Overlapping Communities in Social Networks
复杂网络通常可以分解为组或模块。发现这种“社区结构”是研究网络大规模结构的重要一步。许多算法已经被提出用于社区发现，并且已经创建了基准来评估它们的性能。通常，用于社区发现的算法或者划分图（非重叠社区）或者找到节点覆盖（重叠社区）。在本文中，我们提出了一个特别简单的半监督学习算法发现社区。本质上，给定少量“种子节点”的社区信息，该方法使用从种子节点的随机游走来揭示整个网络的社区信息。该算法按时间$O(k \cdot m \cdot \log n)$运行，其中$m$是边的数量; $n$是链路的数量;以及$k$是网络中的社区的数量。在具有$m = O(n)$和恒定数量社区的稀疏网络中，该运行时间几乎与网络大小成线性关系。我们的算法的另一个重要特点是，它可以用于非重叠或重叠的社区。我们测试我们的算法使用LFR基准创建的Lancichinetti，Raviato，和Radicchi专门用于评估这些算法的目的。我们的算法可以竞争的最好的算法，为两个非重叠和重叠的社区，发现在全面的研究Lancichinetti和Ravinato。
2014-12-18 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
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
Seeding for pervasively overlapping communities
在一些社会和生物网络中，大多数节点属于多个社区。它最近被证明，一些算法，旨在检测重叠的社区不执行，以及在这种高度重叠的设置。在这里，我们考虑一类这些算法，那些优化的本地适应度的措施，通常通过使用贪婪的启发式扩展到一个社区的种子。我们执行合成基准表明，适当的播种策略变得越来越重要的程度，社区重叠的增加。我们发现不同的派系提供了最好的种子。我们发现进一步支持这种播种策略与基准上的Facebook网络和酵母相互作用。
2011-04-29 cs.SI physics.soc-ph
Fuzzy overlapping communities in networks
网络通常表现出社区结构，其中顶点组彼此之间的连接比与其他顶点之间的连接更密集。通常这些社区重叠，使得每个顶点可以出现在多于一个社区中。然而，两种不同类型的重叠是可能的：清晰（每个顶点完全属于它是成员的每个社区）和模糊（每个顶点在不同程度上属于每个社区）。我们调查了群落重叠的影响。我们发现，它对社区检测方法的性能有很大的影响：一些算法在模糊重叠的情况下表现更好，而另一些算法则倾向于清晰重叠。我们还评估了一些算法的性能，当重叠是模糊的，恢复属于系数。最后，我们调查是否真正的网络包含模糊或清晰的重叠。
2011-02-10 cs.SI physics.soc-ph
Finding overlapping communities in networks by label propagation
我们提出了一个算法，发现重叠的社区结构在非常大的网络。该算法基于Raghavan，Albert和Kumara的标签传播技术，但能够检测重叠的社区。与原始算法一样，顶点具有在相邻顶点之间传播的标签，以便社区成员就其社区成员资格达成共识。我们的主要贡献是扩展标签和传播步骤，包括有关多个社区的信息：每个顶点现在可以属于v个社区，其中v是算法的参数。我们的算法也可以处理加权和二分网络。在一组独立设计的基准测试和真实网络上的测试表明，该算法在恢复重叠社区方面非常有效。它也非常快，可以在短时间内处理非常大和密集的网络。
2010-10-14 cs.SI physics.soc-ph
Uncovering Complex Overlapping Pattern of Communities in Large-scale Social Networks
当每个顶点参与多个社区时，传统的社区概念倾向于内部边缘与外部边缘的高比率变得无效。这种行为在社交网络中是常见的。社区之间的显著重叠使得大多数现有的社区发现算法无效。缺乏有效和高效的工具，导致很少有实证研究的大规模检测和分析重叠的社区结构在真正的社交网络。我们最近开发了一个可扩展的和准确的方法称为部分社区合并算法（PCMA）的线性复杂度，并证明了其有效性，通过分析两个在线社交网络，新浪微博和Facebook，分别为79.4和65.6万顶点。在这里，我们报告了对PCMA检测到的290万个社区的深入分析，以揭示它们复杂的重叠结构。每个社区通常与大量其他社区重叠，并且具有比内部边缘多得多的向外边缘。然而，这些社区仍然彼此隔离。社区中的大多数顶点是多成员顶点，它们可以位于核心或外围。几乎整个网络的一半可以由一个极其密集的社区网络来占据，社区是顶点，重叠是边。实证研究结果要求我们重新思考社区的概念，尤其是社区的边界。意识到边缘是如何组织的问题，f-核心建议作为一个合适的概念重叠社区在社交网络。研究结果为理解重叠群落提供了新的思路。
