An Improved Node Ranking for Label Propagation and Modularity based Clustering
Alessandro Berti
在本文中，我将讨论非谱聚类技术，并了解基于中心性度量的节点排序如何提高检测到的社区的质量。我还将讨论对现有技术的改进，这将进一步提高模块性。
In this paper I'll speak about non-spectral clustering techniques and see how a node ordering based on centrality measures can improve the quality of communities detected. I'll also discuss an improvement to existing techniques, which further improves modularity.
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
On a Connection Between Small Set Expansions and Modularity Clustering in Social Networks
在本文中，我们探讨了两个看似不同的问题之间的连接从两个不同的领域：在独特的游戏猜想研究的小集扩展问题，和一个流行的社区发现方法的社交网络被称为模块化聚类方法。我们表明，一个次指数时间算法的小集合扩展问题导致一个次指数时间常数因子近似的模块化聚类问题的一些硬输入实例。
Network Clustering via Maximizing Modularity: Approximation Algorithms and Theoretical Limits
许多社交网络和复杂系统被发现自然地划分为密集连接的节点的集群，称为社区结构（CS）。寻找CS是网络科学中一个基本而又具有挑战性的课题。解决这个问题的最流行的方法之一是最大化纽曼的模块性。然而，我们对如何近似最大模块度以及找到具有可证明保证的社区结构的含义了解甚少。本文明确地解决了模块聚类的可逼近性问题，证明了除非P = NP，否则在任何（乘性）正因子内逼近该问题是困难的。然而，我们提出了第一个加性近似算法的模块化聚类与一个常数的因素。此外，我们提供了一个严格的证明，CS的模块性任意接近最大模块性QOPT可能承担没有相似的最大模块性的最佳CS。因此，即使找到了具有接近最优模块性的CS，也需要其他验证方法来确认结构的重要性。
Modularity-based selection of the number of slices in temporal network clustering
本章探讨了在时序网络聚类中，当使用广义模块度识别聚类时，如何选择网络切片数量的问题。
Scaling Fine-grained Modularity Clustering for Massive Graphs
模块聚类是理解复杂图的重要工具。然而，现有的方法是不适用于大量的图，由于两个严重的弱点。(1)由于分辨率限制问题，很难完全再现地面实况聚类。(2)它们在计算上是昂贵的，因为所有的节点和边必须迭代计算。本文提出了gScarf，它在很短的运行时间内输出细粒度的集群。为了克服上述弱点，gScarf动态地修剪不必要的节点和边，确保它捕获细粒度的集群。实验表明，gScarf算法在运行时间上优于现有算法，同时聚类精度高。
Multiresolution Consensus Clustering in Networks
网络通常在不同的尺度上表现出结构。我们提出了一种基于多分辨率模块化和一致性聚类的不同尺度的社区结构识别方法。我们的贡献包括两部分。首先，我们提出了一种策略，用于对多分辨率模块化质量函数的整个可能分辨率范围进行采样。我们的方法是直接基于模块化的属性，特别是，提供了一种自然的方式，避免需要增加几个数量级的分辨率参数，以打破一些剩余的小社区，有必要引入特设的限制，以标准的采样方法的分辨率范围。其次，我们提出了一个层次共识聚类过程，基于修改后的模块化，它允许一个层次的共识结构给定一组输入分区。虽然这里我们感兴趣的是它的应用程序使用多分辨率模块化采样的分区，这种共识聚类过程可以应用于任何聚类算法的输出。因此，我们看到许多潜在的应用程序的各个部分，我们的多分辨率共识聚类过程中，除了使用程序本身来识别网络中的层次结构。
