Constrained Spectral Clustering for Dynamic Community Detection
网络是许多具有交互实体的系统的有用表示，例如社会，生物和物理系统。描述中尺度组织即社团结构是网络科学的一个重要问题。社区检测的目的是将网络划分为内部连接密集但与其他密集节点集稀疏连接的节点集。目前的社区检测工作主要集中在静态网络上。然而，许多现实世界的网络是动态的，即它们的结构和属性随时间变化，需要动态社区检测的方法。在本文中，我们提出了一个新的随机块模型（SBM）的社区成员的演化建模。与现有的SBM不同，所提出的模型允许每个社区以不同的速度发展。这个新的模型被用来推导出一个最大后验估计社区检测，它可以被写为一个受约束的谱聚类问题。特别地，每个社区的转移概率在每个时间点修改图邻接矩阵。该公式提供了动态网络的统计网络推理和谱聚类之间的关系。所提出的方法进行评估模拟和真实的动态网络。
2019-11-04 cs.SI physics.soc-ph
SGPD Volume Maximization for Community Detection
在这篇笔记中，我们简要地研究了在复杂网络中使用外围顶点进行社区检测的可行性。我们的方法提出了一个新的方向公理化的问题，聚类图和复杂的网络，通过查看每个顶点在社区结构中发挥的拓扑作用，无论属性。伪外围顶点作为复杂网络分析的杠杆的有前途的力量也证明了对现实世界的数据。
2015-11-04 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
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
Correlation-Based Community Detection
从复杂网络中挖掘社区结构是一个跨领域的重要问题。许多现有的社区发现方法通过优化社区评价函数来检测社区。然而，这些函数中的大多数甚至在随机图上具有很高的值，并且可能无法检测大规模网络中的小社区（所谓的分辨率限制问题）。在本文中，我们引入了两个新的节点为中心的社区评价功能，通过相关性分析与社区发现。我们将进一步表明，相关性分析可以提供一个新的理论框架，它统一了一些现有的评价函数的背景下，基于相关性的优化问题。在此框架下，我们可以通过选择合适的相关函数来缓解分辨率极限问题并消除随机波动的影响。此外，我们将关联规则挖掘中的三个关键属性引入到社区发现中，以帮助我们选择合适的相关函数。基于我们引入的相关函数，我们提出了一个社区发现算法CBCD。我们提出的算法优于现有的国家的最先进的算法在合成基准网络和现实世界的网络。
2019-04-09 cs.SI physics.soc-ph
Multiscale Evolutionary Perturbation Attack on Community Detection
社区发现的目的是根据节点之间的连接关系对节点进行分组，它在网络分析中起着重要的作用，因为社区被视为元节点，允许我们创建一个大规模的网络地图，以简化其分析。然而，出于隐私原因，我们可能希望在某些情况下防止社区被发现，从而导致社区欺骗的话题。在本文中，我们形式化这个社区发现攻击问题在三个尺度，包括全球攻击（宏观），目标社区攻击（中尺度）和目标节点攻击（微观）。我们将其视为一个优化问题，并进一步提出了一种新的进化扰动攻击（EPA）方法，在那里我们生成对抗网络来实现社区发现攻击。数值实验验证了我们的EPA可以成功地攻击所有三个尺度上的网络社区算法，即，隐藏目标节点或社区，并通过仅改变一小部分链接来进一步扰乱整个网络的社区结构。相比之下，我们的EPA在六个合成网络和三个真实网络上的表现优于一些基线攻击方法。更有趣的是，虽然我们的EPA是基于louvain算法，它也是有效的攻击其他社区发现算法，验证了其良好的可移植性。
2021-02-08 cs.SI physics.soc-ph
Joint Nonnegative Matrix Factorization for Community Structures Detection in Signed Networks
符号网络中的社团结构检测对于理解符号网络的拓扑结构以及符号网络的功能（如信息扩散、传染病传播等）具有重要意义.本文提出了一种联合非负矩阵分解模型来检测社团结构.此外，我们提出了修改的分区密度来评估社区结构的质量。我们使用它来确定社区的适当数量。我们的方法的有效性证明了基于合成和现实世界的网络。
2018-07-22 cs.SI physics.soc-ph
Metrics matter in community detection
我们提出了一个重要的评价归一化互信息（NMI）作为评价指标的社区发现。NMI夸大了leximin方法在弱社区上的性能：leximin在寻找平凡的单例聚类时，真的优于其他八种社区发现方法吗？来自文献的三种NMI改进是AMI、rrNMI和cNMI。我们在相关随机模型下显示了等效性，并且为了评估社区发现，我们建议在$\mathbb{M}_{\mathrm{all}}$模型（$n$节点的所有分区）下单侧AMI。这项工作的目的是（1）开始关于健全的衡量标准的对话，（2）倡导不提供“免费午餐”的评价。