2019-06-02 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
Detecting Overlapping Link Communities by Finding Local Minima of a Cost Function with a Memetic Algorithm. Part 1: Problem and Method
我们提出了一种算法，用于检测社区的网络中的链接，它使用本地信息，是基于一个新的评价函数，并允许普遍重叠的社区。聚类任务的复杂性需要应用一种模因算法，该算法将概率进化策略与确定性局部搜索相结合。在第2部分中，我们将展示使用引文网络的实验结果。
2016-06-23 cs.SI physics.soc-ph
Ensemble-Based Algorithms to Detect Disjoint and Overlapping Communities in Networks
给定一组社区检测算法${\cal AL}$和一个图$G$作为输入，我们提出了两个集成方法$\mathtt{EnDisCO}$和$\mathtt{MeDOC}$，（分别）确定不相交和重叠的社区$G$。$\mathtt{EnDisCO}$通过利用多个基本解决方案将图转换为潜在特征空间，并发现不相交的社区结构。$\mathtt{MeDOC}$将相似的基本社区分组为元社区，并检测不相交和重叠的社区结构。实验在不同的规模上进行的合成生成的网络，以及在几个现实世界的网络，其底层的地面真相社区结构是可用的。我们广泛的实验表明，这两种算法优于国家的最先进的非集成算法的显着保证金。此外，我们比较了$\mathtt{EnDisCO}$和$\mathtt{MeDOC}$与最近的集成方法不相交的社区发现，并表明我们的方法取得了优异的性能。据我们所知，$\mathtt{MeDOC}$是第一个集成方法重叠社区发现。
2016-09-16 cs.SI physics.soc-ph
SLPA: Uncovering Overlapping Communities in Social Networks via A Speaker-listener Interaction Dynamic Process
重叠是社交网络的特征之一，在这种网络中，一个人可能属于一个以上的社会群体。因此，发现重叠结构对于现实的社会分析是必要的。在本文中，我们提出了一种新的，一般的框架来检测和分析个人重叠节点和整个社区。在这个框架中，节点根据动态交互规则交换标签。一个具体的实现称为扬声器-听众标签传播算法（SLPA 1）在识别重叠节点和重叠社区具有不同程度的多样性表现出优异的性能。
2011-11-10 cs.DS cs.SI physics.soc-ph
Clique Graphs and Overlapping Communities
给出了一个团图的构造方法，在这个团图中，给定图中的固定阶团的性质由加权图中的顶点表示。给出了这些权重的各种定义和动机。社区或集群的检测用于说明团图可以如何被利用。特别是一个基准网络，团图找到重叠的社区准确，而顶点分区方法失败。
2010-09-03 cs.SI physics.data-an physics.soc-ph
Identifying overlapping communities in social networks using multi-scale local information expansion
大多数现有的社区检测方法需要特定尺度下的图的完整信息，这对于许多社交网络来说是不切实际的。我们提出了一种新的算法，不包括通用的方法，而是试图专注于本地的社会关系和建模多尺度的社会互动发生在这些网络。我们的方法第一次优化了网络的拓扑熵，并通过一个新的动态系统收敛到局部最小值，通过简单地更新成员向量，以非常低的计算复杂度揭示社区。它通过将每个节点与描述节点在每个社区中的参与的成员向量相关联来自然地支持重叠社区。这样，除了发现重叠的社区外，我们还可以通过调整最佳分区的模块特征大小来描述不同的多尺度分区。由于该算法的高效性和准确性，将其用于真实网络中社团结构的精确检测是可行的。
2015-03-27 cs.SI physics.soc-ph
Growing networks of overlapping communities with internal structure
我们引入了一个直观的模型，描述了社区结构的出现和社区内部结构的演变不断增长的社交网络。该模型包括两个互补的机制：一个机制占一个单一的社区的内部链接结构的演变，第二个机制协调多个重叠的社区的增长。第一种机制是基于这样的假设，即每个节点与其邻居建立链路，并以不同的速率向社区引入新节点。我们证明，这个简单的机制，产生了有效的最大程度的社区内。这一观察与人类学理论邓巴数有关，即，对一个普通个体在其社会群体中所能维持的最大数量的联系的经验性观察。第二种机制是基于最近提出的对社区结构的偏好附着的概括，适当地称为结构偏好附着（SPA）。将这两种机制结合到一个模型（SPA+）中，使我们能够再现真实网络的一些全局统计数据：社区大小、节点成员和度的分布。SPA+模型还预测了（a）重叠社区内度分布的三种定性制度，以及（b）节点所属社区数量与每个社区内连接数量之间的强相关性。我们提出的经验证据，支持我们的研究结果在真正的复杂网络。
