Detecting community structure in networks using edge prediction methods
社区检测和边缘预测是链接挖掘的两种形式：它们涉及发现网络中顶点之间的关系。在边缘预测中使用的一些顶点相似性度量与社区结构的概念密切相关。我们利用这一洞察力，提出了一种新的方法，通过使用一个简单的顶点相似性度量来改善现有的社区检测算法。我们表明，这种新的策略可以更有效地检测社区比基本的社区检测算法。
2012-01-17 cs.SI physics.soc-ph
Epidemic spreading on complex networks with community structures
许多现实世界的网络都显示出社区结构。我们研究了两种随机图模型，它们创建了一个与给定网络具有相似社区结构的网络。一个模型保留了原始网络的精确社区结构，而另一个模型只保留了社区集合和顶点度。这些模型表明，社区结构是网络上的渗流过程，如信息扩散或病毒传播的行为的一个重要决定因素：社区结构既可以是\textit{enforce}，也可以是\textit{inhibit}扩散过程。我们的模型进一步表明，重要的是介观社区集。社区的确切内部结构几乎不影响网络中的渗流过程。这种不敏感性可能是由于社区的相对密集。
2016-11-18 cs.SI physics.soc-ph
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
An Empirical Study of the Relation Between Community Structure and Transitivity
现实世界网络中最突出的特性之一是社区结构的存在，即称为社区的密集和松散互连的节点组。为了更好地理解这一概念，我们研究了社区结构的强度与网络传递性（或聚类系数）之间的关系。虽然直观上很吸引人，但以前没有进行过这种分析。我们采用基于随机模型的方法来实证研究一个属性如何根据另一个属性而变化。结果表明，传递性随群落结构强度的增加而增加，并受群落规模分布的影响。此外，增加传递性也会导致更强大的社区结构。更令人惊讶的是，如果一个非常弱的社区结构导致几乎为零的传递性，相反的情况是不正确的，一个传递性接近零的网络仍然可以有一个明确定义的社区结构。需要进一步分析工作，以确定所确定的关系的确切性质。
2012-07-13 cs.SI physics.soc-ph
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
Using Community Structure for Complex Network Layout
我们提出了一种新的布局算法，复杂的网络，结合了多尺度的方法，社区检测与标准的力导向设计。由于社区检测在计算上是便宜的，我们可以利用多尺度方法来快速生成具有接近最小能量的网络配置。作为进一步的资产，我们可以使用社区结构的知识来促进大型网络的解释，例如由蛋白质-蛋白质相互作用定义的网络。
2012-07-26 cs.SI physics.soc-ph
Identifying the Community Structure of the International-Trade Multi Network
我们研究了1992-2003年期间世界各国之间特定商品贸易关系的多重网络的社区结构。我们通过归一化互信息指数（NMI）比较了不同商品和时间的结构。我们还比较了它们与由地理距离和区域贸易协定引起的外生社区结构。我们发现，商品特定的社区结构是非常异质性和更分散的特征比总ITN。这表明，ITN的总属性可能是多种商品特定的多层网络的聚合的结果（并且是非常不同的）。我们还表明，具体商品的社区结构，特别是那些与化学部门，正变得越来越类似于总的。最后，我们的研究结果表明，地理距离是更相关的观察到的社区结构比区域贸易协定。这一结果加强了以前的研究结果从贸易的实证文献。
2010-09-21 cs.SI physics.soc-ph
Immunization of networks with non-overlapping community structure