Constant Approximation for Normalized Modularity and Associations Clustering
我们研究了一个广泛的目标下的图聚类的问题，其中一个集群的质量定义的基础上在集群中的边缘的数量之间的比率，和在集群中的顶点的总重量。我们表明，我们的定义是密切相关的流行的聚类措施，即规范化的协会，这是一个双重的规范化的切割目标，和规范化的模块化。我们给出了一个线性时间常数近似算法，这意味着第一常数因子近似算法的归一化模块和归一化关联。
Modularity maximization and tree clustering: Novel ways to determine effective geographic borders
领土划分和地理边界对于理解社会学、政治学、历史学和经济学中的现象至关重要。它们影响到区域间的信息流动和跨界贸易，并影响到创新和技术的传播。然而，大多数现有的行政边界是由各种历史和政治情况以及某种程度的任意性决定的。社会发生了巨大变化，目前存在的边界是否反映了最合乎逻辑的划分令人怀疑。幸运的是，在历史的这一点上，我们能够通过人类流动来实际衡量社会地理结构的某些方面。诸如火车和航空公司之类的大规模交通系统提供关于在地理位置之间旅行的人数的数据，并且正在发现许多有前途的人类流动代理，诸如手机、钞票和各种在线社交网络。在本章中，我们将两种优化技术应用于人类流动代理（钞票流通），以调查从人类流动的直接分析中出现的有效地理边界。
Hypergraph Clustering: A Modularity Maximization Approach
超图聚类在网络分析、超大规模集成电路设计和计算机视觉等领域有着广泛的应用前景，因此超图聚类研究受到了越来越多的关注。在这项工作中，我们推广了超图聚类的模块化最大化框架。为此，我们引入了一个超图空模型，类似于无向图上的配置模型，以及与此模型一起工作的节点度保持减少。这是用来定义一个模块化函数，可以使用流行的快速鲁汶算法最大化。我们还提出了一个改进的聚类，通过重新加权削减超边在迭代的方式。我们的方法的有效性和效率在几个真实世界的数据集上得到了证明。
Unifying Sparsest Cut, Cluster Deletion, and Modularity Clustering Objectives with Correlation Clustering
图聚类或社区发现是在大型网络中识别密切相关对象组的任务。在本文中，我们介绍了一个新的社区检测框架称为LambdaCC，是基于一个特殊的加权版本的相关聚类。在我们的方法中的一个关键组成部分是一个聚类分辨率参数，$λ$，它隐含地控制我们的框架形成的集群的大小和结构。我们表明，通过增加这个参数，我们的目标有效地插在两个不同的策略之间的图聚类：找到一个稀疏的削减和形成密集的子图。我们的方法统一和概括了一些其他重要的聚类质量函数，包括模块化，稀疏切割，和集群删除，并将它们都放在一个优化问题的背景下，已经很好地研究了从近似算法的角度来看。我们的方法是特别相关的制度，寻找密集的集群，因为它导致了2-近似的集群删除问题。我们使用我们的方法来聚类几个图，包括大型协作网络和社交网络。
Modularity and Heavy-Tailed Degree Distributions
识别图中的顶点簇仍然是一个重要的问题，模块化仍然被用作解决问题的工具。模块化度量了将顶点划分为簇的质量，明确地将不同度的顶点区别对待，当将高度顶点放在同一簇中时，会施加更大的惩罚。我们声称，这种不平等的处理会对基于重尾度分布图的模块性的聚类算法的性能产生负面影响。我们使用Greedy Modularity hill-climb在具有幂律度分布的图中找到聚类，并观察到它对低度顶点的聚类性能很差。我们提出了一个简单的模块化，我们称之为扁平模块化。我们发现，使用相同的算法与修改后的分数，我们提高了性能的聚类算法的低度顶点和整体性能。我们相信，从模块化到扁平模块化的小变化可以改善许多现实世界中依赖模块化来衡量集群划分质量的过程的输出，而只需对实现进行小的更改，这实际上是一种简化。