2016-08-25 cs.SI physics.soc-ph
Semi-Supervised Overlapping Community Finding based on Label Propagation with Pairwise Constraints
在复杂网络中检测社区的算法通常是无监督的，仅依赖于网络的结构。然而，这些方法通常无法发现反映数据中底层社区的有意义的分组，特别是当这些结构高度重叠时。提高这些算法的有用性的一种方法是通过合并附加的背景信息，其可以用作约束的来源以指导社区发现过程。在这项工作中，我们探索了半监督策略的潜力，以改善算法，在网络中找到重叠的社区。具体来说，我们提出了一种新的方法，标签传播的基础上，使用有限数量的成对约束，寻找社区。对合成和真实世界数据集的评估表明，这种方法在每个节点可能属于多个社区的情况下，有可能揭示有意义的社区结构。
2018-11-21 cs.SI physics.soc-ph
Shared Nodes of Overlapping Communities in Complex Networks
Aalto University（阿尔托大学）
本文提出了一种基于阈值规则识别复杂网络中重叠社区共享节点的方法，通过分析节点在重叠社区中的角色以减少噪声影响，并在多个真实网络中验证了方法的鲁棒性。
2025-12-15 cs.SI
Overlapping Communities and the Prediction of Missing Links in Multiplex Networks
多路复用网络是将现实世界的复杂系统表示为通过不同类型的连接（即层）连接的一组实体（即节点）。这些网络中观察到的连接可能并不完整，链接预测任务是跨层定位丢失的链接。在这里，主要的挑战是从不同的层收集相关的证据，以帮助链接预测任务。众所周知，社区中的共同成员资格增加了节点之间连接的可能性。我们讨论的共同成员在社区的相似层增加了连接的机会。如果这些层显示出显著的层间群落重叠，则它们被认为是相似的。此外，我们发现，虽然链接的存在是相关的层，但这种相关性的程度是不一样的不同社区。我们建议，ML-BNMTF，作为一种链路预测方法在复用网络中，设计基于这些发现。ML-BNMTF优于基线方法，特别是当全球链路重叠低。
2020-05-15 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
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
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
A new hierarchical clustering algorithm to identify non-overlapping like-minded communities
如果网络中的节点可以被划分成不相交的集合，使得集合中的每个节点与集合内的其他节点紧密连接，与集合外的节点稀疏连接，则网络具有非重叠社区结构。有许多指标可以验证这种结构的有效性，如聚类系数，介数，中心性，模块性和相似性。已经提出了许多方法来优化这些指标中的一些，但没有一个在最近引入的度量相似性上效果很好。为了解决这个问题，我们提出了一种基于行为属性的算法来识别优化志同道合度量的社区，并将其性能与其他基于行为数据的方法以及仅依赖于结构数据的社区发现方法进行比较。我们在Filmtipset和Twitter的真实数据集上执行这些算法，并表明我们的算法在志同道合度量方面比现有算法表现得更好。
2016-02-24 cs.SI physics.soc-ph
Fragility of spectral clustering for networks with an overlapping structure
社区通常在现实世界的网络中重叠。这是开发重叠社区发现方法的动机，因为用于非重叠社区的方法可能执行得不好。然而，用于非重叠社区的检测方法的劣化机制很少被理论研究。在这里，我们分析的准确性谱聚类，它不考虑重叠的结构，通过使用从统计物理学的副本方法。通过对重叠随机块模型的分析，揭示了重叠结构是如何导致前导特征向量的结构信息丢失的。
2020-10-25 cond-mat.stat-mech cs.SI physics.soc-ph
AOC; Assembling Overlapping Communities
