首页/论文/1402.6508

arXiv 1402.65082014-02-27cs.SIphysics.soc-ph

关于多步社区发现的思考

Considerations about multistep community detection

Cristian Bisconti, Angelo Corallo, Laura Fortunato, Antonio A. Gentile

备注：: 12 pages

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

网络中的社区发现问题及其意义在自然科学和社会科学中有着重要的应用，引起了人们极大的关注。已经开发了许多算法来解决这个问题，解决速度优化或计算分区的质量。在本文中，我们提出了一个多步骤的程序桥接最快，但不太准确的算法（粗聚类），与最慢，最有效的（细化）。通过采用节点的启发式排序，并将其中的一小部分分类为“关键”，可以将细化步骤限制在网络的这个子集上，从而节省计算时间。初步的数值结果进行了讨论，显示最终分区的改善。

英文摘要：

The problem and implications of community detection in networks have raised a huge attention, for its important applications in both natural and social sciences. A number of algorithms has been developed to solve this problem, addressing either speed optimization or the quality of the partitions calculated. In this paper we propose a multi-step procedure bridging the fastest, but less accurate algorithms (coarse clustering), with the slowest, most effective ones (refinement). By adopting heuristic ranking of the nodes, and classifying a fraction of them as `critical', a refinement step can be restricted to this subset of the network, thus saving computational time. Preliminary numerical results are discussed, showing improvement of the final partition.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

多尺度社区检测的编码动力学：映射方程的马尔可夫时间扫描

Encoding dynamics for multiscale community detection: Markov time sweeping for the Map equation

网络中社团结构的检测与找到一个简洁的网络模块描述密切相关。这个概念最近被映射方程形式主义（M。罗斯瓦尔和CT Bergstrom，PNAS，105（4），pp.1118--1123，2008）通过对网络中的随机步行者在平稳性下的社区间和社区内转换进行编码的过程的信息论描述。然而，全马尔可夫动力学和编码机制之间的关系的深入研究仍然缺乏。我们在这里表明，原来的地图编码方案，这是块平均和一步，忽略了社区的内部结构，并引入了一个上限，“视野”的限制，在社区，它可以检测。因此，地图是很好的调整，以检测类社区，但可能会导致不可取的过度分区时，社区远离类社区。我们表明，这种行为的签名是一个大的压缩间隙：地图描述长度是远离其理想的限制。为了解决这个问题，我们提出了一个简单的动态方法，通过分析马尔可夫过程的时间相关的多步转移矩阵的加权邻接矩阵，将时间明确地引入到地图编码中。由此产生的马尔可夫时间扫描引起跨尺度的动态缩放，可以揭示（潜在的多尺度）社区结构以上的视野限制，与相关的分区由一个小的压缩间隙表示。

2012-08-22cs.ITcs.SImath.IT

具有部分背景信息的复杂网络社团结构检测

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.

2013-03-22cs.SIphysics.soc-ph

社区成员一致性在公司董事会连锁网络中的应用

Community membership consistency applied to corporate board interlock networks

社区发现是研究社交网络中尺度结构的一种成熟方法。应用社区发现算法导致将网络划分为社区，该社区通常用于检查和推理特定节点的社区成员关系。这种对社区结构的微观解释步骤是典型社会科学研究中的关键步骤。然而，在这一步骤中的方法警告是，几乎所有现代社区发现方法都是不确定的，并且基于随机化和近似结果。这需要在推理单个节点的社区成员关系时明确考虑。要做到这一点，我们提出了一个社区成员一致性的指标，它提供了节点级的见解，该节点到社区的位置是多么可靠。此外，它使我们能够区分社区的社区核心成员。公司董事会联锁网络，其中加权链接代表公司之间共享的高级董事，所提出的指标的实用性证明。研究结果表明，全球商业集团的社区结构是围绕持久的社区由地理和文化的接近联系在一起的核心国家。此外，我们确定了边缘国家，似乎与一些不同的全球商业社区。

2021-10-20cs.SIphysics.soc-ph

利用基础设施支持改善移动社交网络中的数据转发：一种空间跨越社区方法

Improving Data Forwarding in Mobile Social Networks with Infrastructure Support: A Space-Crossing Community Approach

