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
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 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
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
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
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
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
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
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
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
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
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 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
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
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
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 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
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
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 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
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
Synwalk -- Community Detection via Random Walk Modelling
Graz University of Technology(格拉茨技术大学);Know-Center GmbH(Know-Center 有限公司)
复杂系统在日常生活中无处不在,抽象地表示为网络。分析和理解这些系统需要社区发现工具等。由于不可能存在单一的最佳社区发现算法,因此期望跨各种各样的问题设置的鲁棒性。在这项工作中,我们提出了Synwalk,一个基于随机行走的社区发现方法。Synwalk建立在坚实的理论基础上,通过从一类候选随机游走中合成给定网络引起的随机游走来检测社区。我们彻底验证了我们的方法的有效性合成和经验网络,分别,并比较Synwalk的性能与性能的信息地图和Walktrap。我们的研究结果表明,Synwalk在具有不同混合参数和度分布的网络上具有鲁棒性。我们在具有高混合参数的网络上优于Infomap,在具有许多小社区和低平均度的网络上优于Infomap和Walktrap。我们的工作有可能激发进一步发展的社区发现通过合成的随机游动,我们为未来的研究提供了具体的思路。
2021-01-21 cs.LG 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
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
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
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
Phase transition for detecting a small community in a large network
Carnegie Mellon University(卡内基梅隆大学);Harvard University(哈佛大学);Duke University(杜克大学)
如何在大型网络中检测小社区是一个有趣的问题,包括集团检测作为一种特殊情况,其中基于朴素度的$χ^2$ -测试被证明是强大的,在存在Erdens-Renyi背景。使用Sinkhorn定理,我们表明,由$χ^2$测试捕获的信号可能是一个建模工件,它可能会消失,一旦我们用一个更广泛的网络模型取代Erdens-Renyi模型。我们表明,最近的SgnQ测试更适合这样的设置。该测试在检测规模与整个网络相当的社区时是最佳的,但从未在我们的设置中进行过研究,这是一个非常不同且更具挑战性的设置。使用度校正块模型(DCBM),我们建立了这个测试问题的相变的大小的小社区和边缘密度在小社区和大社区。当小社区的大小大于$\sqrt{n}$时,SgnQ测试是最佳的,因为它达到了计算下界(CLB),即允许多项式计算时间的方法的信息下界。当小社区的规模小于$\sqrt{n}$时,我们建立了SgnQ测试具有全功率的参数机制,并对CLB进行了一些说明。我们还研究了经典的信息下界(LB),并表明,总是有一个差距CLB和LB在我们感兴趣的范围。
2023-03-09 cs.LG cs.SI math.ST
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
Hierarchical community structure in networks
RWTH Aachen University(亚琛工业大学);Maastricht University(马斯特里赫特大学)
本文针对网络中层次社区结构缺乏严格理论的问题,基于随机外部公平划分和随机块模型定义层次结构,并通过谱分析提出一种高效且有原则的层次检测方法。
2023-04-25 cs.LG cs.SI
