A Unified Method of Detecting Core-Periphery Structure and Community Structure in Networks
核心-外围结构和社团结构是复杂网络中两种典型的中尺度结构。虽然社区发现已经从不同的角度进行了广泛的研究，但核心-边缘结构的定义和发现还没有得到足够的关注。此外，还分别探讨了核心-边缘和群落结构的检测问题。在本文中，我们开发了一个统一的框架，同时检测复杂网络中的核心-外围结构和社区结构。此外，我们的算法还有几个额外的优点：我们的方法不仅可以检测到单个，但也可以检测到多对核心-外围结构;属于不同社区的重叠节点可以识别;不同规模的核心-外围结构可以通过调整核心的大小来检测。该方法的良好性能已在合成和实际复杂网络上得到验证。因此，我们提供了一个基本的框架来检测两个典型的中尺度结构：核心-边缘结构和社区结构。
2018-01-12 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
Transfer Learning Based Multi-Objective Genetic Algorithm for Dynamic Community Detection
Xiamen University（厦门大学）；Columbia University（哥伦比亚大学）；Harvard Medical School（哈佛医学院）；Carnegie Mellon University（卡内基梅隆大学）
动态社区发现是近年来复杂网络和人工智能研究的热点和基本问题。当网络结构发生变化时，既要最大限度地提高聚类的准确性，又要最大限度地减少连续两次聚类结果之间的差异。这两个目标之间存在着一种权衡关系。本文在传统多目标进化算法框架的基础上，结合迁移学习，提出了一种基于特征迁移的多目标优化遗传算法。其主要思想是从过去的社区结构中提取稳定的特征，保留有价值的特征信息，并将这些特征信息集成到当前的优化过程中，以改进进化算法。此外，本文还提出了一个基于信息论的社区发现问题分析框架。然后，我们利用这个框架来证明TMOGA的合理性。实验结果表明，与现有动态网络社区发现算法相比，该算法在不同的测试问题中均能取得更好的聚类效果。
2021-10-09 cs.IT cs.LG cs.SI
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
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 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
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 Stable Communities in Link Streams at Multiple Temporal Scales
链接流模型在广泛的领域中随着时间的推移进行交互。在这种模式下，面临的挑战是有效地挖掘时间和拓扑结构。社区发现和变化点检测是分析这种不断变化的相互作用的最有力的工具之一。在本文中，我们建立在这两个检测稳定的社区结构，确定有意义的社区内的变化点。与现有的动态社区发现算法不同，该方法能够在多个时间尺度上有效地发现稳定的社区。我们测试了我们的方法在合成网络上的有效性，以及从真实社交网络中提取的高分辨率时变网络的联系人。
2019-07-24 cs.SI physics.soc-ph
Detecting the optimal number of communities in complex networks
社区数目的确定是社区结构检测中的一个重要问题。在本文中，我们扩展了社区发现算法的测量，以找到最佳的社区数。基于归一化互信息指数，这已被用来作为一个衡量社区的相似性，一个统计$Ω(c)$提出了检测的最佳社区数目。一般来说，当$Ω(c)$达到其局部最大值时，特别是第一个时，相应的社区数\emph{c}在社区检测中可能是最优的。此外，统计量$Ω(c)$还可以度量复杂网络中社团结构的重要性，这一点近年来受到了广泛的关注。数值和实验结果表明，该指标$Ω(c)$在人工网络和真实世界网络中都是有效的。
2011-03-30 cs.SI physics.soc-ph stat.AP
Revealing Dynamic Communities in networks using genetic algorithm with Merging and Splitting Operators
针对动态网络社区演化的识别难题，提出一种带合并分裂算子的进化方法，通过复合适应度函数、大规模搜索结合局部操作，无需预设社区数且无分辨率限制，性能优于现有最优方法。
2017-12-03 cs.SI physics.soc-ph
Statistical test for detecting community structure in real-valued edge-weighted graphs
提出了一种新的方法来检验无向实值边赋权图的社团结构的存在性。该方法是基于实对称矩阵特征值的广义过程的Wigner半圆律。我们为这种方法提供了理论基础，并报告了其在合成和真实数据中的性能，表明我们的方法优于其他最先进的方法。
2016-10-13 cs.SI math.ST physics.soc-ph
