Walk
Beihang University（北京航空航天大学）
最近的研究网络嵌入在双曲空间已被证明是成功的几个应用。然而，现实世界网络中的节点往往通过几个不同的通道进行交互。简单地汇总或忽视这种多样性将导致误导性的结果。另一方面，节点之间的不同交互模式之间存在冗余信息。最近的研究揭示了群落结构和双曲线坐标之间的相似性。为了在减少复用网络冗余的同时学习每个节点的有效嵌入表示，本文提出了一个将复用网络双曲嵌入和复用社区发现相结合的统一框架。直观的基本原理是，高阶节点嵌入方法有望减轻所观察到的网络的稀疏和噪声结构，这将有利于社区发现任务。相反，改进的社区结构也将指导节点嵌入任务。为了在保留信道间共同特征的同时，更好地融合信道间的共同特征，提出了一种在潜在多重双曲空间中遍历的随机游走方法来检测信道间的社区，并在节点嵌入和社区发现之间架起了一座桥梁。该框架使用不同的现实世界的数据集的几个网络任务进行评估。结果表明，我们的框架是有效的和效率相比，国家的最先进的方法。
2021-10-30 cs.LG cs.SI stat.ML
Graph Sparsification with Generative Adversarial Network
图稀疏化旨在减少网络的边数，同时保持其对给定任务的准确性。在这项研究中，我们提出了一种新的方法，称为GSGAN，这是能够稀疏网络的社区发现任务。GSGAN能够捕捉那些在原始图中没有显示但相对重要的关系，并创建人工边来反映这些关系，进一步提高社区发现任务的有效性。我们采用GAN作为学习模型，并指导生成器产生能够捕获网络结构的随机游走。具体来说，在训练阶段，除了判断随机游走的真实性外，神经网络还同时考虑节点之间的关系。我们设计了一个奖励函数来引导生成器创建包含有用的隐藏关系信息的随机游走。然后，这些随机游走被组合以形成新的社交网络，该社交网络对于社区发现是高效和有效的。实验结果表明，GSGAN的聚类效果明显优于基线算法，可以应用于各种社区发现的聚类算法中.
2020-09-24 cs.SI
Community Structure aware Embedding of Nodes in a Network
检测社区或现实生活网络（例如社交网络或产品购买网络）的模块化结构是一项重要任务，因为网络的功能通常由其社区决定。社区发现的传统方法涉及基于模块的算法，一般来说，基于寻求最大化分区内的边缘与它们之间的边缘的比率的算法来构造分区。另一方面，节点嵌入方法将图中的每个节点表示为实值向量，从而能够将图中的社区发现问题转化为对一组向量进行聚类的问题。现有的节点嵌入方法主要基于，首先，从每个节点发起随机游走以构造节点的上下文，然后使节点的向量表示接近其上下文。然而，标准的节点嵌入方法在构建每个节点周围的上下文时并不直接考虑网络的社区结构。为了缓解这种情况，我们探索了两个不同的工作线程。首先，我们研究了使用基于最大熵的随机游走来获得更多的中心保持嵌入的节点，这可能会导致更有效的集群在嵌入空间。其次，我们提出了一个社区结构感知的节点嵌入方法，我们将基于模块化的分区算法到节点嵌入的目标函数。我们证明，我们提出的组合和嵌入方法的组合，用于社区发现优于一些基于模块的基线和K-均值聚类的标准节点嵌入（node 2 vec）向量空间上广泛的现实生活和合成网络的不同大小和密度。
2020-06-27 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
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
Krylov Subspace Approximation for Local Community Detection in Large Networks
社区发现是发现大型网络中模块结构的重要信息挖掘任务。对于越来越常见的大型网络数据集，全球社区发现是非常昂贵的，并且注意力已经转移到挖掘本地社区的方法，即从一些标记的种子成员中识别特定社区的所有潜在成员。为了解决这样的半监督挖掘任务，我们系统地开发了一个局部谱子空间为基础的社区发现方法，称为LOSP。我们定义了一个家庭的局部谱子空间的基础上Krylov子空间，并寻求一个稀疏的指标，通过$\ell_1$范数最小化的Krylov子空间的目标社区。LOSP的变体取决于具有不同扩散速度的随机游动的类型、随机游动的类型、局部谱子空间的维数和扩散的步长。基于瑞利因子理论分析了所提出的LOSP方法的有效性，并在社会，生产和生物领域的各种现实网络以及一组广泛的合成LFR基准数据集上进行了实验验证。