在本文中，我们研究了两个紧密耦合的问题：空间交叉社区发现及其对数据转发在移动社交网络（MSNs）的影响，考虑到基础设施支持的混合底层网络。混合底层网络由大量的移动用户和一小部分接入点（AP）组成。由于AP可以促进长距离节点之间的通信，因此物理邻近社区的概念可以扩展为跨地理空间的社区。在这项工作中，我们首先研究了一个跨空间的社区发现方法的MSN。基于检测结果，设计了一种新的数据转发算法SAAS（Social Attraction and AP Spreading），并提出了如何利用空间交叉社区来提高数据转发效率。我们评估我们的SAAS算法的现实生活中的数据从麻省理工学院现实挖掘和UIM。结果表明，空间交叉社区在MSN数据转发的投递率和延迟方面起到了积极的作用。基于这种新型的社区，SAAS实现了更好的性能比现有的基于社会社区的数据转发算法，在实践中，包括泡泡说唱和阮的路由算法。

2013-07-28cs.SIphysics.soc-ph

具有态度行为者的联盟网络中的社区

Communities in Affiliation Networks with Attitudunal Actors

我们在这里的目的是恳求的意义，重叠的跨态度模式的文化考虑的权利旁边的良好建立的结构性考虑的组织间网络的基础上重叠的成员模式。特别是，我们研究如何分析社会学方法纳入文化属性或态度可能会提高我们的理解，结构社区分类在组织间网络。为此，我们分析了2003年2月15日世界范围内的和平抗议的国际和平抗议调查（IPPS）的数据，以体现参与研究的文化结构的二重性的考虑所提供的附加值。

2012-07-16cs.SIphysics.soc-ph

基于位置标记网络的社区发现

Community Detection from Location-Tagged Networks

许多真实世界系统或web服务可以被表示为诸如社交网络和运输网络之类的网络。在过去的十年中，已经开发了许多算法来使用节点之间的连接来检测网络中的社区。然而，在现实世界中的许多网络中，节点的位置对社区结构有很大的影响。例如，在社交网络中，在地理上接近的用户之间建立更多的连接。研究文献还没有充分研究地点对社区的影响。在本文中，我们提出了一个社区发现方法，考虑到节点的位置。目标是检测具有地理邻近性和网络紧密性的社区。我们分析了连接和非连接节点之间的距离分布，以衡量位置对两个真实的位置标记的社交网络的网络结构的影响。我们提出了一种方法来确定是否基于位置的社区发现方法是适合于一个给定的网络。我们提出了一种新的社区发现算法，将位置信息推到社区发现。我们测试我们提出的方法在合成数据和现实世界的网络数据集。实验结果表明，与传统方法相比，该方法检测出的社区分布范围更小，网络连接紧密度相近或更高。

2015-01-19cs.SIphysics.soc-ph

更多相关论文收起更多论文

在社区检测中使用重叠方法对抗对手

Using Overlapping Methods to Counter Adversaries in Community Detection

本文将社区检测对抗问题建模为Stackelberg博弈，在七个真实网络上评估发现，攻击者预算充足时重叠社区检测方法显著优于非重叠方法，并分析了鲁棒性与无攻击性能的权衡。

2023-08-06cs.SI

多个部分对齐社交网络上的相互社区发现

Mutual Community Detection across Multiple Partially Aligned Social Networks

在线社交网络中的社区发现是近年来的研究热点。同时，为了享受更多的社交网络服务，现在的用户通常同时参与多个在线社交网络，其中一些可以共享共同的信息和结构。涉及一些共同用户的网络被称为多个“部分对齐网络”。在本文中，我们希望同时检测多个部分对齐网络的社区，这被正式定义为“相互聚类”问题。互聚类问题是一个非常具有挑战性的问题，因为它有两个重要的问题要解决：（1）如何保持网络的特点，在相互社区发现？以及（2）如何利用其他联盟网络中的信息来细化和消除共享用户的社区结构？针对这两个问题，提出了一种新的社区发现方法MCD（Mutual Community Detector）。MCD可以同时检测多个部分对齐网络中用户的社会社区结构，充分考虑（1）每个网络的特性，（2）对齐网络中共享用户的信息。在两个真实的部分对齐的异构社交网络上进行的大量实验表明，MCD可以很好地解决“互聚类”问题。

2015-06-18cs.SIphysics.soc-ph

复杂网络的拓扑变化与社区发现算法的性能限制

On Varying Topology of Complex Networks and Performance Limitations of Community Detection Algorithms