通过发现中尺度结构，社区发现方法有助于理解复杂网络。然而，许多社区发现方法依赖于不相交的聚类技术，其中节点成员资格仅限于一个社区或集群。这种严格的要求限制了包容性地描述社区的能力，因为一些节点可能被合理地分配给许多社区。我们之前已经报道过迭代K核心聚类（IKC），这是一个可扩展的模块化管道，可以从科学文献中发现不相交的研究社区。我们现在提出组装重叠集群（AOC），这是一种用于重叠社区的补充元方法，可以解决不相交的集群问题。我们提出了在超过1300万个节点的网络上使用AOC的研究结果，该网络捕获了生物学中细胞外囊泡非常快速增长领域的最新研究。
2022-10-04 cs.SI
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
Identification of overlapping communities and their hierarchy by locally calculating community-changing resolution levels
我们提出了一个新的本地，确定性和无参数的算法，检测模糊和清晰的重叠社区的加权网络，同时揭示其层次结构。该算法通过引入局部适应度函数，不断扩展种子的自然社区，直到覆盖整个图。社区的层次结构是通过计算社区增长的分辨率水平而不是通过测试不同的分辨率水平来分析获得的。这种分析方法不仅比LFM和GCE等数值方法更精确，而且速度也更快。关键分辨率水平可以通过搜索分辨率的大变化不会导致群落增长的间隔来识别。我们在基准图和信息科学中的492篇论文的网络上测试了我们的算法。结合一个特定的后处理，该算法给出了更精确的结果，LFR基准与高重叠相比，其他算法和执行非常相似的GCE。
2010-12-06 cs.SI physics.data-an physics.soc-ph
Generalization of Clustering Agreements and Distances for Overlapping Clusters and Network Communities
两个聚类之间的距离度量具有重要的应用，包括聚类验证和集成聚类。通常，这种距离度量提供了通过可能聚类的空间的导航。主要用于聚类验证，即标准化聚类距离，也称为一致性度量，将给定的聚类结果与地面实况聚类进行比较。聚类一致性测度通常分为两类：成对计数测度和信息论测度，分别以调整兰德指数（ARI）和归一化互信息（NMI）为代表。本文通过一个推广，阐明了这两个族之间的关系。它进一步提出了一种替代的代数公式，这些协议的措施，其中包括一个直观的聚类距离，这是基于集群重叠和集群中的节点的共同成员之间的类似定义。与原来的措施不同，它很容易扩展到不同的情况下，包括重叠的集群和集群的复杂网络的相互关联的数据。这两个扩展在社会和信息网络（也称为社区）中寻找集群的背景下特别重要。
2015-03-06 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
Markov random walk under constraint for discovering overlapping communities in complex networks
复杂网络中重叠社区的检测是近年来相关领域研究的热点。针对这个问题，我们提出了一个基于马尔可夫动力学的算法，称为UEOC，这意味着，“展开和提取重叠社区”。在UEOC中，当识别每个自然社区重叠，马尔可夫随机游走方法结合约束策略，这是基于相应的退火网络（度守恒随机网络），执行展开的社区。然后，一个截断标准的援助的当地社区功能，称为电导，它可以被认为是社区内的边缘和那些离开它的数量之间的比率，提出了从整个网络中提取这个新兴的社区。UEOC算法只依赖于一个参数，其值可以很容易地设置，它不需要隐藏的社区结构的先验知识。建议的UEOC已在合成基准和一些现实世界的网络进行了评估，并与一组竞争算法进行了比较。实验结果表明，UEOC是非常有效的和高效的发现重叠社区。
2013-03-22 cond-mat.stat-mech 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
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
Overlapping community detection using superior seed set selection in social networks
社会网络中的社区发现是近十年来引起研究者极大兴趣的领域之一。已经有许多算法。然而，新的种子为基础的算法建立了一个新兴的漂移在这方面。这些策略背后的基本思想是识别给定网络中的特殊节点，称为种子，社区可以围绕这些节点定位。本文提出了一种混合策略，通过应用各种中心性措施，并使用它们来找到重叠社区定位合适的优秀种子集。该算法的检查已被执行的善良的社区的帮助下，内集群密度和集群间密度。最后，将该算法与现有的社区发现算法进行了比较，结果表明该算法在运行时间上有明显的改善。