虽然社区结构在复杂网络中普遍存在，但很少有研究利用这种拓扑性质来控制流行病。在这项工作中，致力于非重叠社区结构的网络（即，一个节点属于一个单一的社区），我们提出并研究了三个确定性免疫策略。为了表征节点的影响，使用各种信息，例如节点在一跳中可以到达的社区的数量、链路的性质（社区内链路、社区间链路）、社区的大小以及社区之间的互连密度。在真实网络和合成网络上进行了易感-感染-移除（SIR）流行病模型的数值模拟。实验结果表明，所提出的策略是更有效的比经典的确定性的替代品是不可知的社区结构。此外，它们优于为模块化网络设计的随机和确定性策略。
2018-06-14 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
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
Ensemble-Based Discovery of Disjoint, Overlapping and Fuzzy Community Structures in Networks
虽然数据采掘中的集成聚类已经做了大量的工作，但集成方法在网络社区发现中的应用还处于起步阶段。在本文中，我们提出了两种集成方法：ENDISCO和MEDOC。ENDISCO执行不相交的社区发现。相比之下，MEDOC执行不相交，重叠，和模糊社区发现，并代表了第一次集成方法模糊和重叠社区发现。我们运行广泛的实验，这两种算法对合成和几个真实世界的数据集，社区结构是已知的。我们表明，ENDISCO和MEDOC都击败了最著名的现有独立的社区发现算法（虽然我们强调，他们利用他们）。在不相交的社区发现的情况下，我们表明，ENDISCO和MEDOC击败现有的集成社区发现算法无论是在多个准确性措施和运行时间。我们进一步表明，我们的集成算法可以帮助探索网络社区的核心-外围结构，识别动态网络中的稳定社区，并帮助解决“解的退化”问题，产生强大的结果。
2017-12-06 cs.SI physics.soc-ph
Preferential placement for community structure formation
近年来，人们提出了各种模型来反映和预测复杂网络的不同性质。然而，社区结构，这是最重要的属性之一，没有得到很好的研究和建模。在本文中，我们提出了一个原则，称为“优先放置”，它允许模拟一个现实的集群结构。我们对所获得的结构进行了广泛的实证分析以及一些理论结果。
2019-02-03 cs.SI physics.soc-ph
Comparing Online Community Structure of Patients of Chronic Diseases
在本文中，我们比较了人们在Facebook和Twitter上谈论克罗恩病，囊性纤维化和1型糖尿病的社交网络结构。我们发现，克罗恩病社区的贡献者在Facebook和Twitter上最情绪化，在Twitter上最消极，而T1D社区的通信网络结构是最有凝聚力的。
2015-02-18 cs.SI physics.soc-ph
Detecting Statistically Significant Communities
社区发现是一个跨领域的关键数据分析问题。在过去的几十年中，已经提出了许多算法来解决这个问题。然而，大多数关于社区发现的工作并没有解决统计显著性的问题。虽然一些研究工作已经取得了对挖掘统计上显着的社区，推导出一个社区的配置模型下的p值的分析解决方案仍然是一个具有挑战性的任务，仍然没有解决。配置模型是社区发现中广泛使用的随机图模型，在生成的随机网络中保持每个节点的度。为了部分地填补这一空白，我们提出了一个严格的上限上的配置模型下，一个单一的社区的p值，它可以用于量化分析每个社区的统计意义。同时，我们提出了一种局部搜索方法，以迭代的方式检测统计显著社区。实验结果表明，我们的方法是可比的竞争方法检测统计上显着的社区。
2019-08-11 cs.SI physics.soc-ph
Community detection algorithm evaluation with ground-truth data
社区结构对于理解复杂网络至关重要。因此，为了开发有效的社区发现算法，存在巨大的努力。不幸的是，公平评估这些算法的问题是一个蓬勃发展的开放问题。如果真值社区结构可用，则使用各种基于聚类的度量，以便将其与这些算法发现的度量进行比较。然而，在节点级别定义的这些度量对整个社区结构的变化相当不敏感。为了克服这些限制，我们建议利用的拓扑特征的“社区图”（其中的节点是社区和链接代表他们的相互作用），以评估算法。为了说明我们的方法，我们进行了全面的分析重叠社区发现算法使用一组现实世界的网络与已知的先验社区结构。结果提供了一个更好的感知其相对性能相比，经典的指标。此外，他们表明，更多的重点应该放在社区结构的拓扑结构。我们还研究了社区结构的拓扑性质和替代评价指标（质量指标和聚类指标）之间的关系。显然，他们提出了不同的意见，社区结构，他们必须结合起来，以评估社区发现算法的有效性。