2019-01-05 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
Community Detection in Complex Networks using Link Prediction
社区发现和链接预测在网络分析中具有重要意义，它们从不同的角度对网络的拓扑结构提供了非常有价值的见解。针对链接预测能否提高社区划分的准确性这一问题，提出了一种新的社区发现算法，该算法引入了链接预测.对于链接预测，我们提出了两个新的索引来计算每对节点之间的相似性，其中一个旨在添加丢失的链接，另一个试图删除虚假的边缘。在基准数据集上进行了大量的实验，并将该算法的结果与两类基线进行了比较。总之，我们提出的算法是有竞争力的，揭示了链接预测确实提高了社区发现的精度。
2017-07-10 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
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
Node-centric community detection in multilayer networks with layer-coverage diversification bias
信息网络中以节点为中心的或局部的社区发现问题是指对于具有关于网络拓扑的有限信息的给定输入节点的社区的识别。然而，解决这个问题的现有方法并不适用于复杂网络。在本文中，我们提出了一个新的框架，局部社区发现的多层网络模型的基础上。我们的方法依赖于社区内部连接密度和外部连接密度之间的比例最大化，根据多层相似性为基础的社区关系。我们还定义了一个偏置方案，允许发现当地社区的特点是不同程度的层覆盖多样化。在真实世界的多层网络上进行的实验评估表明了我们的方法的意义。
2017-04-11 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
Modeling Node Exposure for Community Detection in Networks
在社区发现中，数据集经常遭受采样偏差，通常具有高亲和力的节点似乎具有零亲和力。例如，当社交网络的两个仿射用户彼此不接触时，就会发生这种情况。在这种数据上的社区发现则受到将仿射节点视为非仿射节点的影响。为了解决这个问题，我们明确的模型（非）暴露机制的贝叶斯社区发现框架，通过引入一组额外的隐藏变量。与不对暴露进行建模的方法相比，我们的方法能够更好地重建输入图，同时在恢复社区方面保持类似的性能。重要的是，它允许估计两个节点被暴露的概率，这是标准模型无法提供的可能性。
2022-07-06 cs.SI physics.soc-ph
A similarity-based community detection method with multiple prototype representation
社区对于理解社交网络中的图结构具有重要意义。一些现有的社区发现算法使用单个原型来表示每个组。在实际应用中，这可能无法充分模拟不同类型的社区，因此限制了社交网络上的聚类性能。针对这一问题，提出了一种基于相似性的多原型社区发现方法。在SMP中，每个社区中的顶点具有不同的权重来描述它们的代表性程度。这种机制使每个社区能够由多个节点表示。节点的中心性用于计算原型权重，而相似性用于指导我们划分图。计算机生成的和真实世界的网络上的实验结果清楚地表明，SMP执行良好的检测社区。此外，与现有的社区发现模型相比，该方法借助原型权值，能够提供更丰富的社区内部结构信息。
2015-08-25 cs.SI physics.soc-ph
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
Accelerating Community Detection by Using K-core Subgraphs
社区检测是昂贵的，并且成本通常至少线性地取决于图中的顶点的数量。我们建议使用一个简化的图，它具有更少的节点，但仍然可以捕获关键的社区结构。图的K-核心是每个节点至少有K个连接的最大子图。我们提出了一个框架，通过应用昂贵的算法（模块化优化，鲁汶方法，谱聚类等）加速社区检测。到K-核心，然后使用廉价的启发式（如本地模块化最大化）来推断剩余节点的社区标签。我们的实验表明，该框架可以减少80%以上的运行时间，同时保持解决方案的质量。最近的理论研究提供了支持使用K-核心作为一个简化的表示。
2014-10-13 cs.SI physics.soc-ph
Modular Networks for Validating Community Detection Algorithms