Detecting Overlapping Temporal Community Structure in Time-Evolving Networks
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Raytheon BBN Technologies（雷神BBN技术公司）
我们提出了一个原则性的方法来检测重叠的时间社区结构的动态网络。我们的方法是基于以下框架：找到重叠的时间社区结构，最大化的质量函数与网络的每个快照的时间平滑约束。提出了一种新的质量函数和光滑性约束来处理重叠，并使用一种新的凸松弛来解决由此产生的组合优化问题。我们提供了理论保证以及实验结果，揭示了真实和合成网络中的社区结构。我们的主要观点是，某些结构可以确定只有当时间相关性被认为是当社区被允许重叠。一般来说，发现这种重叠的时间社区结构可以通过揭示其看似混乱的演化背后的潜在稳定性来增强我们对现实世界复杂网络的理解。
2013-03-28 cs.LG 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
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
Local Edge Betweenness based Label Propagation for Community Detection in Complex Networks
目前，识别和检测复杂网络中的社区结构是从网络中提取有用信息的重要因素。具有近似线性时间复杂度的标签传播算法是目前最流行的社团结构检测方法之一，但其不确定性和随机性是一个缺陷因素。将LPA与其他社区发现度量合并将提高其准确性并降低LPA的不稳定性。考虑到这一点，本文尝试使用边缘介数中心性来提高LPA性能。另一方面，计算边缘介数中心度是昂贵的，所以作为替代度量，我们尝试使用局部边缘介数，并提出LPA-LEB（标签传播算法局部边缘介数）。在真实网络和基准网络上的实验结果表明，LPA-LEB在检测网络社区结构时具有比LPA更高的准确性和稳定性。
2017-09-24 cs.SI physics.soc-ph
Genetic Algorithm with a Local Search Strategy for Discovering Communities in Complex Networks
为了进一步提高现有遗传算法在社区发现方面的性能，提出了一种基于局部搜索的遗传算法GALS。GALS的核心是一种基于局部搜索的变异技术。为了克服传统变异方法的不足，提出了边缘基因的概念，并从节点局部角度推导出模块度函数Q的局部单调性。在此基础上，提出了一种结合局部搜索策略的变异方法。GALS已经在合成基准和几个真实网络上进行了评估，并与目前竞争的一些算法进行了比较。实验结果表明，GALS是一种高效的社区结构发现方法。
2013-03-24 cs.SI physics.soc-ph
A Framework for Detecting Event related Sentiments of a Community
Quaid-i-Azam University（真纳大学）
社交媒体彻底改变了人类的沟通和互动方式。由于它的简单和有效的媒介，人们共享和交换信息，对各种事件进行讨论，并表达他们的意见。为了有效地制定政策和了解社区对不同事件的反应，我们需要监测和分析社交媒体。在社交媒体中，有一些用户更有影响力，例如，一个著名的政治家可能比普通人更有影响力。这些有影响力的用户属于特定的社区。这项研究的主要目的是了解特定社区对各种事件的看法。为了检测基于事件的情感的社区，我们提出了一个通用的框架。我们的框架识别了twitter上特定社区的用户。在识别出社区的用户之后，我们获取他们的推文并识别属于特定事件的推文。基于事件的推文被预处理。然后分析预处理的推文，以检测社区对特定事件的情绪。定性和定量评价证实了我们提出的框架的有效性和实用性。
2019-04-25 cs.CL cs.SI
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
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
Clustering online social network communities using genetic algorithms
为了分析在线社交网络（OSN）中的活动，我们引入了“吸引节点”（NoA）的概念，它代表了网络社区中最活跃的节点。该NoA被识别为吸引其他节点并在任何时间点形成集群的发布/通信的起源/发起者。在这项研究中，一个遗传算法（GA）被用作数据采掘方法，其主要目标是确定集群的网络社区在一个给定的OSN数据集。这种方法在处理我们研究的OSN中不同类型的讨论主题时是有效的-评论，电子邮件，聊天表情等，并且可以根据一个或多个主题形成集群。我们相信，这项工作可以是有用的，在寻找这种基于遗传算法的聚类的在线交互的传播源，并报告了一些实验结果与现实世界的数据，并证明了所提出的方法的性能。
2013-12-08 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