2017-11-26 cs.SI physics.soc-ph
Node Dominance: Revealing Community and Core-Periphery Structure in Social Networks
本研究将节点优势的局部性质与网络的局部和全局性质联系起来。迭代去除支配节点产生用于计算社交网络的核心-外围分解的分布式算法，其中网络核心中的节点在网络流和全局结构方面被认为是必不可少的。此外，外围的连接组件提供了有关网络社区结构的信息，有助于社区发现。一些明确的结果，得出有关的核心和外围网络流，社区结构和全球网络结构，这是由观测结果证实。该方法说明了使用现实世界的网络（DBLP合著网络），与地面真理社区。
2015-09-24 cs.SI physics.soc-ph
Identifying Community Structures in Dynamic Networks
大多数现实世界的社交网络本质上是动态的，由成员不断变化的社区组成。为了跟踪这些不断发展的社区，我们需要动态的社区发现技术。本文评估了一组博弈论方法在动态网络中识别社区的性能。我们的方法，D-GT（动态博弈论社区发现），模型的每个网络节点作为一个理性的代理定期发挥社区成员的游戏与邻居。在游戏过程中，节点通过加入或离开网络邻居的社区来寻求最大化其本地效用。社区结构在博弈达到纳什均衡后出现。与基准社区发现方法相比，D-GT更准确地预测社区的数量，并发现具有更高的归一化互信息的社区分配，同时保持良好的模块化。
2016-09-12 cs.SI physics.soc-ph
Community structure and scale-free collections of Erdös-Rényi graphs
社区结构在社交网络和类似图的分析中起着重要的作用，但这种结构很少被理解，大多数模型都没有很好地捕捉到。我们正式定义一个社区是一个内部高度连接的子图，没有更深的子结构。我们使用组合学的工具，以表明任何这样的社区必须包含一个密集的Erdös-Rényi（ER）子图。基于数学论证，我们假设任何具有重尾度分布和社区结构的图都必须包含一个稠密ER子图的无标度集合。这些理论上的观察与经验上的证据相吻合。由此，我们提出了块两级Erdös-Rényi（BTER）模型，并证明它准确地捕捉到许多现实世界的社交网络的可观察属性。
2011-12-15 cs.SI physics.soc-ph
Analysis of stability of community structure across multiple hierarchical levels
群落结构的稳定性分析一直是众多科学家关注的重要问题。在这里，我们提出了一个新的框架，揭示隐藏的社区结构的定量分析动力学的波茨模型。具体地说，我们用马尔可夫过程来模拟社区结构检测的Potts过程，这有一个明确的数学解释。关于多元自旋组态的临界拓扑信息也可以从马尔可夫过程的谱意义中推断出来。我们在一些示例网络上测试了我们的框架，发现它根本不存在确定性限制问题。结果表明，我们提出的模型能够有效地揭示不同尺度下的层次结构。
2015-03-27 cs.SI physics.soc-ph
Permanence and Community Structure in Complex Networks
社区发现算法的目标是识别大型网络中的密集连接单元。一个隐含的假设是，所有的组成节点都平等地属于它们相关联的社区。然而，在社区中，一些节点比其他节点更重要。到目前为止，主要是将社区作为一个整体来识别，而不是了解单个节点在多大程度上属于其社区。因此，大多数评估社区的指标，例如模块化，都是全局的。这些指标为每个社区而不是每个单独的节点生成一个分数。在本文中，我们认为，社区中的节点的相似性是不均匀的。持久性的中心思想是基于这样的观察：一个顶点对社区的成员资格的强度取决于两个因素：（i）社区内与社区外的顶点连接的程度，以及（ii）顶点内部连接的紧密程度。我们讨论持久性如何可以帮助我们理解和利用社区的结构和演化，证明它可以用来-（一）衡量社区中的顶点的持久性，（二）设计策略，以加强社区结构，（三）探索社区内的核心外围结构，（四）选择合适的发起人进行消息传播。我们证明了最大化持久性的过程产生有意义的社区，同意与地面真相的网络社区结构更准确地比其他八个流行的社区发现算法。最后，我们证明了用这种方法得到的社区（i）受点序变化的影响较小，（ii）对分辨率限制，解的退化和值的渐近增长更具弹性。