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
Comprehensive, Efficient Large-Scale Community Detection via Structural Entropy Game
Kunming University of Science and Technology(昆明理工大学);Yunnan Key Laboratory of Artificial Intelligence(云南省人工智能重点实验室);Beihang University(北京航空航天大学);University of Illinois at Chicago(伊利诺伊大学芝加哥分校)
该研究针对大规模网络社区检测难题,提出CoDeSEG算法,通过在潜在博弈框架内最小化二维结构熵识别社区,引入基于结构熵的节点重叠启发式方法及自适应社区更新策略,在多项社区检测任务中性能达最优,检测效率显著提升。
2026-07-17 cs.SI
Detecting Patterns of Interaction in Temporal Hypergraphs via Edge Clustering
Toronto Metropolitan University(多伦多都会大学);Tutte Institute for Mathematics and Computing(塔特数学与计算研究所)
本文提出通过边聚类方法检测时间超图中交互模式,利用结构相似性函数发现顶点簇以辅助后续任务。
2025-06-03 cs.SI
Detecting Communities under Differential Privacy
复杂网络通常具有社区结构,其中节点组与同一组中的其他节点共享许多链接,而与其他节点共享的链接相对较少。此功能可捕获有关组织甚至网络演变的有价值信息。在过去的十年中,大量的社区发现算法被提出来处理日益复杂的网络。然而,很少考虑以私人方式这样做的问题。在本文中,我们解决了这个问题下,差分隐私,一个突出的隐私概念发布私人数据。我们分析了问题背后的主要挑战,并提出了几个方案来解决他们从两个角度:输入扰动和算法扰动。我们选择Louvain方法作为输入扰动方案的后端社区发现,并提出了在噪声超图上运行Louvain算法的LouvainDP方法。对于算法扰动,我们采用指数机制设计ModDivisive,以模块度为评分标准。我们已经在不同大小的真实图上彻底评估了我们的技术,并验证了它们在最先进的水平上的出色表现。
2016-07-07 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
Detecting Offensive Language on Social Networks: An End-to-end Detection Method based on Graph Attention Networks
Sichuan University(四川大学);Cyber Science Research Institute, Sichuan University(四川大学网络空间安全研究院)
社交网络上攻击性语言的普遍存在对社会造成了不良影响,如网上辱骂行为。检测攻击性语言并遏制其传播是当务之急。已有的研究表明,具有社团结构特征的方法可以有效地提高攻击性语言检测的性能。然而,现有的模型都是独立处理社区结构,严重影响了检测模型的有效性。本文提出了一种基于社区结构和文本特征的端到端攻击性语言检测方法(CT-OLD)。具体地说,社区结构特征直接由图注意力网络层捕获,文本嵌入取自BERT的最后一个隐藏层。注意力机制和位置编码被用来融合这些特征。同时,我们加入用户意见的社区结构来表示用户的功能。用户意见由用户历史行为信息表示,其优于由文本信息表示。除此之外,用户和推文在流行数据集中的分布是不平衡的,这限制了模型的泛化能力。为了解决这个问题,我们构建并发布了一个具有合理用户分布的数据集。我们的方法优于基线,F1得分为89.94%。结果表明,端到端模型有效地学习了社区结构和文本的潜在信息,用户历史行为信息更适合用户意见表示。
2022-03-04 cs.AI cs.SI
Learning for Detecting Norm Violation in Online Communities
Artificial Intelligence Research Institute, IIIA-CSIC(人工智能研究所(IIIA-CSIC))
本文提出基于逻辑模型树的机器学习框架,用于检测在线社区规范违反,并利用维基百科编辑数据训练模型,重点识别故意破坏行为。
2021-04-30 cs.LG cs.SI
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
DynBenchmark: Customizable Ground Truths to Benchmark Community Detection and Tracking in Temporal Networks
IMT Atlantique(IMT阿维朗蒂)
本文提出DynBenchmark,一种生成可定制演化社区结构及底层时序网络的基准,用于测试社区检测与跟踪方法,并提供工具以比较真值与算法结果。
2025-10-03 cs.AI cs.SI
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
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
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
Detecting Community Depression Dynamics Due to COVID-19 Pandemic in Australia
近期COVID-19疫情在全球造成前所未有的影响。我们还目睹了数百万人的心理健康问题增加,如抑郁、压力、担忧、恐惧、厌恶、悲伤和焦虑,这些问题已成为这场严重健康危机期间的主要公共卫生问题之一。例如,根据世界卫生组织(WHO)的调查结果,抑郁症是最常见的心理健康问题之一。抑郁症会导致严重的情绪、行为和身体健康问题,并产生重大后果,包括个人和社会成本。本文通过Twitter上的用户生成内容研究了COVID-19大流行导致的社区抑郁动态。提出了一种基于推文多模态特征和词频-逆文档频率(TF-IDF)的抑郁症分类模型。多模态特征从情感、主题和特定领域的角度捕捉抑郁线索。我们研究的问题,使用最近刮推来自澳大利亚新南威尔士州的Twitter用户。我们的新型分类模型能够提取可能受COVID-19及COVID-19期间相关事件影响的抑郁极性。结果发现,人们在COVID-19爆发后变得更加抑郁。政府实施的措施,如国家封锁,也增加了抑郁水平。在地方政府区域(LGA)层面的进一步分析发现,社区抑郁水平在不同的LGA之间是不同的。这种抑郁动力学的粒度级分析不仅可以帮助政府部门等当局在必要时在特定区域更客观地采取相应行动,而且还可以让用户感知抑郁随时间的动态。