MCD: A Modified Community Diversity Approach for Detecting Influential Nodes in Social Networks
在过去的几十年里，社交网络已经将全球各地的人们联系在一起，并已成为我们日常生活中至关重要的一部分。这些网络也迅速发展成为面向更广泛受众传播产品、想法和意见的平台。由于各种原因，这就需要在网络中找到有影响力的节点，包括遏制错误信息在网络中传播，有效地广告产品，在生物网络中找到突出的蛋白质结构等。一种通过利用社区发现和改进的社区多样性方法来发现网络中有影响力的节点的新方法。我们将社区多样性的概念扩展到两跳场景。这有助于我们更准确地评估节点对网络的可能影响，并避免选择具有重叠影响范围的种子节点。实验结果表明，MCD优于其他各种国家的最先进的方法上的八个数据集累积在三个性能指标。
2022-11-22 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
PeerHunter: Detecting Peer-to-Peer Botnets through Community Behavior Analysis
P2P僵尸网络作为网络犯罪的基础设施，已经成为网络安全的主要威胁之一。虽然现有的一些工作声称可以有效地检测传统的僵尸网络，检测P2P僵尸网络的问题涉及更多的挑战。在本文中，我们提出了PeerHunter，社区行为分析为基础的方法，这是能够检测僵尸网络，通过P2P结构进行通信。PeerHunter从P2P主机检测组件开始。然后，它使用相互联系作为主要特征来将机器人聚类到社区中。最后，它使用社区行为分析来检测潜在的僵尸网络社区，并进一步确定僵尸候选人。通过对真实和模拟网络痕迹的大量实验，PeerHunter可以实现非常高的检测率和低误报率。
2018-11-14 cs.CR cs.SI
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
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
ComGPT: Detecting Local Community Structure with Large Language Models
Guangdong Provincial Key Laboratory of Novel Security Intelligence Technologies（广东省新型安全智能技术重点实验室）
ComGPT通过结合大语言模型与局部模块度算法，提升社区检测任务的性能，有效解决种子依赖和社区扩散问题。
2025-12-08 cs.SI
Detecting the community structure and activity patterns of temporal networks: a non-negative tensor factorization approach
随着时间网络数据可用性的不断提高，人们需要对时间网络中的介观结构进行提取和表征，并将这种结构与系统的特定功能或属性联系起来。一个突出的挑战是扩展静态网络的结果随时间变化的网络，其中系统的拓扑结构和其组件的时间活动模式交织在一起。在这里，我们研究使用潜在的因子分解技术，非负张量因子分解，提取时间网络的社区活动结构。该方法本质上是时间性的，可以同时识别社区并跟踪其活动。我们将时间网络的时变邻接矩阵表示为三向张量，并将此张量近似为可以解释为具有相关活动时间序列的节点社区的项的总和。我们总结了已知的张量分解的计算技术，并讨论了一些质量指标，可用于调整的复杂性的因式分解表示。随后，我们将张量因式分解应用到一个时间网络中，对于该网络，社区结构和时间活动模式都可以使用地面实况。我们使用的数据描述了学生在学校的社会互动，学生和学校班级之间的关联，以及学生随时间的时空轨迹。我们表明，非负张量因式分解是能够恢复的类结构具有高精度。特别地，所提取的张量分量可以被验证为已知的学校班级，或者根据相关的活动模式，即，由已知的学校活动时间表确定的空间和时间巧合。
2013-11-05 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
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
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 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
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
Detecting Global Community Structure in a COVID-19 Activity Correlation Network