2019-05-16 cs.SI
Semi-Supervised Community Detection via Quasi-Stationary Distributions
针对两平衡社区的PL-SBM半监督社区检测场景，提出基于随机游走拟平稳分布的分类方法，证明该类算法在连通区域达最优错误率，实验验证其在真实与模拟数据集上性能更优。
2024-12-13 cs.SI math.ST physics.soc-ph
A Mixed-Method Framework for Evaluating the Social Impact of Community Cooperation Projects in Developing Countries
University of Southern Denmark（南丹麦大学）；Alma Mater Studiorum - Università di Bologna（博洛尼亚大学）；INRIA（法国国家数字科学研究所）
本文提出PIRA框架，通过混合人类学和网络分析方法，评估发展中国家社区合作项目的社会影响，揭示参与架构对协调持续性的重要性。
2026-02-23 cs.SI econ.GN q-fin.EC
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
Non-backtracking spectrum of random graphs: community detection and non-regular Ramanujan graphs
图上的非回溯行走是一条有向路径，使得没有边是其前一条边的逆边。图的非回溯矩阵由其有向边索引，并且可以用于计数给定长度的非回溯行走。它已被用于最近在社区检测的背景下，并已出现在以前与Ihara zeta函数和一些推广的拉马努金图。在这项工作中，我们研究了Erdos-Renyi随机图和随机块模型在边数与顶点数成正比的情况下的非回溯矩阵的最大特征值。我们的研究结果证实了“频谱赎回”猜想，社区检测可以在领先的特征向量的基础上，可行性阈值以上。
2015-04-22 cs.SI math.PR
An adaptation of InfoMap to absorbing random walks using absorption-scaled graphs
受疾病传播动态启发，本文通过吸收缩放图和 Markov 时间扫描将 InfoMap 适配于吸收随机游走，证明该方法能揭示异质节点吸收率对网络社区结构及 SIR 动态的重要影响。
2024-04-23 cs.LG cs.SI math.PR
A new method for quantifying network cyclic structure to improve community detection
网络中社区的一个显著特性是，社区内的循环比社区间的循环更普遍。因此，这些社区的检测可以通过结合循环结构的局部“丰富度”的测量来帮助。在本文中，我们引入更新非回溯随机游动（RNBRW）作为量化这种结构的一种方式。RNBRW为每条边赋予一个权重，该权重等于非回溯随机游走与该边完成一个循环的概率。因此，具有较大权重的边可以被认为对循环的形成更重要。值得注意的是，由于可以并行执行单独的随机游走，因此可以非常快速地估计RNBRW权重，即使对于大型图也是如此。我们给出的仿真结果表明，预加权边缘通过RNBRW可以大大提高常见的社区发现算法的性能。我们的结果表明，RNBRW对于检测稀疏图中的社区的挑战性情况特别有效。
2019-10-11 cs.LG cs.SI stat.ML
Defining and Evaluating Network Communities based on Ground-truth
真实世界网络中的节点组织成紧密相连的社区，其中边缘在社区成员中高度集中。识别这样的节点社区已被证明是一项具有挑战性的任务，主要是由于社区的定义过多，算法难以处理，评估问题以及缺乏可靠的黄金标准真值。在本文中，我们研究了一组230个大型的现实世界的社会，协作和信息网络，其中节点显式地说明他们的组成员。例如，在社交网络中，节点明确地加入各种基于兴趣的社交群组。我们使用这样的群体来定义可靠和强大的真值社区概念。然后，我们提出了一种方法，使我们能够比较和定量评估如何不同的结构定义的网络社区对应于真值社区。我们选择了13种常用的网络社区结构定义，并研究了它们在识别真值方面的敏感性、鲁棒性和性能。我们发现，13个结构的定义是高度相关的，自然分为四类。我们发现，这些定义中的两个，电导和三合会参与比，始终给出最好的性能，在确定真值社区。我们还研究了一个任务，检测社区给定一个单一的种子节点。我们将局部谱聚类算法扩展为一种启发式的无参数社区发现方法，该方法可以轻松扩展到具有超过一亿个节点的网络。所提出的方法实现了30%的相对改善，目前的局部聚类方法。