The Hyperspherical Geometry of Community Detection: Modularity as a Distance
我们引入了一个度量空间的聚类，聚类描述的二进制向量的顶点对索引。我们将这种几何扩展到超球面，并证明了最大化模块性等价于最小化聚类向量集上到某个模块性向量的角距离。在这个意义上，基于模块的社区发现方法可以被看作是更一般的投影方法的子类，我们将其定义为遵循以下两步过程的社区发现方法：首先，将网络映射到超球体上的一个点;其次，将该点投影到聚类向量集。我们表明，这类投影方法包含许多有趣的社区发现方法。这些新方法中的许多不能被描述为空模型和分辨率参数，这是基于模块化的方法的习惯。我们提供了一个新的表征，这种方法的子午线和纬度的超球。此外，通过相关的模块化分辨率参数的纬度相应的模块化向量，我们得到了一个新的解释的分辨率限制，模块化最大化是已知的遭受。
Comparison of modularity-based approaches for nodes clustering in hypergraphs
本文在统一框架下比较多种超图模块度准则及对应最大化算法，并通过受控模拟从恢复精度、运行时间、目标优化和聚类数等方面评估其优劣。
Differentiable Tripartite Modularity for Clustering Heterogeneous Graphs
本文提出可微三分模ularity方法，用于异构图的端到端聚类，通过结构归一化和因式分解计算实现高效稳定优化。
Modularity aided consistent attributed graph clustering via coarsening
针对图聚类难以准确捕捉社区结构、计算低效及难识别小社区的问题，提出整合粗化与模块度最大化方法，设计含对数行列式等分量的损失函数，理论与实验均证明其性能优于现有方法。
Ranking and clustering of nodes in networks with smart teleportation
随机隐形传态是基于随机游动的有向网络的排序和聚类的必要条件。隐形传态使遍历的解决方案，但解决方案必须依赖于精确的实施和参数化的隐形传态。例如，在常用的PageRank算法中，隐形传态速率必须在严重偏差的解与均匀解之间进行权衡。在这里，我们表明，隐形传态的链接，而不是节点，使一个更平滑的权衡和有效地更强大的结果。我们还表明，通过不记录随机行走的隐形传态步骤，我们可以进一步减少隐形传态的影响，对聚类产生巨大的影响。
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。
A Statistical Density-Based Analysis of Graph Clustering Algorithm Performance
测量图聚类质量仍然是一个开放的问题。为了解决这个问题，我们引入质量措施的基础上比较内和集群间的密度，一个伴随的统计检验的显着性差异和一步一步的例行聚类质量评估。我们的零假设不依赖于图的任何生成模型，这与使用配置模型作为零模型的模块化不同。与非常常用的模块化度量不同，我们的度量符合良好集群质量函数的公理。它们也有一个直观的图论解释，一个正式的统计解释，可以很容易地测试的意义。我们的工作集中在这样一个想法，即良好的聚类图将显示一个显着更大的簇内密度比簇间密度。我们开发测试来验证这种集群结构的存在。我们经验性地探索了我们的措施下的压力测试方案的行为，并比较他们的行为常用的模块化和电导措施。实证压力测试结果证实，我们的措施相比，非常有利的既定的。特别是，他们被证明是更敏感的图形结构和不太敏感的样本大小和故障在数值实现和不太敏感的连接的不确定性。这些特征在较大数据集的上下文中或当数据可能包含连接模式中的错误时尤其重要。
DGCLUSTER: A Neural Framework for Attributed Graph Clustering via Modularity Maximization
提出DGCluster神经框架，通过图神经网络优化模块度实现属性图聚类，无需预设簇数且线性扩展，在多个真实数据集上显著优于现有方法。