2018-08-10 cs.SI physics.soc-ph
Detecting hierarchical and overlapping network communities using locally optimal modularity changes
凝聚聚类是一种确定网络社区的成熟策略。社区逐渐合并为更大的社区，使行为者网络粗化为更易于管理的社区网络。合并发生的顺序一般不清楚，因此需要选择要合并的社区对。我们描述了一个层次聚类算法的基础上的局部最优属性。对于网络中的每个边缘，我们将模块化变化与其链接的社区合并相关联。对于每一个社区顶点，我们称之为首选的边缘的模块化变化是最大的。当一条边被它所链接的两个顶点所偏好时，从局部观点来看，它似乎是最佳选择。我们使用局部最优边缘来定义算法：同时合并由局部最优边缘连接的所有社区对，这将增加模块化，在每一步之后重新确定局部最优边缘，并继续只要模块化可以进一步增加。我们将该算法应用于模型和经验网络，证明它可以有效地产生高质量的社区解决方案。我们将性能和实现细节与由此产生的社区层次结构相关联。我们还考虑了一个互补的局部聚类算法，描述了如何识别重叠社区的局部最优条件的基础上。
2013-09-04 cond-mat.dis-nn cs.SI physics.soc-ph
Statistical Behavior of Embeddedness and Communities of Overlapping Cliques in Online Social Networks
节点的度分布，特别是幂律度分布，被认为是社会网络和信息网络最重要的结构特征之一。然而，节点度只揭示了网络的一阶结构。更高阶的结构，如边缘嵌入和社区的大小可能在许多在线社交网络中发挥更重要的作用。在本文中，我们提供的经验证据丰富的高阶结构特征存在于在线社交网络，开发数学模型来解释和模拟这些特征，并讨论其在实践中的各种应用。特别是，1）我们表明，嵌入分布的社会链接在许多社交网络有有趣的和丰富的行为，不能被著名的网络模型。我们还提供了实证结果，显示了嵌入性分布和社交网络节点对之间通信的平均消息数之间的明显相关性。2)我们正式证明了随机k树，最近的复杂网络模型，具有幂律嵌入分布，并经验表明，随机k树模型可以用来捕捉丰富的行为，我们观察到在现实世界的社交网络的高阶结构。3)超越嵌入性，我们表明，随机k树模型的一个变体可以用来捕捉最近发现的重叠集团的社区大小的幂律分布。
2010-09-22 cs.SI physics.soc-ph
Overlapping modularity at the critical point of k-clique percolation
最显著的社会现象之一是在社交网络中形成社区，这些社区与家庭、朋友圈、工作团队等相对应。由于人们通常同时属于几个不同的社区，由此产生的重叠导致了社区本身的极其复杂的网络。因此，揭示社交网络的复杂社区结构是一个具有巨大实际应用潜力的重要任务，近年来引起了人们的极大兴趣。团渗流方法（CPM）是最早的重叠社区发现方法之一，它已经被用于分析几个不同的社交网络。在这种方法中，社区对应于k-团渗流集群，并且用于设置该方法的参数的一般启发式是将系统调整到刚好低于k-团渗流的临界点。然而，这一规则是基于简单的物理原理，其有效性从来没有受到定量分析。在这里，我们研究的质量分区的临界点附近使用最近推出的重叠模块化措施。根据我们对真实社会网络和其他网络的研究结果，重叠模块在接近临界点时显示出最大值，证明了最佳参数设置的原始标准。
2013-08-15 cs.SI physics.soc-ph
Partitioning Breaks Communities
考虑一个集团作为一个保守的社区结构的定义，我们研究图划分算法如何与集团互动。许多流行的社区发现算法将整个图划分为不重叠的社区。我们表明，在广泛的经验网络，从不同的领域，大量的集团分裂在这些算法产生的单独的分区。然后，我们研究的最大连通组成部分的子图只保留边缘集团，并应用分区策略，明确减少分裂集团的数量。我们进一步研究了几个现代的重叠社区发现算法，在集团和他们找到的社区之间的相互作用，并在他们找到的社区集的全球重叠。我们的结论是，由于许多网络的连通性，任何社区发现算法，产生分区必须无法找到至少一些重要的结构。此外，与传统的直觉相反，在一些经验网络中，强联系和派系经常跨越社区边界;许多社区结构本质上是重叠和不可分割的。
2012-05-12 cs.SI physics.soc-ph
DEMON: a Local-First Discovery Method for Overlapping Communities