复杂网络挖掘和分析中研究最多的问题之一是社团结构的发现。该问题由于其高实用性和在各个领域的众多应用而受到研究人员的广泛研究。针对社区发现问题，已经提出了许多算法解决方案，但寻找最佳算法的探索仍在进行中，研究人员往往专注于开发快速准确的算法，这些算法可以普遍应用于各种领域的网络，而不考虑这些网络的结构和拓扑变化。在本文中，我们评估了不同聚类算法随不同网络拓扑变化的性能。除了著名的LFR模型来生成具有社区的基准网络外，我们还提出了一个新的模型Naive Scale Free Model来研究社区发现算法在不同拓扑特征下的行为。更具体地说，我们感兴趣的是网络的大小，社区结构的大小，节点的平均连通性和集群内边缘的比率。结果显示，目前流行的网络聚类算法无法正确地发现社区的几个局限性。这表明需要重新审视当前聚类算法的设计，这些算法未能结合不同网络的不同拓扑特征。

2016-07-28cs.SIphysics.soc-ph

对“用于聚类、分类和社区发现的改进互信息度量“的评论

Comment on "Improved mutual information measure for clustering, classification, and community detection"

最近的一篇文章提出了减少互信息的评价聚类，分类和社区发现。其动机是，标准的归一化互信息（NMI）可能会在某些条件下，特别是当集群的数量在考虑中的两个部门之间不同的反直观的答案。动机是有道理的。然而，文章中给出的例子并不准确，这篇评论讨论了原因。此外，本文还从经验上证明了减少的互信息不能处理NMI的困难，甚至会带来更多的困难。Kappa的必要性也在这篇评论中得到了经验验证。

2020-05-14cs.SIphysics.data-an

评价主题考虑在基于评级的社交网络社区识别中的作用

Evaluating the effect of topic consideration in identifying communities of rating-based social networks

Mazandaran University of Science and Technology（马赞达兰科技大学）

在社会网络中寻找有意义的社区已经引起了许多研究者的关注。复杂网络的社团结构揭示了复杂网络的组织结构及其成员之间的隐藏关系。社区发现领域的大多数研究主要集中在网络的拓扑结构上，没有进行任何内容分析。如今，现实世界的社交网络包含了大量的信息，包括共享对象，评论，以下信息等，在最近几年，一些研究已经提出的方法，考虑在网络中交换的内容和网络的拓扑结构，以找到更有意义的社区。在本研究中，主题分析的效果，发现更有意义的社区在社交网站中，用户表达他们的感情对不同的对象（如电影）通过评级的手段进行了广泛的实验证明。

2016-04-26cs.LGcs.SIstat.ML

人工网络社区发现算法的比较分析

A Comparative Analysis of Community Detection Algorithms on Artificial Networks

为了揭示复杂网络的介观特性，人们提出了许多社团检测算法。然而，一个算法在准确性和计算时间方面有多好，仍然是开放的。在真实网络上测试算法有一定的限制，这使得他们的见解可能会有偏差：网络通常很小，并且底层社区没有客观定义。在这项研究中，我们采用了Lancichinetti-Radicchi基准图来测试八个最先进的算法。我们量化的准确性，使用互补措施和算法的计算时间。基于简单的网络属性和上述结果，我们提供了指导方针，帮助选择最合适的社区检测算法为给定的网络。此外，这些规则允许在给定宏观网络属性的情况下发现特定算法的使用限制。我们的贡献有三个方面：首先，我们提供了实际的技术，以确定哪一个是最合适的算法在大多数情况下，根据可观察的性质的网络正在考虑。其次，我们使用的混合参数作为一个容易测量的指标，找到不同算法的可靠性范围。最后，我们研究了网络规模的依赖关系，重点是算法的预测能力和有效的计算时间。

2017-08-26cs.SIphysics.soc-ph

二部网络社团结构的精化

Refinement for community structures of bipartite networks

由二分节点集组成的二分网络在自然界和社会中普遍存在。部分为了简单起见，许多研究都集中在他们的投影到他们的unipartite版本，其中只需要关心一个单一类型的节点。然而，当涉及到社区等中尺度结构时，适当地纳入先验结构限制（如二元性）就变得更加重要。在本文中，作为一个案例研究，我们采取的社区结构的二分网络在不同的尺度上检查的信息量的二分性编码的社区检测过程。特别是，我们报告的鲁棒性的可靠性检测社区的一致性的基础上，通过比较检测算法与或不考虑二元性。从嵌入指定社区的模型网络和真实网络的分析中，我们发现，考虑到二元性的社区检测明显比没有这样的结构信息的社区结构更强大。这证明了定制的社区检测算法的必要性，通过编码任何信息是已知的网络的利益，并在同一时间，提出了一个有趣的问题，估计定量的信息量从这样的定制的可能性。