如何准确比较不同的社区发现算法？这些算法对给定网络中的节点进行集群，并且它们的性能通常在具有显式地面真相社区的基准网络上进行验证。由于现实网络中缺乏聚类标签，因此需要一个生成真实网络的模型来准确评估这些算法。在本文中，我们提出了一个简单，直观，灵活的基准生成器生成本质上模块化的网络社区验证。我们展示了如何生成的网络密切遵守观察到的真实网络的特性，而他们的特性可以直接控制，以匹配广泛的现实世界的网络。我们进一步展示了如何共同的社区发现算法排名不同，当被评估这些基准相比，目前可用的替代品。
2018-01-04 cs.SI physics.soc-ph
Bayesian Overlapping Community Detection in Dynamic Networks
在社交网络中检测社区结构近年来得到了相当大的关注。然而，缺乏关于社区数量的先验知识，以及它们的重叠性质使得社区发现成为一个具有挑战性的问题。此外，许多现有的方法只考虑静态网络，而大多数现实世界的网络是动态的，并随着时间的推移而演变。因此，在没有任何关于社区数量的先验知识的情况下，在动态网络中找到一致的重叠社区仍然是一个有趣的开放式研究问题。本文提出了一种动态网络中的重叠社区发现方法--动态贝叶斯重叠社区检测器（DBOCD）。DBOCD假设在网络的每个快照中，社区的重叠部分是密集区域，并使用链接社区而不是公共节点社区。使用递归中餐馆过程和社区结构的网络在最后一个快照，DBOCD同时提取社区的数量和软社区成员的节点，同时保持社区的一致性随着时间的推移。我们评估了DBOCD合成和真实的动态数据集，以评估其在不同类型的网络演化中找到重叠社区的能力。结果表明，DBOCD优于目前最先进的动态社区发现方法。
2016-05-08 cs.SI physics.soc-ph
Hierarchical benchmark graphs for testing community detection algorithms
层级组织是复杂系统的一个重要而普遍的特征;为了理解它们的组织，对描述其组成部分之间相互作用的底层（通常是复杂的）网络的研究起着核心作用。许多以前的工作已经表明，许多现实世界中的社会，生物和技术系统的网络呈现层次组织，往往在社区结构的层次结构的形式。为了测试不同的社区检测方法，已经提出了许多人工基准图，但是还没有开发出基准来彻底测试分层社区结构的检测。在本研究中，我们通过扩展基准图的Lancichinetti-Fortunato-Radicchi（LFR）系综来填补这一空缺，采用了Ravasz和Barabási提出的构建分层网络的规则。我们采用这个基准测试三个最流行的社区检测算法，并量化其准确性使用传统的互信息和最近推出的层次互信息。结果表明，Ravasz-Barabási-Lancichinetti-Ravasato-Radicchi（RB-LFR）基准产生了一个复杂的层次结构，构成了一个具有挑战性的基准考虑社区检测方法。
2017-08-23 cs.SI physics.soc-ph
Overlapping community detection in signed networks
在过去的几年里，考虑到积极和消极的联系的复杂网络得到了相当大的关注。社区发现是复杂网络分析的主要挑战之一。现有的社区发现算法大多数都是针对签名网络的一个硬划分，即网络中的任意节点是否属于某个社区。然而，他们不能检测重叠的社区，其中一个节点被允许属于多个社区。重叠社区广泛存在于许多现实世界的网络中。本文提出了一种符号概率混合（SPM）模型，用于符号网络中的重叠社区发现。与已有的模型相比，该方法的优点在于：（i）为签名网络提供了软划分方案;（ii）提供了节点的软成员资格。在多个签名网络上的实验表明，我们的SPM模型：（i）可以识别与其他最先进的模型相同的重叠结构或不重叠结构;（ii）可以检测重叠社区;（iii）在揭示合成签名网络中的社区发现方面优于其他最先进的模型。
2014-03-27 cs.SI physics.soc-ph
Network Community Detection on Metric Space
复杂网络中的社区发现是近年来研究的热点问题。一般来说，社区发现算法选择一个目标函数，通过优化目标函数来捕获网络中的社区，然后使用各种算法来解决优化问题，从而为用户提取感兴趣的社区。在这篇文章中，我们展示了一个图转换成一个度量空间的点的过程，并开发了社区发现的方法与定义的一对点的度量的帮助。我们还研究和分析了网络的社区结构。我们的方法得到的结果是非常有竞争力的，在文献中的大多数知名的算法，这是合理的，在大量的数据集。另一方面，可以观察到，与其他方法相比，我们的算法所花费的时间要少得多，并且证明了理论研究结果。
2015-08-26 cs.SI physics.soc-ph
Sparse Nonnegative Matrix Factorization for Multiple Local Community Detection