复杂网络中的社区发现是一个有趣的问题，具有许多应用，特别是在社会和信息网络中的知识提取任务。然而，许多大型网络往往缺乏全球一级的特定社区组织。在这些情况下，传统的图划分算法无法让嵌入在模块化结构中的潜在知识显现出来，因为它们强加了一个自上而下的网络全局视图。我们在这里提出了一个简单的本地优先的方法来发现社区，能够揭开真正的复杂网络的模块化组织。这是通过民主地让每个节点投票给它在其有限的全局系统视图中看到的社区来实现的，即它的自我邻居，使用标签传播算法;最后，本地社区被合并成一个全局集合。我们对最先进的重叠和非重叠社区发现方法进行了测试，发现我们的新方法在获得社区的质量方面明显优于其他方法，通过使用提取的社区来预测有关几个真实世界网络节点的元数据进行评估。我们还展示了我们的方法是如何确定性的，完全增量的，并具有有限的时间复杂度，使它可以用于网络规模的真实网络。
2012-06-04 cs.DS 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
UCoDe: Unified Community Detection with Graph Convolutional Networks
本文提出 UCoDe，利用图卷积网络和宏观节点相似性对比损失，在属性图中统一完成重叠与非重叠社区检测，并在真实数据上取得稳定领先性能。
2023-11-02 cs.SI
An edge density definition of overlapping and weighted graph communities
网络中的社区检测是指寻找内部连接强而外部连接弱的节点组的过程。在这项工作中，我们介绍和研究的社区定义的基础上，内部边缘密度。从一个简单的概念，边缘密度等于边缘数除以最大边缘数，我们应用这个定义的各种节点和社区的安排表明，我们的定义产生合理的结果。我们的社区定义相当于绝对波茨模型社区检测方法（Phys.Rev.E81，046114（2010）），该方法的性能验证了我们的定义在各种网络类型中的有用性。我们将讨论如何将此定义扩展到加权和多重图，以及如何定义能够处理重叠的社区和本地算法。我们进一步验证了我们的定义对最近提出的隶属图模型（arXiv：1205.6228 [cs.SI]），并表明我们可以精确地解决这些基准。除了提出一个最终的社区定义之外，我们还解释了研究社区定义的详细属性是如何重要的，以便验证定义不具有负分析属性。我们敦促社区定义从社区检测算法中分离出来，并建议通过这些标准进一步评估社区定义。
2013-01-14 cs.SI physics.soc-ph
A shadowing problem in the detection of overlapping communities: lifting the resolution limit through a cascading procedure
社区检测是指在重要社区（例如集群，功能模块）中分配节点和链接的过程，它的发展导致了对复杂网络的更好理解。当应用于相当大的网络，我们认为，大多数检测算法正确地识别突出的社区，但未能做到跨多个尺度。因此，网络的很大一部分是未知的。我们发现，这个问题源于更大或更密集的社区掩盖了更小或更稀疏的，这种影响占大多数未检测到的社区和未分配的链接。我们提出了一个通用的级联方法来社区检测，规避了这个问题。使用真实的和人工的网络数据集与三个广泛使用的社区检测算法，我们展示了如何一个简单的级联过程允许检测的缺失社区。这项工作突出了一个新的社区结构的检测极限，我们希望我们的方法可以启发更好的社区检测算法。
2015-09-30 cond-mat.stat-mech cs.SI physics.soc-ph
Identification of Overlapping Communities via Constrained Egonet Tensor Decomposition
在现实世界的网络中，重叠社区的检测通常是一项具有挑战性的任务。在认识到一个网络实际上是它的egonets的工会，一个新的网络表示使用多路数据结构主张在这方面的贡献。引入的稀疏张量为基础的表示表现出更丰富的结构相比，它的矩阵对应，从而使一个更强大的方法来社区发现。为了利用这种结构，使用PARAFAC分解引入了约束张量近似框架。所产生的约束三线性优化通过交替最小化处理，其中中间子问题使用交替方向乘子法（ADMM）求解，以确保收敛。获得的因素提供软社区成员资格，这可以进一步利用脆，并可能重叠的社区分配。该框架进一步扩大到包括随时间变化的图形，其中边缘以及底层社区随着时间的推移而演变。所提出的方法的性能进行评估，通过测试基准合成图以及现实世界的网络。数值试验证实，所提出的基于张量的表示捕获多跳节点连接，即单跳邻居，其开发产生一个更强大的社区识别中存在的混合以及重叠的社区内的连接模式。
2017-07-14 cs.SI
Inference of hyperedges and overlapping communities in hypergraphs