2012-11-06 cs.SI physics.soc-ph
Gaussian Networks Generated by Random Walks
我们提出了一个基于随机游动的模型来生成复杂网络。许多作者研究和开发了不同的方法和工具来分析复杂网络的随机游走过程。仅举几例，随机游走已被用于执行社区检测，探索任务和研究时间网络。此外，它们也被用来生成无标度网络。在这项工作中，我们定义了一个随机步行者，扮演的角色“边生成器”。特别地，随机游走器生成新的连接，并使用这些连接访问网络的每个节点。因此，该模型允许实现具有高斯度分布的网络，而且，一些特征如聚类系数和非线性度表现出临界行为。最后，我们进行了数值模拟研究的行为和所引用的模型的属性。
2014-04-06 cond-mat.stat-mech cs.SI physics.soc-ph
Evaluating Overfit and Underfit in Models of Network Community Structure
网络上的一个常见的数据挖掘任务是社区检测，它寻求基于网络连通性的统计特征将网络无监督地分解为结构组。虽然存在许多方法，但社区检测的“没有免费的午餐”定理意味着每种方法都会做出某种权衡，没有算法可以在所有输入上都是最优的。因此，不同的算法会在不同的输入上过度或不足，找到更多，更少或只是不同的社区，而使用元数据分区作为基础事实的评估方法将产生关于一般准确性的误导性结论。在这里，我们提出了一个广泛的评估过度和欠拟合在社区检测，比较16个国家的最先进的社区检测算法的行为上的一个新的和结构多样的语料库的406个真实世界的网络。我们发现，（i）算法在它们找到的社区数量和它们相应的组成方面都有很大的差异，给定相同的输入，（ii）算法可以根据它们在真实世界网络上的输出的相似性被聚类到不同的高级别组中，（iii）这些差异导致链接预测和链接描述任务的准确性有很大的差异。我们引入了一种新的诊断方法来评估实践中的过拟合和欠拟合，并使用它将社区检测方法大致分为一般和专门的学习算法。在各种方法和输入中，基于随机块模型和最小描述长度正则化方法的贝叶斯技术代表了最佳的通用学习方法，但在特定情况下可能会表现出色。这些结果介绍了一个理论上的原则性的方法来评估过拟合和欠拟合的网络社区结构模型和一个现实的基准，新的方法可以进行评估和比较。
2019-04-16 cs.SI physics.data-an q-bio.MN
Supervised and Extended Restart in Random Walks for Ranking and Link Prediction in Networks
给定一个真实世界的图，我们如何衡量排名和链接预测的相关性分数？带重启的随机游走（RWR）为此提供了极好的测量，并且已经应用于各种应用，诸如朋友推荐、社区发现、异常检测等。然而，RWR遭受两个问题：1）对所有节点使用相同的重新开始概率限制了随机游走的表现力，以及2）在没有理论证明的情况下，需要为每个应用手动选择重启概率。我们在本文中有两个主要贡献。首先，我们提出了带扩展重启的随机游走（RWER），这是一种基于随机游走的度量，通过对每个节点使用不同的重启概率来提高随机游走的表达能力。改进的表现力导致了更高的排名和链接预测的准确性。其次，我们提出了SuRe（监督重启RWER），从给定的图学习RWER的重新启动概率的算法。SuRe消除了为RWER手动选择重启参数的需要。大量的实验表明，我们提出的方法提供了最好的性能排名和链接预测任务，提高MAP（平均平均精度）的最佳竞争对手高达15.8%。
2017-10-18 cs.SI physics.soc-ph
Community-based Immunization Strategies for Epidemic Control
了解流行病的动态，并找到有效的技术来控制它，是一个具有挑战性的问题。针对目标免疫策略已经做了大量的研究，利用各种全球网络拓扑属性。然而，在实践中，可能无法获得关于联络网络全球结构的信息。因此，需要能够处理网络结构的有限知识的免疫策略。在本文中，我们提出了有针对性的免疫策略，只需要在社区一级的信息。我们的调查结果的SIR流行病模型，使用一个现实的合成基准与控制的社区结构，表明社区结构起着重要的作用，在流行病的动力学。一个广泛的比较评价表明，拟议的战略是最有影响力的全球中心性的免疫战略，尽管它们使用的信息量有限的有效性。此外，它们优于其他局部策略，后者对网络结构不可知，并基于随机游走做出决策。