局部社区发现包括找到一组与种子密切相关的节点，即感兴趣的节点的小集合。这样的节点组是密集连接的，或者与它们到网络中的其他集群的连接相比，具有更高的内部连接概率。现有的局部社区发现方法集中于找到所有种子最可能所在的一个局部社区，或者为每个种子找到单个社区。然而，种子成员通常属于多个局部重叠社区。在这项工作中，我们提出了一种新的方法来检测多个本地社区，其中一个单一的种子成员属于。该方法包括三个关键步骤：（1）使用个性化PageRank（PPR）进行局部采样;（2）使用稀疏非负矩阵分解（SNMF）生成的稀疏度估计采样子图中的社区数量;（3）使用SNMF软社区成员资格向量为社区分配节点。该方法显示出良好的准确性性能和良好的导电性相比，国家的最先进的社区发现方法的实验使用人工和真实世界的网络相结合。
2020-05-08 cs.SI physics.soc-ph
Overlapping Community Detection Using Neighborhood-Inflated Seed Expansion
社区发现是网络分析中的一项重要任务。社区（也称为集群）是一组内聚顶点，其内部连接多于外部连接。在许多社会和信息网络中，这些社区自然重叠。例如，在社交网络中，图中的每个顶点对应于通常参与多个社区的个人。在本文中，我们提出了一个有效的重叠社区发现算法，使用种子扩展方法。我们的算法的核心思想是找到好的种子，然后根据社区度量对这些种子进行greenly扩展。在这种种子扩展方法中，我们研究了如何在图中确定好的种子节点的问题。特别是，我们开发了新的播种策略的个性化PageRank聚类方案，优化电导社区得分。实验结果表明，我们的种子扩展算法优于其他国家的最先进的重叠社区发现方法产生的凝聚力集群和识别地面真理社区。我们还表明，我们的新播种策略比现有的策略更好，因此在现实世界的网络中找到良好的重叠社区是有效的。
2015-04-03 cs.SI physics.soc-ph
Estimating Network Parameters for Selecting Community Detection Algorithms
研究了社区发现算法的选择问题。社区发现的目的是识别网络中的节点集合，这些节点相对于它们与网络的其余部分的连接性而言是更加互连的。已经开发了大量的算法来解决这个问题，但与任何机器学习任务一样，没有“一刀切”的方法，每个算法都擅长问题空间的特定部分。本文研究了加权网络算法的性能对那些使用未加权网络的问题空间的不同部分（参数化的内部/社区间的链接）。然后，它演示了如何选择算法（加权/不加权）可以只根据观察到的网络。
2010-10-26 cs.SI physics.soc-ph
Community detection using boundary nodes in complex networks
我们提出了一个新的本地社区检测算法，发现社区之间的边界线，使用边界节点。我们的方法执行标签传播社区检测，其中节点决定他们的标签的基础上表现出最大的“效益分数”的近邻作为吸引他们的社区。我们尝试了不同的指标，发现使用共同邻居的数量作为收益分数可以为社区结构做出更好的决策。该算法具有局部逼近的特点，在标签传播迭代过程中只关注边界节点，消除了不必要的步骤，缩短了整体执行时间。它保留了小社区以及大社区，并且在识别社区的质量方面优于其他算法，特别是当社区结构很微妙时。该算法具有分布式的性质，可以在大型网络上以并行的方式使用。
2018-08-03 cs.SI physics.soc-ph
Using synthetic networks for parameter tuning in community detection
社区发现是网络分析中最重要也是最具挑战性的问题之一。然而，现实世界的网络可能具有非常不同的结构属性和各种性质的社区。因此，很难（甚至不可能）开发一种适用于所有数据集的算法。标准的机器学习工具是考虑参数算法并基于手头的数据集选择其参数。然而，这种方法不适用于社区发现，因为通常没有标记数据可用于这种参数调整。在本文中，我们提出了一个简单而有效的过程，允许调整超参数的任何给定的社区发现算法，而不需要任何标记的数据。其核心思想是生成一个合成网络，其属性与给定的现实世界相似，但具有已知的社区。事实证明，在这种合成图上调整参数也可以提高给定现实世界网络的质量。为了说明所提出的算法的有效性，我们展示了几个著名的参数社区发现算法在各种合成和真实世界的数据集上获得的显着改进。
2019-06-23 cs.SI physics.soc-ph
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。
2015-01-19 cs.SI physics.soc-ph
Debiasing Community Detection: The Importance of Lowly-Connected Nodes