Modularity functions maximization with nonnegative relaxation facilitates community detection in networks
在这里，我们表明，最大化一个家庭的定量功能，包括模块化（Q-措施）和模块密度（D-措施），社区检测的问题可以统一理解为一个组合优化涉及的矩阵称为模块化拉普拉斯算子的轨迹。我们在图聚类问题中引入了非负约束，并设计了有效的算法来优化新的目标，而不是使用传统的谱松弛算法。在明确的非负约束条件下，我们的解决方案非常接近理想的社区指标矩阵，并可以直接分配到社区的节点。解的近正交列可以重新表示为对应节点属于每个社区的后验概率。因此，所提出的方法可以用来识别模糊或重叠的社区，从而有利于理解网络的内在结构。实验结果表明，我们的新算法一致，有时显着，优于传统的谱松弛方法。
Generative hypergraph clustering: from blockmodels to modularity
超图是一种自然的建模范例，用于各种复杂的关系系统。标准的分析任务是识别紧密相关或密集互连的节点的集群。许多图形算法的这项任务是基于随机块模型的变体，一个随机图具有灵活的集群结构。然而，目前很少有超图聚类的模型和算法。在这里，我们提出了一个泊松度校正超图随机块模型（DCHSBM），生成模型的聚类超图异构的节点度和边的大小。近似的最大似然推理DCHSBM自然会导致一个聚类目标，概括了流行的模块化目标图。我们推导出一个通用的Louvain型算法为这个目标，以及一个更快的，专门的“全有或全无”（AON）的变种，其中边缘预计完全位于集群内。这种特殊的情况下，包括最近提出的超图的模块化，同时还纳入灵活的分辨率和边大小参数。我们表明，AON超图鲁汶是高度可扩展的，包括作为一个例子，实验上的合成超图的100万个节点。我们还证明，通过合成实验，超图社区发现的可检测性制度不同于基于二进图投影的方法。我们使用我们的生成模型来分析学校联系网络，美国国会法案共同赞助，美国国会委员会，共同购买行为中的产品类别以及来自网络浏览会话的酒店位置中的高阶结构的不同模式，找到可解释的高阶结构。然后，我们研究了我们的AON超图Louvain算法的行为，发现它能够在表现出相应的高阶结构的经验数据集中恢复地面真实聚类。
A Potts model approach to unsupervised graph clustering with Graph Neural Networks
针对模块度驱动的无监督图聚类存在分辨率极限的问题，提出借鉴物理学 Potts 模型的新型 GNN 框架，并在多个真实数据集上达到最先进聚类性能。
Hierarchical clustering for graph visualization
本文描述了一种基于层次最大模块聚类的图形可视化方法，具有交互式和显着的粗化和细化的可能性。这种方法在古巴的艾滋病毒流行分析的应用进行了概述。
Linear Clustering Process on Networks
我们提出了一个线性聚类过程中的两个相反的力量组成的网络：相邻节点之间的吸引力和排斥力。每个节点都映射到一维线上的一个位置。吸引力和排斥力移动线上的节点位置，这取决于两个相邻节点的邻域是相似还是不同。基于每个节点的位置，网络中的集群的数量，以及每个节点的集群成员，估计。所提出的线性聚类过程的性能基准合成网络对广泛接受的聚类算法，如模块化，鲁汶方法和非回溯矩阵。所提出的线性聚类过程优于最流行的基于模块的方法，如鲁汶方法，同时具有可比的计算复杂性。
Resampling effects on significance analysis of network clustering and ranking
社区检测有助于我们简化复杂的网络配置，但社区只有在统计上显著时才是可靠的。为了检测统计上显著的社区，一种常见的方法是重新采样原始网络并分析社区。但是，响应假设样本之间是独立的，而网络的组成部分本质上是相互依赖的。因此，我们必须了解如何打破重采样组件之间的依赖关系影响显著性分析的结果。在这里，我们使用科学传播作为一个模型系统来分析这种影响。我们的数据集包括1984-2010年在期刊上发表的文章中的引用。我们比较了引用的参数检索与非参数文章检索。虽然引用恢复打破了链接依赖性，但条目恢复保持了这种依赖性。我们发现，引文检索低估了链接权重的方差。此外，这种低估解释了排名和聚类显著性分析中的大部分差异。因此，当只有链接权重是可用的，文章回复不是一个选项，我们建议一个简单的参数回复方案，产生链接权重方差接近的链接权重方差的文章回复。尽管如此，当我们强调和总结科学中重要的结构变化时，我们在重新定位方案中保持的依赖性越多，我们就能越早地预测结构变化。