2014-11-23 cs.SI physics.soc-ph
Community Aware Random Walk for Network Embedding
University of Tehran（德黑兰大学）；University of Sistan and Baluchestan（锡斯坦-俾路支斯坦大学）
社会网络分析提供了关于网络成员行为的有意义的信息，其可用于诸如分类、链接预测的各种应用。然而，网络分析是计算昂贵的，因为不同的应用程序的特征学习。近年来，社交网络中的特征学习方法成为研究的热点。网络嵌入在具有相同属性的低维表示空间中表示网络，其表示网络的压缩表示。本文提出了一种新的网络嵌入算法“CARE”，该算法可用于不同类型的网络，包括加权网络、有向网络和复杂网络。现有的方法试图保留节点的局部邻域信息，而本文提出的方法利用网络节点的局部邻域和社区信息来覆盖社交网络的局部和全局结构。CARE构建由网络节点局部和全局结构组成的自定义路径，作为网络嵌入的基础，并使用Skip-gram模型学习节点的表示向量。随后，应用随机梯度下降来优化我们的目标函数并学习节点的最终表示。我们的方法可以扩展时，新的节点添加到网络中没有信息丢失。定制随机游走的快速生成也用于加速CARE。我们评估的多标签分类和链接预测任务的性能。在不同网络上的实验结果表明，该方法优于其他在微观和宏观f1措施，不同大小的训练数据。
2018-02-19 cs.AI cs.LG cs.SI
Community detection using low-dimensional network embedding algorithms
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；Massachusetts Institute of Technology（麻省理工学院）
随着大型网络在重要领域的相关性越来越高，例如研究接触网络对疾病传播的影响，或社交网络对地缘政治的影响，有必要研究可扩展到非常大的网络（通常包含数百万个节点）的机器学习工具。这种可扩展算法的一个主要类别被称为网络表示学习或网络嵌入。这些算法试图学习网络泛函的表示（例如~节点），通过首先运行多个随机游走，然后使用观察到的随机游走段中每对节点的同现数来获得某个欧几里得空间上的节点的低维表示。本文的目的是严格理解两种主要算法DeepWalk和node 2 vec在恢复具有地面真实社区的规范网络模型的社区方面的性能。根据图的稀疏性，我们发现所需的随机游走段的长度，使得相应的观察到的同现窗口能够执行几乎精确的恢复底层社区分配。我们证明了，给定一些固定的同现窗口，与使用简单随机游走的DeepWalk相比，使用具有低非回溯概率的随机游走的node 2 vec可以在稀疏网络中成功。此外，如果稀疏性参数是低的，我们提供的证据表明，这些算法可能不会成功几乎精确的恢复。分析需要开发一般的工具，随机网络的路径计数具有基本的低秩结构，这是独立的利益。
2021-11-04 cs.LG cs.SI math.PR
Single-trajectory map equation
本文重新审视 map equation，提出其 single-trajectory map equation 原始形式，以揭示随机游走稳态极限下隐藏的机制，并获得更均衡、更不易过拟合的社区结构。
2023-04-23 cs.SI physics.soc-ph
Spectral clustering of time-evolving networks using spatio-temporal random walks
Zuse Institute Berlin（柏林祖斯研究所）；Heriot–Watt University（赫瑞-瓦特大学）
提出基于多视角典型相关分析（mCCA）的框架，通过增广时空网络上的时间可逆随机游走谱特征实现时间网络社区检测，并分析谱性质与时空效应，导出降阶模型提升计算效率。
2026-11-05 cs.SI math.DS
Measuring robustness of community structure in complex networks