2021-12-30cond-mat.stat-mechcs.SIphysics.soc-ph

网络社团结构检测的谱方法比较分析

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。

2010-10-20cond-mat.stat-mechcs.SIphysics.soc-ph

与社区同行：通过社交网络增强共享出行

Commute with Community: Enhancing Shared Travel through Social Networks

本文针对后疫情时代共享出行信任危机，提出融合社交网络的图神经网络与强化学习拼车匹配框架，并引入“容忍度”指标量化社交距离敏感度，显著提升拼车率并降低延误与绕行。

2024-04-09cs.SIphysics.soc-ph

基于社会网络和道路网络的社区发现算法研究

An Empirical Study of Community Detection Algorithms on Social and Road Networks

社交网络中的社区发现是一个非常有趣的问题，因为社区发现揭示了网络中隐藏的信息。已有许多算法来检测固有的社区结构，但最近很少有人在社交网络上进行研究。然而，这是不平凡的，以决定最好的方法，在存在不同的性质的图，在密度和稀疏性，以及不充分的分析结果。因此，在这项研究中，我们分析和比较各种算法来检测社区在两个网络，即社会和道路网络，具有不同的结构特性。正在考虑的算法进行评估，内部和外部连接的社区，包括内部密度，平均度，切割比，电导，归一化切割，平均Jaccard指数的独特指标。评估结果揭示了关于所选算法和底层社区结构的关键见解。

2019-09-16cs.SI

EdMot：一种用于基元感知社区发现的边缘增强方法

EdMot: An Edge Enhancement Approach for Motif-aware Community Detection

网络社区发现是网络分析领域的一个研究热点。虽然已经提出了许多方法用于社区发现，但它们中的大多数仅考虑在单个节点和边的水平上的网络的低阶结构。因此，它们无法在小的密集子图模式的级别上捕获高阶特征，例如，图案最近，一些高阶方法已经被开发出来，但它们通常集中在基于模体的超图，假设是一个连通图。然而，这种假设在一些现实世界的网络中不能得到保证。特别地，超图可能变得碎片化。也就是说，它可能由大量的连通分量和孤立节点组成，尽管原始网络是一个连通图。因此，现有的高阶方法将严重遭受上述碎片化问题，因为在这些方法中，超图中没有连接的节点即使属于同一社区也不能被分组在一起。为了解决上述碎片化问题，我们提出了一种边缘增强方法的基序感知社区发现（EdMot）。主要思想如下。首先构造一个基于模体的超图，并对超图中的前K个最大连通分支进行模块划分。然后，通过构造一个边集，从每个模块中导出一个团，来加强每个模块内的连通性结构。基于新的边集，输入网络的原始连通性结构被增强以生成重新布线的网络，从而利用基于模体的高阶结构，并且超图碎片问题被很好地解决。最后，重新布线的网络进行划分，以获得更高的阶社区结构。

2019-05-30cs.SIphysics.soc-ph

多层网络中社团变化检测的分辨率限制

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。

2018-03-09cs.SIphysics.data-anphysics.soc-ph

复杂网络中社区脆弱性的熵方法

The vulnerability of communities in complex network: An entropy approach

测度复杂网络中社区的脆弱性已成为复杂系统研究中的一个重要课题。现有的脆弱性度量方法被提出来解决这些问题，然而，这些方法大多有自己的缺点和局限性。因此，本文提出了一种新的基于熵的方法来解决这些问题。该测度结合了各社区的内部因素和外部因素，对社区的脆弱性进行了定量描述。内部因素包括社区的复杂程度和社区内的边数，外部因素包括所选社区与其他社区的相似程度和社区外的节点数。从熵的角度考虑社区脆弱性为解决这一问题提供了新的思路。由于充分考虑了社区信息，可以得到更合理的脆弱性结果。为了说明该方法的性能和有效性，用一个实例网络和三个实际复杂网络与现有方法进行了比较，并用Sobol指标分析了权因子的敏感性。实验结果证明了该方法的合理性和优越性。