社区发现是社会网络分析中的一项重要任务，它使我们能够识别和理解社会结构中的社区。然而，许多社区发现方法或者未能将低度（或低连接）用户分配到社区，或者将他们分配到微不足道的小社区，从而阻止他们被包括在分析中。在这项工作中，我们研究如何排除这些用户可以偏见的分析结果。然后，我们引入了一种方法，通过将低连接用户纳入更大的群体，对他们更具包容性。实验表明，我们的方法优于现有的国家的最先进的F1和Jaccard相似性分数，同时减少对低程度的用户的偏见。
2019-03-19 cs.SI physics.soc-ph
Size Matters: A Comparative Analysis of Community Detection Algorithms
了解社交媒体的社区结构是至关重要的，因为它的广泛应用，如朋友推荐，用户建模和内容个性化。现有的研究使用结构性指标，如模块化和电导和功能性指标，如地面真理来衡量各种社区发现算法发现的社区的质量，而忽略了一个自然和重要的维度，社区规模。最近，人类学家邓巴建议，社交媒体中稳定社区的规模应该限制在150人以内，称为邓巴数。在这项研究中，我们提出了一个系统的方法，算法比较正交整合社区规模作为一个新的维度到现有的结构性指标，一致和全面地评估社会媒体环境中的社区质量。我们设计了一个启发式的基于团的算法，它控制的大小和重叠的社区可调参数，并评估它与五个国家的最先进的社区发现算法在Twitter网络和DBLP网络。具体来说，我们将发现的社区根据它们的大小分为四类，称为亲密朋友，普通朋友，熟人，只是一张脸，然后计算覆盖率，模块化，三角参与率，传导性，传递性和社区的内部密度在每个类。我们发现，在不同的类社区表现出不同的结构质量和许多现有的社区发现算法往往输出非常大的社区。
2017-12-03 cs.SI physics.soc-ph
DyPerm: Maximizing Permanence for Dynamic Community Detection
在本文中，我们提出了DyPerm，第一个动态的社区发现方法，优化了一种新的社区评分指标，称为持久性。DyPerm通过更新那些已经执行节点和边编辑的社区来逐步修改社区结构，保持网络的其余部分不变。我们提出了强有力的理论保证，以显示如何/为什么仅仅更新现有的社区结构导致持久性最大化的动态网络，这反过来又大大降低了计算复杂性。在给定真实社区结构的合成网络和六个真实网络上的实验表明，与四种基线方法中的最佳方法相比，DyPerm的准确性（基于NMI）平均提高了35%。DyPerm的速度也比静态的快15倍。
2018-02-13 cs.SI physics.soc-ph
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
Distributed Community Detection with the WCC Metric
社区发现近年来已经成为一个非常活跃的研究领域，研究人员提出了各种新的度量和算法来解决这个问题。最近，加权社区聚类（WCC）度量被提出作为一种新的方法来判断社区划分的质量的基础上分布的三角形在图中，并被证明产生优于其他常用的度量，如模块化的结果。同一作者后来提出了一个并行算法优化WCC的大型图。在本文中，我们提出了一个新的分布式，顶点为中心的社区发现算法使用WCC度量。结果表明，该算法的性能和可扩展性高达32个工人机器和高达18亿顶点的真实图。该算法的规模最大的图，据我们所知，这是第一个分布式算法优化WCC度量。
2014-11-03 cs.SI physics.soc-ph
From Community Detection to Community Deception
University of Calabria（卡拉布里亚大学）；Institute for High Performance Computing and Networking, ICAR-CNR（高性能计算与网络研究所，ICAR-CNR）
社区欺骗问题是关于如何从社区发现算法中隐藏目标社区C。每当一组实体（例如，积极分子、警察执法部门）希望合作，同时隐瞒他们作为一个社区的存在。在本文中，我们介绍和形式化的社区欺骗问题。为了解决这个问题，我们描述了仔细重新连接C的成员的算法。我们的实验表明，如何现有的社区发现算法可以欺骗，并通过引入欺骗分数量化的欺骗水平。我们相信，我们的研究是有趣的，因为，同时显示如何欺骗可以实现它提高了意识的设计新的检测算法鲁棒欺骗技术。
2016-09-01 cs.AI cs.SI physics.soc-ph
Community detection on directed networks with missing edges
本文扩展 Flow Stability 框架，利用节点出度的已知不确定性水平，在含缺失链接的加权有向网络中提升社区检测的鲁棒性，并通过合成网络与 Telegram 真实网络验证其可靠性。
2024-10-25 cs.SI physics.soc-ph