2020-07-05 cs.CY 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 Communities from Heterogeneous Graphs: A Context Path-based Graph Neural Network Model
Harbin Institute of Technology, Shenzhen(哈尔滨工业大学(深圳));The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));The University of New South Wales(新南威尔士大学)
社区发现是图挖掘的一项基本任务,其目的是将图中的节点划分为具有密集内部连接的簇。近年来,它被研究在异构图上,其中包含多种类型的节点和边,提出了很大的挑战,建模节点之间的高阶关系。随着图嵌入机制的兴起,它也被应用到社区发现中。一组引人注目的工作使用元路径来捕获节点之间的高阶关系,并将其嵌入到节点的嵌入中,以促进社区发现。然而,定义有意义的元路径需要大量的领域知识,这在很大程度上限制了它们的应用,特别是在模式丰富的异构图,如知识图谱。为了解决这一问题,本文提出利用上下文路径来捕捉节点间的高阶关系,并构建基于上下文路径的图神经网络(CP-GNN)模型。它递归地将节点间的高阶关系嵌入到节点嵌入中,并引入注意力机制来区分不同关系的重要性。该模型通过最大化上下文路径连接节点的同现期望,学习既能很好地保持节点间高阶关系又有利于社区发现的节点嵌入。在四个真实世界数据集上的广泛实验结果表明,CP-GNN优于最先进的社区发现方法。
2021-09-05 cs.AI cs.SI
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
Modelling community formation driven by the status of individual in a society
在人类社会中,人们愿意竞争和争取更好的社会地位,以及嫉妒那些被认为在某种程度上优越的人,导致社会结构本质上是等级制的。在这里,我们提出了一个基于代理的网络模型来模仿个人的排名行为及其在人类社会中可能产生的影响。该模型的主要成分是假设社会互动的相关特征是每个人的意愿,以最大限度地提高他或她的地位相对于他人。由该模型产生的社交网络是同性恋和排斥性的,正如在人类社区中经常观察到的那样,大多数网络属性似乎与其大小无关。然而,可以看出,对于少量的代理,由此产生的网络由不相交的弱连接社区组成,同时具有高度的互补性和同性恋性。另一方面,更大的网络与更大的社区更有凝聚力,但不那么同性恋。我们发现,这些变化的原因是,更大的网络规模允许代理使用新的策略,以最大限度地提高他们的社会地位,允许他们之间的联系更加多样化。
2017-02-08 cs.MA cs.SI physics.soc-ph
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
Latent heterogeneous multilayer community detection
Huawei Noah's Ark Lab(华为诺亚方舟实验室);University of South Florida(南佛罗里达大学);University of Michigan(密歇根大学);GIPSA-lab, University Grenoble-Alpes(格勒诺布尔-阿尔卑斯大学GIPSA实验室);MIT-IBM Watson AI Lab, IBM Research(IBM研究院MIT-IBM沃森人工智能实验室)
提出了一种在多层加权无向网络中同时检测共享和非共享社区的方法。假设多层网络遵循生成概率模型,该模型考虑了社区之间的相似性和差异性。我们利用变分贝叶斯方法联合推断共享和非共享的隐藏社区从多层网络的观察。我们表明,我们的方法在检测合成数据以及真实全基因组成纤维细胞增殖数据集上的不同(共享和私有)社区方面优于最先进的算法。
2019-06-24 cs.LG cs.SI stat.ML
Community Detection in Large-Scale Complex Networks via Structural Entropy Game
针对大规模网络社区检测的挑战,提出基于势博弈和二维结构熵最小化的CoDeSEG算法,实现快速且高精度的重叠社区检测。
2025-01-25 cs.SI
HoSIM: Higher-order Structural Importance based Method for Multiple Local Community Detection
局部社区发现近年来引起了广泛的研究关注,针对单个局部社区发现,即发现包含给定查询节点集合的社区,已经提出了许多方法。然而,节点可能属于网络中的几个社区,和检测的查询节点集的所有社区,被称为多个本地社区发现(MLCD),是更重要的,因为它可以发现更多的潜在信息。MLCD也更具挑战性,因为当查询节点属于多个社区时,它总是位于社区的复杂重叠区域和边缘区域。因此,通过应用种子扩展方法来检测这些节点的多个社区是不够的。在这项工作中,我们解决了高阶结构重要性(HoSI)的基础上的MLCD。首先,为了有效地估计高阶结构的影响,我们提出了一种新的随机游走变体,称为主动随机游走,以测量节点之间的HoSI得分。然后,我们提出了两个新的指标来评估一个子图的HoSI得分到一个节点和一个节点的HoSI得分,分别。基于所提出的指标,我们提出了一种新的算法,称为HoSIM检测多个本地社区的一个查询节点。HoSIM执行三阶段处理,即子图采样、核心成员识别和局部社区发现。其核心思想是利用HoSI发现和识别与查询节点相关的社区的核心成员,并优化生成的社区。大量的实验验证了HoSIM的有效性。
2022-05-24 cs.SI