社团结构理论是研究真实网络的有力工具，它可以大大简化网络的拓扑和功能分析。然而，由于社团发现方法存在随机性，而从复杂系统中得到的真实社交网络往往含有错误边，因此评价社团结构的鲁棒性是一个迫切而重要的任务。本文利用哈密顿函数中分辨率参数的临界阈值$γ_C$来度量网络的鲁棒性。根据谱理论，严格证明了所提出的指标与群落结构的鲁棒性成反比。此外，利用协同进化模型，我们提供了一个新的有效的方法来计算值的$γ_C$。该研究具有坚实的数学基础和实验效果，可应用于网络分析和数据挖掘中的广泛聚类问题。
2015-03-27 cs.SI physics.soc-ph
CONE: Community Oriented Network Embedding
社区检测一直是网络研究的热点。它通常被建模为图上的无监督聚类问题，基于对社区特征的启发式假设，如边缘密度和节点同质性。在这项工作中，我们怀疑这些广泛采用的假设的普遍性，并将人类标记的社区与通过各种主流算法获得的机器预测的社区进行比较。基于支持性的结果，我们认为，社区是由各种社会模式和无监督学习的基础上，数学是无法捕捉所有这些。因此，我们建议通过面向社区的网络嵌入（CONE）将监督注入社区发现中，CONE利用有限的地面实况社区作为示例来学习嵌入模型，了解它们背后的社会模式。具体来说，通过将递归神经网络与图上的随机行走相结合，开发了一种深度架构，以捕获由地面实况社区指导的社会模式。由学习模型产生的其他节点嵌入的通用聚类算法，然后有效地揭示了更多与地面实况共享相似社交模式的社区。
2018-04-22 cs.SI physics.soc-ph
Exploring Temporal Networks with Greedy Walks
时间网络具有各种各样的异质性，从事件序列的突发性到节点和链路激活时间之间的相关性。在本文中，我们将探索后者通过使用贪婪的步行作为探针的时间网络结构。给定一个时间网络（一个接触序列），贪婪遍历总是从第一个可用的接触点开始从一个节点到另一个节点。正因为如此，它们的结构对涉及节点集之间重复接触的时间拓扑模式特别敏感。与时间参考模型相比，这一点在它们每步的小覆盖范围中变得很明显-在经验时间网络中，由于相关的接触模式，贪婪的行走经常被困在小的节点集内。虽然这也可能发生在具有明显社区结构的静态网络中，但时间参考模型的使用将潜在的静态网络结构排除在等式之外，并表明观察结果存在纯粹的时间原因。对贪婪游动结构的进一步分析表明，节点对之间重复接触的突发序列是主导因素。然而，也有更大的模式，如非回溯贪婪遍历所示。我们进一步研究了贪婪行走的熵率，并表明与时间不相关的引用相比，原始数据中已访问节点的序列更具结构性和可预测性。总之，这些结果表明，在时间网络的相关时间拓扑模式的丰富性。
2015-11-02 cs.SI physics.soc-ph
Benchmarking community detection methods on social media data
对经验社交网络数据的社区发现方法的性能进行基准测试已被确定为改进这些方法的关键。特别是，虽然目前大多数研究都集中在从大型社交媒体和电信服务中数字提取的数据中检测社区，但对这项研究的大多数评估都是基于小型手工数据集。我们认为，这两种类型的网络差异如此之大，以至于只对前者进行算法评估，我们对后者的表现知之甚少。为了解决这个问题，我们认为在构建基于数字提取的网络数据的基准出现的困难，并提出了一个基于任务的策略，我们觉得解决这些困难。为了证明我们的方案是有效的，我们使用它来进行基于Facebook数据的实质性基准测试。基准测试表明，一些最流行的算法未能检测到细粒度的社区结构。
2013-02-04 cs.SI physics.soc-ph
Genetic Algorithm with Ensemble Learning for Detecting Community Structure in Complex Networks
复杂网络中的社区发现是近年来科学界研究的热点。针对遗传算法在复杂网络社团社区发现中应用不多的问题，提出了一种基于集成学习的遗传算法（GAEL）来检测复杂网络社团结构。GAEL用基于集成学习的多个体交叉算子代替传统的交叉算子。因此，GAEL可以避免传统交叉算子只能混合不同个体的字符串块，而不能将不同个体的聚类上下文重组成新的更好的聚类上下文的问题。此外，在变异算子中采用了局部搜索策略，使变异节点被放置到其邻居最多的社区中。最后，本文采用了一种基于马尔可夫随机游走的方法来初始化种群，从而为我们提供了一个精确多样的聚类解种群。这些个体的多样性和准确性适合于基于集成学习的多个体交叉算子。在计算机生成的网络和真实世界的网络上进行测试，并与当前复杂网络中的社区发现的代表性算法进行比较。实验结果表明，GAEL是非常有效的发现社区结构。