超图，编码任何数量的系统单元之间的结构化的相互作用，最近被证明是一个成功的工具来描述许多现实世界的生物和社交网络。在这里，我们提出了一个基于统计推断的超图的结构组织特征的框架。该方法允许以有原则的方式推断任何大小的缺失超边，并在存在高阶交互的情况下联合检测重叠社区。此外，我们的模型有一个有效的数值实现，它运行速度比二进算法从高阶数据投影的成对记录。我们将我们的方法应用到各种现实世界的系统中，在超边缘预测任务中表现出强大的性能，检测与交互所携带的信息保持一致的社区，以及对添加噪声超边缘的鲁棒性。我们的方法说明了一个超图概率模型的基本优势时，建模关系系统与高阶交互。
2022-11-11 cs.SI physics.data-an 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
Finding Overlapping Communities in Social Networks: Toward a Rigorous Approach
社交网络中的“社区”通常被理解为一组节点，它们之间的连接比网络的其他部分更紧密。这是一个重要的概念，在大多数领域的网络出现：社会，技术，生物，等多年来，算法寻找社区隐含假设社区是不重叠的（导致使用基于聚类的方法），但有越来越多的兴趣在寻找重叠的社区。寻找社区的一个障碍是解决方案的概念通常是根据NP完全问题定义的，如集团或层次聚类。本文旨在启动一个严格的方法来寻找重叠社区的问题，其中“严格”意味着我们清楚地说明以下内容：（a）我们的算法所寻求的对象（b）关于底层网络的假设（c）（最坏情况下）运行时间。我们对网络的假设介于最坏情况和平均情况之间。平均情况分析需要网络的精确概率模型，目前还没有达成共识。然而，从社会学界长达50年的研究中，可以收集到一些关于网络参数的合理假设，这些研究集中在个体社区和以自我为中心的网络的研究上。因此，我们的假设在本质上有点“局部”。然而，他们足以允许严格的分析，恢复全局结构的算法的运行时间。我们的算法使用随机抽样类似的属性测试和算法的稠密图。然而，我们的网络不一定是稠密图，甚至在局部邻域中也不一定。我们的算法探索了以自我为中心和以社会为中心的网络之间的局部-全局关系，我们希望这将为计算机科学和社会学的未来工作提供一个富有成效的框架。
2011-12-08 cs.DS cs.SI physics.soc-ph
Exchangeable Random Measures for Sparse and Modular Graphs with Overlapping Communities
本文提出基于可交换点过程和完全随机测度向量的稀疏网络统计模型，用于建模重叠社区结构，并开发了模拟与后验推断方法，在真实大规模网络上验证了其可解释性和可扩展性。
2017-08-23 cs.SI physics.soc-ph stat.ME
Efficient inference of overlapping communities in complex networks
我们讨论了两种观点，我们称之为社区第一和网络第一视图，分别扩展现有的复杂网络建模方法。受White，Boorman，and Breiger（1976）[1]的网络第一观点的启发，我们提出了多网络随机块模型（MNSBM），该模型试图将观察到的网络分成不同类型的子网络，并且在每个子网络中推断结构的问题变得更容易。我们展示了如何在生成贝叶斯框架中指定此模型，其中参数可以有效地使用吉布斯抽样进行推断。其结果是一个有效的多成员模式，而没有引入复杂的“群体”定义及其相互作用的缺点。我们展示了在合成网络中恢复种植结构的结果，并在一些真实网络数据集上使用多网络模型对链接预测性能进行了非常令人鼓舞的结果。
2014-11-28 cs.SI physics.soc-ph stat.ML
Clique and cycle frequencies in a sparse random graph model with overlapping communities
本文针对重叠社区稀疏随机图模型，提出团与环频数的大规模近似，揭示其增长率并证明理论密度可可靠估计。
2024-12-18 cs.SI math.PR math.ST
Structure and Overlaps of Communities in Networks
在现实世界的社会，信息和技术网络的主要组织原则之一是网络社区，其中节点组组织成密集连接的集群。尽管检测这样的社区是非常感兴趣的，了解大型网络中的结构社区仍然相对有限。由于没有标记的地面实况数据，实际上不可能大规模地评估和比较不同的模型和社区概念。在本文中，我们确定了6个大型的社会，协作和信息网络，其中节点显式地说明他们的社区成员。我们通过使用这些明确的成员资格来定义地面实况社区。然后，我们实证研究如何在网络中出现这样的地面真相社区，以及它们如何重叠。我们观察到一些令人惊讶的现象。首先，地面实况社区包含高度的枢纽节点，这些节点位于社区重叠中，并链接到社区的大多数成员。第二，社区的重叠部分比社区的非重叠部分连接得更紧密，这与社区重叠部分比社区本身连接得更稀疏的传统智慧形成对比。现有的网络社区模型不能捕捉到密集的社区重叠。我们提出了社区关联图模型（AGM），网络社区结构的概念模型，它可靠地捕捉网络的整体结构以及网络社区的重叠性质。