Overlapping Community Detection in Complex Networks using Symmetric Binary Matrix Factorization
发现重叠的社区结构是理解许多网络的结构和动态的关键一步。在本文中，我们开发了一个对称的二元矩阵分解模型（SBMF），以确定重叠社区。我们的模型允许我们不仅明确地分配社区成员的节点，但也区分离群重叠的节点。此外，我们提出了一个修改的分区密度来评估社区结构的质量。我们使用它来确定最合适的社区数量。我们使用合成基准和真实世界的网络来评估我们的方法，证明了我们方法的有效性。
2013-03-23 cs.SI physics.soc-ph
Local Community Detection in Dynamic Networks
给定一个随时间演化的网络，我们如何在内部互动高而外部互动低的时期内发现社区？为了解决这个问题，我们将传统的局部社区发现在图中的动态网络的设置。采用现有的静态网络的方法在一个“聚合”的所有时间的相互作用的图是不适合的问题，因为动态社区可能是短暂的，从而失去了混合互动时，在很长一段时间。因此，动态社区挖掘需要检测社区节点和它们积极交互的最佳时间间隔。我们提出了一个过滤和验证的动态社区发现框架。为了扩展到长时间间隔的图形演化，我们采用了新的动态社区电导谱界，并采用它们来过滤近线性时间的次优周期。我们还设计了一个时间和图形感知的局部敏感哈希家族，以有效地发现有前途的社区核心。我们的方法PHASR发现社区的质量始终高于基线（2至67倍）。同时，我们的边界允许修剪之间的$55\%$和$95\%$的搜索空间，从而显着节省运行时间相比，即使是温和的时间间隔的图形进化的穷举的替代品。
2017-09-12 cs.SI physics.soc-ph
Community detection on complex networks based on a new centrality indicator and a new modularity function
社区发现是网络研究中一个重要而又具有挑战性的课题。目前，大量的注意力集中在本地的社区发现方法。其中，使用贪心算法的社区发现通常从被称为网络的中心节点的局部基本节点的识别开始;社区随后通过优化模块度函数从这些中心节点扩展。在本文中，我们提出了一个新的中心节点指标和一个新的模块度函数。我们的中心节点指标，我们称之为本地中心性指标（LCI），是一样有效的著名的全球最大程度的指标和本地最大程度的指标，在某些特殊的网络结构，LCI表现得更好。另一方面，我们的模块化函数F2克服了某些缺点，如分辨率限制问题，在以前的文献中提出的模块化函数。结合贪心算法，LCI和F2使我们能够为真实世界的网络和模拟的基准网络识别正确的社区结构。基于归一化互信息（NMI）的评估表明，我们的社区发现方法与基于LCI和F2的贪心算法执行优于许多其他方法。因此，我们在本文中提出的方法是潜在的值得注意的。
2020-03-27 cs.SI physics.soc-ph
Community detection based on "clumpiness" matrix in complex networks
利用网络的“丛度”矩阵，提出了一种识别网络社团结构的方法。一个“投影空间”是由团块矩阵的特征向量构造的，并且在该空间中使用某种角距离定义边界线。使用这种边界和/或分层聚类方法来识别网络的社区结构。我们的算法的性能进行了测试，在一些计算机生成的和真实世界的网络。使用归一化互信息检查结果的准确性。本文还讨论了群落大小异质性对方法精度的影响。
2011-11-06 cs.SI physics.soc-ph
Z-score-based modularity for community detection in networks
识别网络中的社区结构是网络科学中特别感兴趣的问题。Newman和Girvan [Phys.Rev.E69，026113（2004）]引入的模块性是网络中社区发现的最流行的质量函数。在这项研究中，我们确定了一个问题的概念模块化，并提出了解决方案，以克服这个问题。具体来说，我们得到了一个新的质量函数的社区发现。我们将该函数称为Z-模块性，因为它测量了给定划分的Z分数与社区内边数的比例。我们的理论分析表明，Z-模块减轻了分辨率限制的原始模块在某些情况下。使用人工网络和著名的真实世界网络的计算实验证明了所提出的质量函数的有效性和可靠性。
2015-01-08 cs.SI physics.soc-ph
Community Detection via Katz and Eigenvector Centrality
社区发现算法（如Louvain算法和频谱优化算法）的计算需求对于大型网络来说可能是过高的。特征向量中心性和Katz中心性是两种常用的网络统计量，用于描述节点的相对重要性;它们的计算可以通过可扩展的迭代法在大型网络上近似。在本文中，我们提出并利用Katz中心性和特征向量中心性之间令人惊讶的关系来检测社区。除了计算收益，我们证明了我们的方法识别社区是一样好或比传统方法更好。