2016-06-05 cs.SI physics.soc-ph
A Real-Time Detecting Algorithm for Tracking Community Structure of Dynamic Networks
本文提出了一种简单而有效的实时的【形】社团结构检测算法。社区结构直观地描述为将网络节点划分为子组，在子组内节点紧密连接，而在子组之间节点稀疏连接。为了评价网络社团结构的优劣，人们提出了一个叫做模块度的度量标准，并提出了许多优化算法，但是基于模块度的算法大多是针对静态网络的，计算复杂度高，不能频繁执行。为了以细粒度的方式跟踪动态网络的社区结构，我们提出了一个基于模块化的算法，是增量的，具有很低的计算复杂度。在我们的算法中，我们采用了两步的方法。首先，我们应用Blondel等人的静态社区检测算法来获得初始社区结构。然后，应用我们的增量更新策略来跟踪动态社区。我们的算法的性能是衡量的模块化。我们测试跟踪安然电子邮件和其他三个真实世界的数据集上的社区结构的算法。实验结果表明，该算法能够及时跟踪社区结构，在模块性方面优于CNM算法。
2014-07-10 cs.SI physics.soc-ph
Evaluating community structure in large network with random walks
社团结构是网络的重要性质之一。大多数社区算法由于其耗时而不适合大型网络。事实上，有很多网络都有数百万甚至数十亿个节点。在这种情况下，大多数算法运行时间为O（n2logn）甚至更大是不实际的。我们需要的是线性或近似线性的时间算法。针对这一需求，本文提出了一种快速评估网络社团结构的方法，并在此基础上提出了一种基于随机游动的近似线性时间的局部社团算法。使用我们的社区评价方法，我们可以发现一些与以前使用的方法不同的结果，即，纽曼模块化我们的算法在小规模的基准网络中是有效的，精度比更复杂的算法低，但对于大型网络，特别是超大型网络，在时间上有很大的优势。
2013-01-12 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
Matching Community Structure Across Online Social Networks
网络中社团结构的发现是近年来引起人们极大兴趣的一个问题。在在线社交网络中，用户经常同时参与多个社交媒体站点，其中一些共享共同的社交关系。在这些网络中发现一个共享的社区结构是非常有趣的。然而，在现实中，用户通常在社交媒体网站上使用不同的用户名来标识自己。这就给探测群落结构带来了很大的困难。在本文中，我们探讨了几种方法，社区发现在线社交网络与有限的知识，跨网络的用户名对齐。我们将已知的用户名对齐称为种子。我们研究了种子选择策略及其对具有不同重叠顶点比例的网络的影响。我们的目标是研究网络拓扑结构和种子选择策略之间的相互作用，并了解它如何影响检测到的社区结构。我们还提出了几种措施来评估社区发现的性能，并使用它们来衡量Twitter-Twitter网络和Twitter-Instagram网络中检测到的社区的质量。
2016-08-03 cs.SI physics.soc-ph
Finding community structure using the ordered random graph model
本文针对经典矩阵排序算法难以揭示网络社区结构的问题，提出基于有序随机图模型最大似然估计的排序算法，实验表明其能更清晰地识别社区结构。
2023-07-10 cs.SI physics.soc-ph
Extension of Modularity Density for Overlapping 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不相交社区结构的强度。虽然模块度的几种重叠扩展被提出来衡量重叠社区结构的质量，但缺乏对不同扩展的系统比较。为了填补这一空白，我们概述了模块化的重叠扩展，以选择最好的。此外，我们扩展了模块密度度量，使其用于重叠的社区。在四个真实网络上使用模块度的重叠扩展、重叠模块度密度和其他六个社区质量度量的实验结果表明，当使用两个节点的归属系数的乘积作为归属函数时，获得了最好的结果。此外，我们的实验表明，重叠模块密度是一个更好的衡量重叠社区结构的质量比其他指标考虑。