2019-09-30cs.SI

MOUFLON：基于多组模块度的公平感知社区检测

MOUFLON: Multi-group Modularity-based Fairness-aware Community Detection

Uppsala University（乌普萨拉大学）

提出公平感知的模块度社区检测方法MOUFLON，采用比例平衡公平度量，在合成与真实网络上权衡模块度与公平性，并分析网络特征影响。

2025-10-14cs.SI

通过似然优化的社区发现：寻找合理的模型

Community Detection through Likelihood Optimization: In Search of a Sound Model

社区发现是网络分析中最重要的问题之一。在为这项任务提出的许多算法中，基于统计推断的方法特别令人感兴趣：它们在数学上是合理的，并且被证明可以提供高质量的分区。统计推断方法是基于拟合一些随机图模型（a.k.a.零模型）通过最大化似然性来对所观察的网络进行估计。这一模式的选择极为重要，也是当前研究的主要焦点。我们提供了一个广泛的理论和实证分析比较几种模型：广泛使用的种植分区模型，最近提出的度校正修改这个模型，和一个新的空模型具有一些理想的统计特性。我们还开发和比较两个可能性优化算法适合所考虑的模型。对各种数据集的广泛的实证分析表明，特别是，新模型是最好的一个描述大多数考虑现实世界的复杂网络，根据观察到的图结构的可能性。

2019-02-22cs.SImath.STstat.TH

网络中基于社区检测的时间序列聚类

Time Series Clustering via Community Detection in Networks

Institute of Mathematics and Computer Science, University of São Paulo（圣保罗大学数学与计算机科学学院）；Department of Computing and Mathematics, University of São Paulo（圣保罗大学计算与数学系）

在本文中，我们提出了一种在复杂网络中使用社区检测进行时间序列聚类的技术。首先，我们提出了一种方法，将一组时间序列转换成一个网络，使用不同的距离函数，其中每个时间序列由一个顶点表示，最相似的连接。然后，我们应用社区检测算法来识别强连接的顶点（称为社区），从而识别时间序列簇。本文还综合分析了时间序列距离函数的各种组合、网络生成方法和社团检测技术对聚类结果的影响。实验研究表明，所提出的基于网络的方法取得了更好的结果比各种经典或最新的聚类技术正在考虑。统计测试表明，该方法在不同数据集上的聚类性能优于$k$ -medoids、diana、median-linkage和centroid-linkage等经典聚类算法。有趣的是，该方法可以有效地检测形状模式呈现在时间序列由于在聚类过程中构建的底层网络的拓扑结构。与此同时，其他技术无法识别这种模式。此外，所提出的方法是强大的，足以组时间序列呈现类似的模式，但与时移和/或幅度变化。综上所述，本文提出的方法的要点是将时间序列从时空域转换到拓扑域。因此，我们希望我们的方法不仅有助于时间序列聚类，但也为一般的时间序列分析任务。

2015-08-19cs.LGcs.SIstat.ML

基于多目标生物地理学的节点属性社交网络重叠社区发现优化

An Enhanced Multi-Objective Biogeography-Based Optimization for Overlapping Community Detection in Social Networks with Node Attributes

社区发现是社会网络分析中最重要和最有趣的问题之一。近年来，在社区发现的过程中同时考虑节点属性和社交网络的拓扑结构引起了许多学者的关注，并且这种考虑最近被用于一些社区发现方法中，以提高它们的效率，并增强它们在发现有意义和相关社区方面的性能。但问题是，这些方法中的大多数往往会找到不重叠的社区，而许多现实世界的网络包括经常在某种程度上重叠的社区。为了解决这一问题，本文提出了一种基于多目标地理优化（BBO）的进化算法MOBBO-OCD，该算法能够同时考虑网络中连接密度和节点属性相似性，自动发现具有节点属性的社会网络中的重叠社区。在MOBBO-OCD中，引入了一种扩展的基于轨迹的邻接表示（称为OLAR）来编码和解码重叠社区。在OLAR算法的基础上，采用基于秩的迁移算子、两阶段变异策略和双点交叉策略，有效地将种群引入到进化路径中，并提出了一种新的评价指标alpha_SAEM。该方法能够从节点属性和链接结构两个方面对重叠划分和非重叠划分的优劣进行综合评价。定量评估表明，MOBBO-OCD取得了良好的结果，这是相当优于文献中的15个相关的社区发现算法的结果。

2022-12-28cs.NEcs.SI

复合社区感知的多样化影响力最大化及其高效近似

Composite Community-Aware Diversified Influence Maximization with Efficient Approximation

针对多社区结构下的多样化影响力最大化问题，提出CC-DIM模型及基于反向采样的G-HIST算法，实现高效近似解，并在真实数据上验证其优越性。

2022-12-20cs.SImath.CO