2013-03-22 cs.SI physics.soc-ph
Memory in network flows and its effects on spreading dynamics and community detection
网络上的随机游走是社会和生物系统中传播过程建模的标准工具。这种一阶马尔可夫方法用于传统的社区检测，排名和传播分析，尽管它忽略了动态的一个潜在的重要特征：流量移动到哪里可能取决于它来自哪里。在这里，我们分析了来自不同系统的途径，虽然我们只观察到疾病传播的边际后果，但我们发现，忽略二阶马尔可夫动力学的影响对社区检测，排名和信息传播有重要影响。例如，使用二阶马尔可夫模型捕捉动态，可以揭示空中交通的实际出行模式，并揭示科学传播中的多学科期刊。这些发现是通过使用更多可用数据而实现的，并且没有做任何额外的假设，因此表明在网络流中解释高阶记忆可以帮助我们更好地理解真实系统是如何组织和运作的。
2014-08-12 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
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
Steady state and mean recurrence time for random walks on stochastic temporal networks
随机游走是网络上的基本扩散过程，在搜索、导航、排名和社区检测等方面都有应用。最近认识到的重要性，时间方面的网络刺激的研究随机游动的时间网络。在这里，我们从理论上研究了两种类型的事件驱动的随机游动的随机时间网络模型，产生任意分布的interevent-times。在所谓的主动随机游走中，在步行者的每次移动时，在所有链路上重新初始化间隔时间。在所谓的被动随机游走中，只在上次使用过的链路上重新初始化间隔时间，这是一种相关随机游走。我们发现，对于被动随机游动，定态总是均匀密度。相反，对于主动随机游动，它的增加或减少取决于间隔时间的分布的节点的度。对于主动和被动随机游动，节点的平均递归时间与度成反比。此外，对于主动随机游动和被动随机游动，平均重现时间分别取决于或不取决于间隔时间的分布。
2015-01-13 cond-mat.dis-nn cs.SI physics.soc-ph
Random walks and diffusion on networks
随机游动在科学中无处不在，从理论和实践的角度来看，它们都很有趣。它们是随机过程中最基本的类型之一;可用于模拟许多现象，包括人类和动物之间的扩散，相互作用和意见;并可用于提取有关网络中重要实体或密集实体组的信息。几十年来，人们一直在研究规则格和（特别是最近几十年）具有各种结构的网络上的随机游动。在这篇文章中，我们综述了网络上随机游动的理论和应用，仅限于单随机游动和非自适应随机游动的简单情况。我们区分了三种主要类型的随机游动：离散时间随机游动，以节点为中心的连续时间随机游动和以边缘为中心的连续时间随机游动。我们首先简要地研究了直线上的随机游动，然后考虑各种类型网络上的随机游动。我们广泛讨论了随机游走的应用，包括节点的排名（例如，PageRank）、社区检测、响应者驱动的采样和意见模型（如投票者模型）。
2020-04-09 cond-mat.dis-nn 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
Cross-domain Network Representations
University of Technology Sydney（悉尼科技大学）
网络表示的目的是通过从网络结构中获取社区信息来学习一组潜在特征，为机器学习任务提供知识。最近的研究通过采用随机游走作为网络采样策略，推动了网络表示的重大进展。然而，现有的方法依赖于域特定的丰富的社区结构，并在网络中缺乏拓扑信息，在自己的域失败。在本文中，我们提出了一种新的算法跨域网络表示，命名为CDNR。通过从结构丰富的域生成随机游走，并跨域转移关于随机游走的知识，它也能够实现结构稀缺域的网络表示。具体而言，CDNR是在跨领域两层随机游走学习框架下，通过跨领域两层节点尺度平衡算法和跨领域两层知识转移算法实现的。在各种真实世界数据集上的实验证明了CDNR在无监督方式下对通用网络的有效性。
2019-08-01 cs.LG cs.SI