2015-07-16 cs.SI physics.soc-ph
Demarcating Geographic Regions using Community Detection in Commuting Networks with Significant Self-Loops
我们开发了一种方法来识别具有高比例自循环权重的加权网络中的统计显著社区。我们使用这种方法来找到重叠的聚集美国县表示县间通勤作为一个加权网络。我们确定了三种类型的社区;非节点，节点和单子，这对应于不同类型的区域。研究结果表明，传统的区域划定，依赖于特设的阈值不占重要的和普遍的连接，远远超出预期的大都市边界或megalgions。
2020-03-26 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
RobustECD: Enhancement of Network Structure for Robust Community Detection
社区发现是网络分析中的一个重要环节，它主要研究节点间的相互作用。然而，它也面临着许多挑战，如数据丢失和对抗攻击。如何进一步提高社区发现在现实网络中的性能和鲁棒性，已经引起了人们的极大关注。本文从增强网络结构的角度研究了鲁棒社区发现问题，提出了两种通用算法：一种是基于遗传算法的鲁棒社区发现算法（RobustECD-GA），在适应度函数中结合模块度和聚类数来寻找最优的结构增强方案;另一种是基于相似性集成的鲁棒社区发现（RobustECD-SE），集成了各种顶点相似性捕获的社区结构的多种信息，在大规模网络上具有很好的扩展性。在真实网络上的综合实验表明，与传统的两种增强策略相比，新方法使六种典型的社区发现算法的性能得到了更显著的提高。在相应的对抗网络上的实验表明，新方法还能在一定程度上优化网络结构，对对抗攻击具有较强的鲁棒性。本文的源代码发布在https://github.com/jjzhou012/RobustECD上。
2021-07-01 cs.SI physics.soc-ph
Parallel Toolkit for Measuring the Quality of Network Community Structure
许多网络显示出社区结构，它识别出节点组，其中连接比它们之间的连接更密集。检测和描述这种社区结构，即社区发现，是网络系统研究的基本问题之一。它在过去几年中受到了相当大的关注。已经开发了许多技术用于高效和有效的社区发现。其中，效率最高的算法是标签传播算法，其计算复杂性为O（|E|）。虽然它在边的数量上是线性的，但对于非常大的网络来说，运行时间仍然太长，需要并行的社区发现。此外，计算社区结构的社区质量度量在有和没有地面实况的情况下都是计算上昂贵的。然而，到目前为止，我们还没有意识到任何努力，介绍并行处理这个问题。在本文中，我们提供了一个并行工具包来计算这些指标的值。我们分别在分布式存储机和共享存储机上对并行算法进行了评价。实验结果表明，它们产生了显着的性能增益超过顺序执行的总运行时间，加速比和效率。
2015-07-20 cs.SI physics.soc-ph
Homophyly Networks -- A Structural Theory of Networks
网络科学面临的一个重大挑战显然是缺乏一个网络结构理论。作者证明了社团结构的存在是真实网络中的普遍现象，而随机性和偏好连接都不是网络\footnote{A. Li, J. Li, and Y. Pan, Community structures are definable in networks, and universal in the real world, To appear.}社团结构的机制。这就提出了一个基本问题：真实网络的社区结构机制是什么？在这里，我们发现，同源性是社区结构的机制和网络的结构理论。我们提出了一个同源性模型。结果表明，该模型的网络满足一系列新的拓扑、概率和组合原理，包括基本原理、社团结构原理、度优先原理、宽度原理、包含与感染原理、王节点原理和预测原理等，从而形成了网络的结构理论.我们的模型表明，网络中的同伦性是网络社团结构的内在机制，同一社团中的节点具有共同的特征，幂律和小世界性质并不是网络中社团结构存在的障碍，社团结构在网络中是可定义的.