过去两年半的COVID-19全球大流行产生了大量的流行病/公共卫生数据集，这些数据集也可能有助于研究我们全球互联世界的基本结构。在这里，我们使用约翰霍普金斯大学COVID-19数据集构建了一个国家/地区的相关网络，并研究了其全球社区结构。具体而言，我们从数据集中选择了至少有10万例累积阳性病例的国家/地区，并生成了每个国家/地区报告的新阳性病例的7天移动平均时间序列。然后，我们计算了一个时间序列的每日变化指数，采取每日的差异，在对数的新的阳性病例。我们构建了一个相关性网络，通过连接国家/地区，在其每日变化指数时间序列中具有正相关性，使用他们的皮尔逊相关系数作为边权重。应用模块化最大化方法发现有三个主要社区：（1）主要是欧洲+北美+东南亚，在大流行期间呈现类似的六峰模式，（2）主要是近东/中东+中亚/南亚+中亚/南美洲，松散地跟随社区1，但由于Delta变体，活动显著增加，后来受到Omicron的显著影响主要分布在非洲+加拿大中部/东部+澳大利亚，直到Omicron变种引起巨大的高峰才有太多的活动。这三个社区在不同的环境下被检测到。通过使用这三个社区的中位曲线作为x-y-z坐标来构建3D“相空间”，生成了全球大流行如何发展的有效摘要轨迹。
2022-07-18 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
Spectral estimation for detecting low-dimensional structure in networks using arbitrary null models
在现实世界的网络中发现低维结构需要一个合适的空模型来定义有意义的结构的缺失。在这里，我们介绍了一种谱方法，用于检测网络的低维结构，以及参与其中的节点，使用任何空模型。我们使用生成模型来估计在指定的空模型下的期望特征值分布，然后检测数据网络的特征谱超过估计界限的地方。在合成网络上，这种谱估计方法干净地检测随机和社区结构之间的转换，恢复社区的数量和成员资格，并去除噪声节点。在真实网络上，谱估计发现噪声节点的显著部分或不偏离零模型，与传统的社区发现方法形成鲜明对比。在所有的分析中，我们发现零模型的选择可以强烈地改变关于网络结构存在的结论。因此，我们的谱估计方法是一个很有前途的基础，在现实世界的网络中检测低维结构，或缺乏。
2021-05-21 cs.SI physics.soc-ph
An improved belief propagation algorithm for detecting meso-scale structure in complex networks
统计推断框架已被成功地应用于复杂网络中的中尺度结构，如社团结构、核心-外围（CP）结构。其主要原理是使用随机块模型（SBM）来拟合观测网络，学习的参数指示组分配，其中模型参数通常通过期望最大化（EM）算法计算，并实施置信传播（BP）算法来计算分解本身。在BP算法的推导过程中，忽略了节点邻域的影响，对网络进行了一些近似，但当网络密度较大或节点度较大时，这些近似不成立。因此，例如，BP算法不能很好地检测网络中的CP结构，甚至产生错误的检测，因为核心组中的节点度非常大。在此基础上，提出了一种改进的BP算法，在不增加任何计算复杂度的情况下解决了原BP算法中的问题。通过对改进的BP算法和原BP算法在社区检测和CP检测上的比较，发现在网络稀疏的情况下，两种算法在社区检测上的性能相当，而对于密集网络中的社区结构或网络中的CP结构，改进的BP算法的性能更好，更稳定。改进的BP算法可以帮助我们正确划分网络中不同类型的细观结构。
2018-08-28 cs.SI physics.soc-ph
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
Local Core Members Aided Community Structure Detection
社交网络中的朋友关系可能很强，也可能很弱。一些研究工作表明，朋友之间的亲密关系会产生良好的社区结构。在此基础上，我们提出了一种基于邻居关系紧密度的社交网络社区结构检测方法。该方法通过计算每个邻居节点对核心节点的引力，判断该节点是否属于社区，最终形成社区发现过程。实验结果表明，该方法能够以较低的计算复杂性有效地挖掘社会结构
2017-10-31 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
Using Model-based Overlapping Seed Expansion to detect highly overlapping community structure
随着对社交网络中社区发现的研究的进展，需要能够检测重叠社区结构的算法。近年来，已经提出了许多算法，能够将每个节点分配给多个社区。这些算法的性能往往会下降时，地面实况包含一个更高度重叠的社区结构，与节点分配到两个以上的社区。这种高度重叠的结构很可能存在于许多社交网络中，例如Facebook的友谊网络。在本文中，我们提出了一个可扩展的算法，MOSES，基于统计模型的社区结构，这是能够检测高度重叠的社区结构，特别是当有方差的社区数量的每个节点是在。在合成数据的评价中，发现MOSES优于现有的算法，特别是在高水平的重叠。我们通过分析五所美国大学的学生之间的友谊联系网络，在真实的社交网络数据上展示了MOSES。
2010-11-17 cs.SI physics.soc-ph stat.ML
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
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
Enhanced PeerHunter: Detecting Peer-to-peer Botnets through Network-Flow Level Community Behavior Analysis