A Method Based on Total Variation for Network Modularity Optimization using the MBO Scheme
网络结构的研究在社会学、生物学、计算机科学和许多其他学科中很普遍。网络科学最重要的领域之一是算法检测称为“社区”的节点的内聚组。一个流行的方法来寻找社区是最大化称为{ \em模块化}的质量函数，以实现某种最佳的节点集群。在本文中，我们从一个新的角度来解释模块化函数：我们重新制定模块化优化作为一个能量泛函，其中包括一个总的变化项和$\ell_2$平衡项的最小化问题。通过采用图像处理和$\ell_1$压缩感知的数值技术-如凸分裂和Merriman-Bence-Osher（MBO）计划-我们开发了一个变分算法的最小化问题。我们提出了我们的计算结果使用合成基准网络和真实数据。
Convexified Modularity Maximization for Degree-corrected Stochastic Block Models
随机块模型（SBM）是研究网络社区发现的一个流行框架。该模型的限制是假设同一社区中的所有节点在统计上是等价的，并且具有相同的期望度。度修正随机块模型（DCSBM）是SBM的自然扩张，它考虑了群落内的度异质性。本文提出了一种凸化的模块最大化方法来估计DCSBM下的隐藏社区。我们的方法是基于经典的（广义）模块化最大化制定的凸规划松弛，其次是一个新的双加权$ \ell_1 $ -规范$ k $ -中位数程序。我们建立了非渐近的理论保证近似聚类和完美的聚类。我们的近似聚类结果是不敏感的最低程度，甚至在稀疏制度与有界的平均度。在SBM的特殊情况下，这些理论结果与计算上可行的算法的最佳性能保证相匹配。数值上，我们提供了一个有效的实现我们的算法，这是适用于合成和现实世界的网络。实验结果表明，我们的方法具有竞争力的性能相比，在文献中的最先进的。
Unsupervised Community Detection with Modularity-Based Attention Model
在本文中，我们采取的无监督节点聚类图的问题，并显示如何在最近的进展，注意力模型可以成功地应用在一个“硬”政权的问题。我们提出了一个无监督的算法，编码Bethe Hessian嵌入通过优化软模块损失，并认为我们的模型是有竞争力的经典和图神经网络（GNN）模型，而它可以在一个单一的图上训练。
Generalized modularity matrices
本文研究了网络分析和代数图论中多种模ularity矩阵的共性，揭示其谱性质及在社区检测中的应用。
CoRank: A clustering cum graph ranking approach for extractive summarization
在互联网时代，网上信息量急剧增加。因此，需要从大量现有信息中提取相关内容。研究人员广泛使用自动文本摘要技术从大量的可用信息中提取有用的和相关的信息，它也使用户能够在有限的时间内以最小的努力获得有价值的知识。自动文摘所获得的摘要往往面临着多样性和信息覆盖率的问题。通过引入基于句子图排序、聚类和优化的新技术，自动文本摘要获得了有希望的结果。本研究提出了CoRank，一个两阶段的句子选择模型，包括聚类，然后排名的句子。初始阶段包括使用一种新的聚类算法对句子进行聚类，然后使用CoRank算法选择突出的句子。这一方法旨在涵盖两个目标：最大限度的覆盖面和多样性，这是通过从原始文本中提取主要主题和分主题来实现的。在DUC2001和DUC2002数据集上验证了CoRank的性能。
Dense Subgraph Clustering and a New Cluster Ensemble Method
本文提出基于迭代稠密子图提取的社区检测算法 DSC-Flow-Iter，并将其与基于模块度的聚类进行新颖集成，从而在大量合成网络上获得优于各单独方法和基线的准确率。