2012-09-25 cs.SI physics.soc-ph
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。
2012-07-16 cs.SI physics.soc-ph
A Game-Theoretic Approach for Detection of Overlapping Communities in Dynamic Complex Networks
复杂网络往往会显示社区，这些社区是一个组中相互紧密连接的节点组，并且与网络的其余部分稀疏连接。检测这样的社区是一个重要的计算问题，因为它提供了一个洞察网络的功能。此外，在动态网络中调查社区结构，其中网络受到变化的影响，更具挑战性。本文提出了一种博弈论技术，用于检测动态和静态复杂网络中的社区结构。在我们的方法中，每个节点都扮演一个玩家的角色，试图通过加入一个或多个社区或在社区之间切换来获得更高的回报。游戏的目标是通过在这些参与者之间找到纳什均衡点来揭示这些参与者形成的社区结构。据我们所知，这是第一个能够从静态或动态网络中提取重叠社区的博弈论算法。我们提出的实验结果说明了所提出的方法在合成和真实世界的网络上的有效性。
2016-07-29 cs.CC cs.DS cs.GT
Random Overlapping Communities: Approximating Motif Densities of Large Graphs
各种各样的复杂网络（社会，生物，信息等）表现出局部聚类，聚类系数（相邻节点被连接的概率）有很大变化。现有的大型图模型捕获幂律度分布（Barabási-Albert）和小世界属性（Watts-Strogatz），但只有有限的聚类行为。我们介绍了一个推广的经典Erdens-Rényi模型的随机图，可证明实现了广泛的所需的聚类系数，三角形的边缘和四个循环的边缘比率为任何给定的图的大小和边缘密度。在随机重叠社区模型中，不是随机地独立选择边，而是通过选择一组随机的、相对密集的子图（"社区"）来生成图。我们讨论了模型的解释能力及其一些后果。
2017-09-27 cs.DM cs.SI math.CO
Efficiently Detecting Overlapping Communities through Seeding and Semi-Supervised Learning
Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；University of Chinese Academy of Sciences（中国科学院大学）
播种然后扩展是发现网络中重叠社区的常用方案。大多数种子方法要么太复杂而无法扩展到大型网络，要么太简单而无法选择高质量的种子，并且大多数扩展方法使用的非原则函数在应用于不同网络时导致性能低下。本文提出了一种新的方法，将网络转换为语料库，其中每个边缘被视为一个文档，网络的所有节点被视为语料库的术语。提出了一种有效的种子算法，首先选取种子作为训练集，然后采用基于半监督学习的原则性扩展方法对边缘进行分类。我们比较我们的新算法与其他四个社区发现算法在广泛的合成和经验网络。实验结果表明，该算法在大多数情况下都能显著提高聚类性能。此外，新算法的时间复杂度与边数成线性关系，这种低复杂度使得新算法可扩展到大型网络。
2014-09-17 cs.LG cs.SI physics.soc-ph
Overlapping Community Discovery Methods: A Survey
重叠社区的检测是一个具有挑战性的问题，近年来越来越受到关注，因为在现实世界的网络中观察到的个人的自然态度，同时参与多个组。本审查报告介绍了该领域的主要建议。除了为静态网络设计的方法之外，还描述了一些新的方法，这些方法处理随着时间变化的网络中重叠社区的检测。方法根据指导它们在共享其节点的一部分的组中获得网络划分的基本原则进行分类。对于其中的每一个，我们还报告，当可用时，计算复杂性和网站地址，从那里可以下载实现该方法的软件。
2014-11-14 cs.SI physics.soc-ph
Evidential Communities for Complex Networks
社区发现对于理解社交网络中的图结构具有重要意义。现实网络中的社区往往是重叠的，即一些节点可能是多个集群的成员。在网络数据集的数据采掘中，如何发现复杂网络中的重叠社区/簇是一个普遍的问题。提出了一种基于证据模块度函数、谱映射方法和证据c均值聚类的复杂网络重叠社区识别算法。实验结果表明，该方法充分利用了信任函数理论，在检测社区结构和确定合适的簇数方面都有较好的效果。此外，所提出的方法得到的置信划分可以给我们一个更深入的了解图的结构。
2015-01-08 cs.SI physics.soc-ph