P2P僵尸网络作为各种网络犯罪的基础设施，已经成为网络安全的主要威胁之一。尽管有一些工作声称可以有效地检测集中式僵尸网络，但在检测P2P僵尸网络的问题上存在更多的挑战。我们提出了增强型PeerHunter，一个基于网络流级社区行为分析的系统，用于检测P2P僵尸网络。我们的系统从一个P2P网络流量检测组件开始。然后，它使用“相互联系”将机器人聚集到社区中。最后，它使用网络流级别的社区行为分析来检测潜在的僵尸网络。在实验评估中，我们提出了两种规避攻击，我们假设对手事先知道我们的技术，并试图通过使P2P机器人模仿合法P2P应用程序的行为来规避我们的系统。我们的实验结果表明，增强型PeerHunter可以获得高的检测率，误报率低，对所提出的攻击具有很高的鲁棒性。
2018-11-14 cs.CR cs.NI cs.SI
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
Case studies in network community detection
社区结构描述了网络到子图的组织，子图包含每个子图内的边的普遍性和子图之间边界上相对较少的边。社区检测方法的发展跨越了各个学科，提出了许多不同的算法来寻找社区。正如我们在本章中通过几个案例研究所展示的那样，社区检测不仅仅是一个“最终游戏”本身，而是分析网络数据的一个步骤，然后对感兴趣的学科领域的进一步研究很有用。这些案例研究的例子来自不同的应用，从社会和政治科学到神经科学和遗传学，我们选择它们来展示社区检测的关键方面，并强调社区检测在实践中应该由手头的应用程序来指导。
2017-05-05 cs.SI physics.data-an physics.soc-ph
A Statistical Modelling Approach to Detecting Community in Networks
最近有相当大的兴趣在算法中寻找社区网络-组的顶点内的连接是密集的（频繁），但之间的连接是稀疏的（罕见）。大多数当前文献提倡一种去除边缘的启发式方法（即，使用精心设计的函数移除不太重要的链接）。在这篇文章中，我们将研究一种使用新的建模方法来发现潜在社区的技术，该方法基于信息如何在网络中传播。它将被证明是易于使用，强大和可扩展的。它使与网络/社区结构有关的补充信息（不同的来文、连续的观察）更容易整合。我们将通过提供一些示例性的真实应用程序来展示我们方法的效率，例如著名的Zachary空手道俱乐部或亚马逊政治书籍购买者网络。
2014-02-05 cs.SI stat.AP
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
A Community-Centric Perspective for Characterizing and Detecting Anti-Asian Violence-Provoking Speech
Georgia Institute of Technology（佐治亚理工学院）；Anti-Defamation League（反诽谤联盟）
本研究以社区为中心，利用约42万条Twitter帖子构建数据集和编码手册，对比BERT与LLM分类器，发现检测反亚裔暴力煽动性言论（F1=0.69）比仇恨言论（F1=0.89）更具挑战性，强调公共卫生危机中需主动干预。
2024-07-21 cs.CL cs.SI
Detecting Fake News Spreaders in Social Networks using Inductive Representation Learning
防止假新闻传播的一个重要方面是主动检测其传播的可能性。从网络分析的角度来看，假新闻传播者检测领域的研究还没有得到太多的探索。在本文中，我们提出了一个基于图神经网络的方法来识别节点，很可能成为传播者的虚假信息。使用社区健康评估模型和人际信任，我们提出了一个归纳表示学习框架，以预测最有可能传播假新闻的密集连接社区结构的节点，从而使整个社区容易受到感染。利用真实世界Twitter网络中节点的拓扑和基于交互的信任属性，我们能够预测虚假信息传播者，准确率超过90%。
2020-11-21 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
Genetic Algorithm for Epidemic Mitigation by Removing Relationships
Min-SEIS-Cluster是一个以最小化网络中传染病传播为目标的优化问题。在这个问题中，节点可能易受感染、暴露于感染或具有传染性。这个问题的一个主要特点是，节点有不同的动态时，与来自同一社区的其他节点进行交互。因此，该问题的特征在于来自相同社区和来自不同社区的感染节点的不同概率。本文提出了一种新的遗传算法来解决最小SEIS聚类问题。这种遗传算法大大超越了目前的启发式算法，减少了模拟流行病过程中感染节点的数量。因此，结果表明，我们的新的遗传算法是国家的最先进的启发式解决这个问题。
2017-07-17 cs.SI math.OC
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
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