On the Complexity of Newman's Community Finding Approach for Biological and Social Networks
给定交互图，模块（也称为社区或集群）是节点的子集，其适应度是模块中节点的成对交互的统计显著性的函数。本文的主题是一个基于模型的社区发现方法，通常被称为模块化聚类，最初由纽曼提出，随后在实践中非常流行。目前，各种启发式方法被用来寻找最优解。然而，这种方法的精确计算复杂度在很大程度上仍然是未知的。为此，我们发起了一个系统的研究模块化聚类的计算复杂性。由于模块度函数具有特殊的二次性质，有必要分别研究其在稀疏图和稠密图上的取值。我们的主要结果包括稠密图的（1+ \eps）-不可逼近性和稀疏图的对数逼近。我们利用几个组合性质的模块得到这些结果。这些是第一个非平凡的逼近结果超出了以前已知的NP-硬度的结果。
Identifying Influential Nodes Using Overlapping Modularity Vitality
发现网络中有影响力的节点对控制网络中的扩散现象至关重要。在最近的作品中，有一个越来越多的趋势，调查社区结构的作用，以解决这个问题。到目前为止，绝大多数所谓的社区意识的中心性措施依赖于非重叠的社区结构。然而，在诸如社交网络的许多现实世界网络中，社区重叠。换句话说，一个节点可以属于多个社区。为了克服这一缺陷，我们提出并研究了“重叠模块活力”中心性度量。这种扩展的“模块活力”量化社区结构强度的变化时，删除一个节点。它允许基于节点对网络的重叠模块化的贡献将节点识别为集线器或桥接器。一个比较分析，其非重叠版本使用易感-感染-传播（SIR）流行病扩散模型已进行了一组六个现实世界的网络。总体而言，重叠模块化活力优于其替代品。这些结果说明了将知识的重叠社区结构，以有效地识别有影响力的节点的重要性。此外，可以使用多个排名策略，因为这两个措施是有符号的。结果表明，选择具有最大正值或最大绝对中心度值的节点比选择具有最大负值的节点更能有效地传播疫情。
Community detection in multi-layer networks by regularized debiased spectral clustering
针对多层网络社区检测，提出正则化去偏邻接矩阵平方和（RDSoS）方法，在多层随机块模型下证明了一致性，并引入SoS-modularity评估社区质量，实验表明其优于现有技术。
An ensemble based on a bi-objective evolutionary spectral algorithm for graph clustering
图聚类是一个具有挑战性的模式识别问题，其目标是识别具有高组内连通性的顶点划分。本文研究了一个双目标问题，即最大化一个图的簇内边数和最小化一个具有与原始图相同度序列的随机图的期望簇间边数。这两个研究目标之间的区别是图聚类质量的著名度量的定义：模块化。我们引入了一个频谱分解杂交进化的启发式，称为MOSpecG，接近这个双目标的问题和集成策略，巩固MOSpecG到一个最终的强大的分区的解决方案。真实和人工LFR网络的计算实验的结果表明，所介绍的方法的结果和性能的显着改善，在文献中发现的另一个双目标算法。基于模块化最大化问题的几何解释的交叉算子匹配一对个体的社区对于MOSpecG的良好性能至关重要。混合谱图理论和智能系统使我们能够定义显着高质量的社区结构。
Link Spam Detection based on DBSpamClust with Fuzzy C-means Clustering
搜索引擎成了无所不在的上网手段。垃圾搜索引擎是一种欺骗搜索引擎排名的技术，它夸大了排名。Web垃圾邮件制造者利用了基于链接的排名算法的脆弱性，通过创建许多人工引用或链接来获得比搜索引擎的结果更高的排名。基于链接的算法，如PageRank，HITS利用超链接的结构细节来对网络中的内容进行排名。本文提出了一种垃圾链接检测算法DBSpamClust。实验表明，该方法可以有效地过滤出垃圾网页
Hierarchical Graph Clustering using Node Pair Sampling