2013-10-30 cs.SI physics.soc-ph
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
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
Consistency of community structure in complex networks
网络中最广泛使用的社区发现技术，包括基于模块化、统计推断和信息论论证的方法，都是通过优化衡量网络分区质量的目标函数来工作的。然而，有一个很好的理由可以证明，在这样一个目标函数下，人们不应该只看单一的最佳社区结构，而应该选择得分高的结构。如果这样做，人们通常会发现所得的结构显示出相当大的变化，这已经被认为是这些社区发现方法不可靠的证据，因为它们似乎不能给出一致的答案。在这里，我们认为，经过仔细检查，发现的结构实际上是一致的，在某种程度上。具体来说，我们表明，他们都可以组装从一组底层的“积木”，组的网络节点，通常被发现在同一个社区。不同的群落结构对应于不同的区块排列，但区块本身在很大程度上是不变的。我们提出了一个信息理论的方法，发现在特定的网络中的构建块，并证明了它与几个示例应用程序。我们的结论是，传统的社区发现并不像有些人认为的那样失败，事实上，它对网络结构提供了大量的洞察力，尽管可能并不完全像以前想象的那样。
2019-08-26 cs.SI physics.soc-ph
Fast community structure local uncovering by independent vertex-centred process
针对社区发现的任务，提出了一种基于分布式列表构建的局部方法，其中每个顶点广播的基本信息仅依赖于其度和其邻居的度。然后，一个分散的外部过程揭示了社区结构。所提出的方法的相关性实验上显示人工和真实的数据。
2015-09-11 cs.SI physics.soc-ph
Community structure in co-inventor networks affects time to first citation for patents
我们研究了一组专利的共同发明人网络中的社区结构，并将这种结构与这些专利如何获得首次引用的动态联系起来。第一次引用的时间滞后的统计学显著差异与该引用是否来自其所列发明人与被引用专利的发明人在同一社区共享成员资格的专利有关。虽然不同的社区检测算法识别的发明人社区结构在几个方面不同，包括社区规模分布，第一次引用的时间差异的幅度是鲁棒性的展示。我们的工作是能够量化的预期加速知识流动的发明家社区，从而进一步建立网络分析工具的效用，研究创新动态。
2019-03-30 cs.SI physics.soc-ph
Ordered community structure in networks
网络中的社区结构通常是基于顶点的某些属性的同质性或竞争性混合的结果。例如，研究人员可以被分组到与他们的研究主题相对应的社区中。如果顶点属性具有离散值，则这是可能的，但是许多网络通过一些连续值属性（例如年龄或地理位置）表现出连续混合。在这种情况下，无法确定离散的社区。我们考虑如何将社区结构的概念推广到基于连续值属性的网络：一般来说，网络可能包含根据其属性值排序的离散社区。我们提出了一种生成有序网络的方法，并研究了有序社区结构对传染病传播的影响。我们还表明，社区检测算法无法恢复有序网络中的社区结构，并评估一种替代方法，使用布局算法来恢复排序。
2012-02-13 cs.SI physics.soc-ph
Detecting overlapping community structure: Estonian network of payments
揭示真实网络所表现出的社区结构是全面理解复杂系统的一个基本阶段，超越了其组件的局部组织。社区检测技术有助于深入了解网络组件的本地组织。在这项研究中，我们确定和调查的重叠社区结构的一个有趣的和独特的案例研究：爱沙尼亚的支付网络。为了进行研究，我们使用团渗流方法，并探讨社区的统计分布函数，在大多数情况下，我们发现无标度属性。在这个网络中，节点代表爱沙尼亚公司，链接代表公司之间的支付。我们的研究通过对一个国家的支付网络进行首次重叠社区检测分析，增加了复杂网络的文献。
2018-12-11 cs.SI physics.soc-ph
Community Structure Characterization
本条目讨论了描述在复杂的感兴趣网络中识别的一些社区的问题，以允许解释它们的方式。我们假设社区结构已经通过文献中提出的许多方法之一被检测到。接下来的问题是如何从第一个结果中提取有价值的信息，以便人类进行解释。这需要后续处理，我们将在本条目的其余部分进行描述。
2018-04-20 cs.SI physics.soc-ph