2019-09-09 cs.SI physics.soc-ph
Community Detection with Colored Edges
在本文中，我们证明了一个尖锐的限制的社区发现问题的彩色边缘。我们假设两个大小相等的社区，有$m$不同类型的边缘。如果两个顶点在同一社区中，则对于$1\leq i \leq m$，边的分布遵循$p_i=α_i\log{n}/n$，否则对于$1\leq i \leq m$，边的分布为$q_i=β_i\log{n}/n$，其中$α_i$和$β_i$是正常数，$n$是顶点总数。在这些假设下，一个基本的限制社区发现的特点是使用两个分布之间的海林格距离。如果是$\sum_{i=1}^{m} {(\sqrt{α_i} - \sqrt{β_i})}^2 >2$，则通过最大似然（ML）估计器的社区发现以高概率是可能的。如果为$\sum_{i=1}^m {(\sqrt{α_i} - \sqrt{β_i})}^2 < 2$，则ML估计器未能检测到社区的概率不会变为零。
2017-01-12 cs.SI physics.soc-ph
Ensemble approaches for improving community detection methods
Linkoping University（林雪平大学）；Umeå University（于默奥大学）；Swedish Defence Research Agency（瑞典国防研究局）
统计估计往往可以通过融合来自几个不同来源的数据来改进。一个例子是所谓的集成方法，它已成功应用于机器学习等领域，用于分类和聚类。在本文中，我们提出了一种集成方法，以提高社区检测聚合的信息发现在一个合奏的社区结构。这个集合可以通过重新采样方法、多次运行随机社区检测方法或应用于同一网络的几种不同社区检测算法来发现。使用随机网络的社区结构，并与两种常用的社区检测方法进行了比较，所提出的方法进行了评估。所提出的方法应用于随机社区检测算法时，表现良好，计算复杂度低，从而提供了一种新的方法来社区检测和额外的社区检测方法。
2013-09-01 cs.LG cs.SI physics.soc-ph
Role-based Label Propagation Algorithm for Community Detection
网络的社区结构提供了对其组织结构和功能行为的全面洞察。LPA是最常用的社区发现算法之一，具有近似线性的时间复杂度。但由于引入了随机性，导致其稳定性差，容易出现怪物群落。我们注意到，不同的面向社区的节点角色以不同的方式影响标签传播。在本文中，我们提出了一个基于角色的标签传播算法（roLPA），在其中使用了关于面向社区的节点角色的算法。我们已经评估了所提出的算法在真实和人工网络。结果表明，roLPA是国家的最先进的社区发现算法相媲美。
2016-01-23 cs.SI physics.data-an physics.soc-ph
Enhancing community detection by local structural information
许多现实世界的网络，如基因网络，蛋白质-蛋白质相互作用网络和代谢网络表现出社区结构，这意味着网络中存在密集连接的顶点组。网络中的许多局部相似性度量与社区结构的概念密切相关，对网络中的社区发现有积极的作用。在这里，各种局部相似性措施被用来提取局部结构信息，然后被应用到社区检测网络中使用的边缘重加权策略。社区检测的局部相似性措施的效果进行了仔细研究，并在各种网络中进行了比较。实验结果表明，局部相似性度量对社区检测方法的改进至关重要，而局部相似性度量的积极效果与所研究的网络和所应用的社区检测方法密切相关。
2016-01-04 cs.SI physics.data-an physics.soc-ph
The many facets of community detection in complex networks
社区发现是将图分解为基本构建块的过程，是近年来网络科学的核心研究课题。由于什么构成社区的精确概念仍然是模糊的，社区发现算法经常在基准图上与特定形式的替代社区结构进行比较，并根据它们采用的数学技术进行分类。然而，这种比较可能会产生误导，因为它们的数学机制中明显的相似之处可能会掩盖不同的目标和原因，而这些目标和原因正是我们首先要采用社区发现的原因。在这里，我们提供了这些不同的动机，支持社区发现的重点审查。这种问题驱动的分类在应用网络科学中很有用，在应用网络科学中，为给定的目的选择合适的算法是很重要的。此外，强调不同方面的社区发现也划定了许多线的研究，并指出开放的方向和途径，为未来的研究。
2017-02-15 cs.SI physics.data-an physics.soc-ph
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
Local multiresolution order in community detection