我们提出了一种新的层次图聚类算法的启发基于模块的聚类技术。该算法是凝聚和基于一个简单的聚类之间的距离引起的抽样节点对的概率。我们证明了这个距离是可减少的，这使得使用最近邻链，以加快凝聚。该算法的输出是一个规则的树状图，它揭示了图的多尺度结构。合成和真实的数据集上的结果进行了说明。
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。
Graph Clustering with Graph Neural Networks
本文针对GNN池化方法在图聚类中表现不佳的问题，提出受模块化度量启发的无监督池化方法DMoN，在真实数据上实现了超过其他方法40%的聚类性能提升。
High-Modularity Graph Partitioning Through NLP Techniques and Maximal Clique Enumeration
本文提出Clique-TF-IDF框架，利用NLP技术与最大团枚举实现高模ularity图划分，实验结果优于现有算法。
Complex networks with scale-free nature and hierarchical modularity
从生物学、技术和社会科学等不同领域的研究中，产生网络系统结构的生成机制是复杂网络研究的一个重要组成部分。生物细胞、人类社会和万维网等网络系统的结构与完全随机网络的结构有明显的差异，表明存在潜在的过程。通常，它们的演变中涉及的主要过程是在具有共同邻居的现有节点之间添加链路。在这种情况下，我们介绍了一个重要的属性的节点，我们称之为调解能力，这是通用的许多网络。这种能力随着程度的增加而迅速下降，使枢纽成为该过程的弱中介。我们发现，这种属性的节点提供了一个解释同时发生的观察到的无标度结构和层次模块化在许多网络系统。这也解释了真实网络中的高聚类和小路径长度以及非零度相关性。我们的研究还提供了深入了解本地的过程，最终导致出现的优先连接，因此也是重要的，在理解鲁棒性和控制的真实网络，以及过程中发生的真实网络。
Sender--Receiver Community Detection in Directed Networks via Node-Role-Constrained Edge Clustering
提出TT-SR框架，为每个节点分配发送者和接收者角色，通过双层次规则优化角色分配，在保持可解释性的同时提升有向边社区恢复性能。
A new method for comparing rankings through complex networks: Model and analysis of competitiveness of major European soccer leagues
在本文中，我们展示了一种新的技术来分析家庭的排名。我们特别关注体育排名，更确切地说，是足球联赛。我们认为，当两支球队在连续的排名中改变他们的相对位置时，他们会竞争。这允许通过链接竞争的团队来定义图。我们展示了如何使用这个竞争力图的一些结构特性来衡量在联赛中的球队竞争。这些结构性质是平均度、平均强度和聚类系数。我们给出了一个推广的肯德尔的相关系数，两个以上的排名。我们还展示了如何对联赛进行动态分析，以及如何比较不同的联赛。我们应用这种技术来分析四个主要的欧洲足球联赛：德甲联赛，意大利联赛，西甲联赛和英超联赛。我们比较我们的结果与经典分析的基础上的竞争平衡的措施，体育排名。
A new edge betweenness measure using a game theoretical approach: an application to hierarchical community detection
本文提出一种基于博弈论的新边介数度量（节点博弈最短路径介数），用于层次社区检测，并引入新标准评估，同时提出快速算法，在稀疏网络上计算复杂度为二次且性能优于其他快速算法。
Incorporating Higher-order Structural Information for Graph Clustering
针对现有图深度聚类忽略高阶结构、自监督偏重节点属性的问题，提出结合图互信息最大与模块度约束三元自监督的图聚类网络，提升聚类性能。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈
发表机构由 AI 从论文文本抽取，如发现错误，欢迎反馈修正建议。