The way to uncover community structure with core and diversity
社区在自然界和社会中无处不在。拥有共同财产的个体通常会自我组织形成社区。本文针对计算复杂、信息预先给定、不同运行结果不稳定等不足，提出了一种简单有效的方法，加深了对复杂系统中群落出现和多样性的理解。该方法通过引入理性随机选择，揭示了社区结构中隐藏的确定性和正常的多样性社区状态。为了证明这种方法，我们用真实世界的系统进行了测试。实验结果表明，该方法不仅能够以较高的灵敏度和可靠性检测出社区结构，而且能够通过给出核心社区、真实社区、潮流和多样性等信息，对隐藏的确定性社区世界和正常的多样性社区世界提供指导性信息。这对于理解、预测和控制复杂系统中的各种集体行为是至关重要的。
2017-06-28 cs.SI physics.data-an 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
Recognizing number of communities and detecting community structures in complex networks
本文讨论了复杂网络中社团数目的识别和社团结构的检测问题。块模型作为一种直观可行的算法，已成功应用于复杂网络社团结构的检测。为了衡量块模型的质量，我们首先定义一个目标函数WQ值。为了得到网络的块模型B，采用GSA算法，在随机密钥的帮助下优化WQ。在块模型B上执行过程AO（Adding Ones）和RO（Removing Ones）之后，可以清楚地识别网络的社区数量。此外，基于块模型节点排序与社团排序一致的优点，提出了一种新的模糊边界社团结构检测算法，并成功地应用于一些典型网络。最后通过实验验证了该算法的可行性。
2018-03-18 cs.SI physics.soc-ph
Overlapping Community Structure in Co-authorship Networks: a Case Study
社团结构是现实世界复杂网络的重要性质之一。它在它们的行为和拓扑结构中起着至关重要的作用。虽然在社区发现问题上已经做了重要的工作，但很少关注社区结构的分析。在本文中，我们提出了一个广泛的调查重叠社区网络推导出一个大规模的合著网络。重叠社区网络的节点代表了合著网络的功能社区，链接说明了社区共享合著网络中的一些节点。对这两种网络拓扑性质的比较分析表明，它们具有相似的拓扑性质。这些结果非常有趣。事实上，社区网络似乎是原始合著网络的一个很好的代表。由于其较小的尺寸，它可能更实用，以便实现在大规模现实世界网络中无法轻松执行的各种分析。
2015-04-01 cs.SI 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
Clustering Drives Assortativity and Community Structure in Ensembles of Networks
聚类、重复性和社区是复杂网络的关键特征。我们探测这些属性之间的依赖关系，发现具有较强的聚类的合奏显示高的程度和突出的社区结构，而合奏具有高的聚类性是不太偏向于集群或社区结构。此外，集群网络可以放大小的同性恋倾向的性状重复性。这种明显的不对称性表明，传递性，而不是同质性，驱动标准的非社会/社会网络二分法。
2011-01-05 cond-mat.stat-mech cs.SI physics.soc-ph
Tunable and Growing Network Generation Model with Community Structures
近年来，人们对社交网络的建模和仿真越来越感兴趣，以了解一些社会现象。小世界网络和无标度网络是两类重要的网络，它们的研究引起了人们的广泛兴趣。社交网络的另一个重要特征是社区结构的存在。许多社会过程，如信息扩散和疾病流行依赖于社区结构的存在，使其成为网络生成模型的一个重要属性。在本文中，我们提出了一个可调的和增长的网络生成模型，具有小世界和无标度特性，以及社区结构的存在。该模型的主要贡献是，由此创建的社区满足三个重要的结构特性：每个社区内的连接遵循幂律，社区有高的聚类系数和层次社区结构存在于使用该模型生成的网络。此外，该模型是高度鲁棒的，能够产生具有许多不同的拓扑特征的网络，不同的聚类系数和簇间边缘。我们的模拟结果表明，该模型产生的小世界和无标度网络，以及描绘现实世界的社会和社交网络的社区的存在。
2014-10-31 cs.SI physics.soc-ph
Leveraging Evolution Dynamics to Generate Benchmark Complex Networks with Community Structures