社区检测算法试图在任意复杂网络中找到最佳的节点簇。多尺度（“多分辨率”）社区检测扩展了这个问题，以确定这些集群的最佳网络规模。后一项任务通常通过同时分析网络中所有集群的社区稳定性来完成。在目前的工作中，我们扩展了这种一般的方法来定义本地多分辨率方法，使定义良好的本地社区的提取，即使在平均意义上的全球社区结构定义模糊。为此，我们提出了类似于变化的信息和归一化的互信息，用于定量识别的最佳分辨率（S）在社区层面上的集群在独立解决的系统之间的相关性的基础上的措施。我们证明了我们的方法在两个构建的网络，以及一个真正的网络，并得出推论当地社区的力量。我们的方法是独立的应用社区检测算法保存的固有要求，该方法能够识别社区在不同的网络规模，适当的变化，以考虑如何不同的分辨率进行评估或定义在一个特定的社区检测方法。原则上，它应该很容易适应其他社区比较措施。
2014-11-19 cond-mat.stat-mech cs.SI physics.soc-ph
Fast Detection of Community Structures using Graph Traversal in Social Networks
Heritage Institute of Technology（遗产理工学院）；University of Notre Dame（圣母大学）
在社交网络中寻找社区结构被认为是一项具有挑战性的任务，因为许多所提出的算法在计算上是昂贵的，并且对于大型图来说不能很好地扩展。迄今为止提出的大多数社区发现算法不适合于需要实时社区检测的应用，尤其是对于大规模网络。Louvain方法使用模块度最大化来检测簇，通常被认为是最快的社区发现算法之一，即使其运行时间没有任何可证明的限制。我们提出了一种新的基于图的社区发现框架，它不仅运行速度比鲁汶方法，但也产生更好的质量为大多数基准数据集的集群。我们表明，我们的算法运行在O（|V| + |E|）时间来创建初始覆盖，然后使用模块化最大化来获得最终覆盖。关键词-社区发现;影响邻居得分;代理;社区节点;社区
2018-05-25 cs.AI cs.SI physics.soc-ph
Non-overlapping community detection
社区检测问题的定义和特征的丰富性导致了令人印象深刻的文献。事实上，近年来已经引入了许多社区检测方法和调查。这里的目标是提出一个国家的最先进的最成熟的研究在这一领域。因此，我们将集中在非重叠社区发现与基本图形模型。在本章中，我们将概述最有影响力的社区发现方法，其中包括大多数主要方法和技术。还将特别重视社区评价。
2018-05-29 cs.SI
MCMC Louvain for Online Community Detection
我们介绍了一种新的算法的社区发现，动态维护社区结构的大型网络，随着时间的推移。该算法最大限度地提高了模块化指数由于一个随机层次聚类的基础上的蒙特卡罗马尔可夫链（MCMC）方法的建设。有趣的是，它可以被视为Louvain算法的动态化（参见Blondel et Al，2008），其中聚合步骤被分层工具概率取代。
2016-12-05 cs.SI physics.soc-ph stat.ML
Link community detection through global optimization and the inverse resolution limit of partition density
我们调查的可能性，全局优化为基础的重叠社区检测，使用链接社区框架。我们首先表明，分区密度，链接社区检测方法中使用的原始质量函数，是不适合作为一个质量函数的全局优化，因为它更喜欢打破社区成三角形，除非在高度有限的条件。我们分析得出这些条件，并确认它与各种合成和现实世界的网络直接优化的计算结果。为了克服这一限制，我们提出了替代方法相结合的加权线图变换和现有的质量功能，基于节点的社区。我们提出了一个新的线图加权方案，归一化Jaccard指数。计算结果表明，使用归一化Jaccard指数生成的加权线图进行社区检测可以更准确地确定社区结构。
2016-01-19 cs.SI physics.comp-ph physics.soc-ph
The efficiency of community detection by most similar node pairs
社区分析是确定复杂系统是否由具有不同性质的子结构组成的重要方法。本文利用最相似共引模式对SSCI期刊系统进行了两级社区结构分析。介绍了选择最相似节点（日志）对的五种不同策略。利用归一化互信息互信息技术检验了算法的有效性。统计特性和社团结果的比较表明，两级检测都能对复杂系统的社团结构提供指导性信息。通过对这5种策略的进一步比较发现，无论相似性信息是否完备，最有效的策略都是将相似性最大的节点分配到同一个社区中，而随机选择生成的是没有内部序的小世界局部社区。这些结果为有效的社区发现的最相似的节点对的指示。
2018-01-11 cs.DL cs.SI physics.soc-ph