在过去的十年中，复杂社交网络领域取得了巨大的发展。人们已经广泛研究了几种网络生成模型，以了解现实世界的网络如何随着时间的推移而演变。这些模型的两个重要应用是研究形成网络的演化动力学和过程，并生成具有已知社区结构的基准网络。这两个方向的研究都进行了，相对独立于其他方向。这在真实世界网络和作为基准生成的网络之间创建了一个分离点，以研究社区发现算法。在本文中，我们建议一起研究这两个应用领域。我们介绍了一个网络生成模型，它是基于现实世界中的网络的演化动力学，它可以生成网络的社区结构，可用作基准图。我们研究了不同的社区发现算法的基础上提出的模型的行为，并将其与其他模型生成基准图。结果表明，该模型可以生成的网络，不仅在结构上类似于现实世界的网络，但可以用来生成不同的社区规模和拓扑结构的网络。
2017-01-20 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
Community Detection Algorithm Combining Stochastic Block Model and Attribute Data Clustering
Tohoku University（东北大学）；Yamagata University（山形大学）
我们提出了一种新的算法来检测社区结构的网络，利用网络结构和顶点属性数据。假设我们有网络结构和顶点属性数据，即分配给每个顶点的信息与它所属的社区相关联。本文所解决的问题是从网络结构和顶点属性数据的信息中检测社区结构。我们的方法是基于贝叶斯方法，模型的后验概率分布的社区标签。在我们的方法中的社区结构的检测是通过使用信念传播和EM算法。我们使用计算机生成的网络和真实世界的网络数值验证了我们的方法的性能。
2016-07-21 cs.LG cs.SI physics.soc-ph
Spectra of random graphs with community structure and arbitrary degrees
利用随机矩阵理论的方法，研究人员最近计算了具有任意度和社区结构的随机网络的全谱。两者都揭示了有趣的光谱特征，包括偏离维格纳周期分布和社区结构网络光谱中的相变。在本文中，我们推广了这两种计算方法，给出了一个计算具有社团结构和任意度分布的网络的谱的处方。一般来说，频谱有两部分，一个连续的谱带，它可以强烈偏离经典的周期形式，和一组外围特征值，表明社区的存在。
2013-09-30 cond-mat.stat-mech cs.SI physics.soc-ph
A divisive spectral method for network community detection
社区发现是复杂网络分析中的一个基本问题。它受到了极大的关注，在过去的十年中提出了许多社区发现方法。本文提出了一种区分谱方法来识别网络中的社团结构，该方法首先利用稀疏化操作对网络进行预处理，然后利用重复二分谱算法对网络进行社团划分.稀疏化操作使得社团边界更加清晰、尖锐，从而使得重复谱平分算法能够从稀疏化后的网络中准确地提取出高质量的社团结构。实验结果表明，网络稀疏化与谱平分算法的结合是非常成功的，该方法在检测网络社团结构方面比其他方法更有效。
2015-07-13 cs.SI physics.soc-ph
Co-community Structure in Time-varying Networks
在这篇报告中，我们引入了时变网络中的共同体结构的概念。我们提出了一种新的优化算法来快速检测这些网络中的共同体结构。理论和数值实验结果表明，该方法不仅可以解决详细的共同体，而且可以有效地识别这些网络中的动力学现象。
2012-01-18 cond-mat.stat-mech cs.SI nlin.AO
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
How to Measure Significance of Community Structure in Complex Networks
社团结构分析是研究复杂网络的有力工具，它可以大大简化复杂网络的功能分析。近年来，人们提出了许多方法来检测社区结构，但很少有工作集中在社区结构的意义。由于从复杂系统中得到的真实网络中往往存在错误链接，而且大多数社团发现算法中存在随机因素，因此评价社团结构的重要性就显得尤为重要和迫切。在本文中，我们使用特征向量的稳定性来表征社区结构的重要性。通过对一个给定网络的Laplacian矩阵的特征值进行分析，可以评估其社区结构的重要性，从而得到最优社区数目，这是社区发现算法的难点。我们将我们的方法应用于许多真实的网络。我们发现许多社交网络和秀丽隐杆线虫神经网络中存在显著的社区结构，而蛋白质相互作用网络和代谢网络中存在不太显著的社区结构。由于其坚实的数学基础和效率，我们的方法可以应用于广泛的聚类问题的数据挖掘。
2010-02-10 physics.data-an physics.soc-ph
