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
Spectral methods for network community detection and graph partitioning
我们认为三个不同的和研究的问题，网络结构：社区检测模块化最大化，社区检测统计推断，和规范化的切割图分区。这些问题中的每一个都可以使用谱算法来解决，该算法利用网络的矩阵表示的特征向量。我们表明，与某些选择的自由参数出现在这些频谱算法的算法，所有三个问题，事实上，是相同的，因此，至少在这里使用的频谱近似，有没有区别之间的模块化和基于推理的社区检测方法，或之间的任何一个和图分区。
2013-07-29 cond-mat.stat-mech cs.SI physics.data-an
Exploring the solution landscape enables more reliable network community detection
为了理解一个复杂系统是如何组织和运作的，研究人员经常在系统的交互网络中识别社区。由于实际上不可能探索所有解决方案以保证最佳解决方案，因此许多社区检测算法依赖于多次随机搜索。但是，对于给定的网络和随机算法的组合，有多少次搜索足以找到足够好的解决方案？标准的方法是选择合理数量的搜索，并选择具有最高质量的网络分区，或者基于所有网络分区导出共识解决方案。然而，如果不同的分区具有相似的质量，使得解决方案景观退化，则单个最佳分区可能会错过相关信息，并且共识解决方案可能会模糊互补社区。在这里，我们解决这个退化问题的解决方案景观的粗粒度描述。我们聚类网络分区的基础上，他们的相似性，并提出了一种方法来确定所需的最小搜索次数来充分描述解决方案的景观。为了充分利用所有分区，我们还提出了不同的方法来探索解决方案的景观，包括一个显着性聚类过程。我们使用两种对比的社区检测算法在合成网络和真实网络上测试这些方法：可以识别更一般结构的算法需要更多的搜索，而具有更清晰社区结构的网络需要更少的搜索。我们还发现，探索粗粒度的解决方案景观可以揭示互补的解决方案，并实现更可靠的社区检测。
2019-09-10 cs.SI physics.soc-ph
Variational Community Partition with Novel Network Structure Centrality Prior
提出了一种基于网络固有结构信息的两阶段网络社区划分优化方法。引入的优化方法利用新的网络中心性度量的链接和顶点来构建关键的亲和力描述给定的网络，其中图节点或节点特征之间的直接相似性是不可用的，以获得经典的亲和力矩阵。事实上，这种计算的网络中心性信息呈现了网络的基本结构，因此，用于检测网络社区的适当措施，这也引入了用于参考新标记的基准节点的“置信度”标准。对于由此产生的具有挑战性的图聚类组合优化问题，所提出的优化方法迭代地采用一种基于原始和对偶的新变分视角开发的高效凸优化算法。在人工和真实网络数据集上的实验表明，所提出的社区发现优化策略显著提高了结果的准确性，在准确性和可靠性方面优于现有算法。
2018-11-12 cs.SI physics.soc-ph
Continuous Influence-based Community Partition for Social Networks
随着网络规模、数据量和应用的快速增长，社区划分在社交网络中显得尤为重要。研究了社交网络中LT模型下的社区划分问题，这是一个将社会网络划分为互不相交的$m$社区的组合优化问题.我们的目标是通过在每个社区内最大化影响力传播的总和。由于LT模型下社区划分问题的影响力传播函数是超模的，我们使用Lov{ $\acute{a}$ }sz扩展的方法对目标影响力函数进行松弛，并将目标转移到拟阵多胞形上最大化松弛后的函数.接下来，我们提出了一个连续的贪心算法，利用松弛函数的性质来解决我们的问题，这需要在具体实现离散化。然后，利用随机舍入技术将分数阶解转化为整数阶解。我们提出了一个理论分析与$1-1/e$逼近比所提出的算法。在真实的在线社交网络数据集上进行了大量的实验，结果表明连续贪心算法能够有效地提高社区划分的影响力和准确性.
2021-02-05 cs.SI
Geometric Multiscale Community Detection: Markov Stability and Vector Partitioning
多尺度社区发现可以从马尔可夫稳定性框架内的动态角度来看待，该框架使用马尔可夫过程在图上的扩散来揭示所有尺度上的内在网络子结构。在这里，我们重新制定多尺度社区发现作为一个最大和长度向量分割问题的一组时间相关的节点向量表示的特征向量的过渡矩阵。这个公式提供了一个几何解释的马尔可夫稳定性的时间依赖的频谱嵌入，其中马尔可夫时间作为一个非齐次的几何分辨率因子，缩放的组件的节点向量以不同的速率。我们的几何公式包括模块化和多分辨率Potts模型，这被证明是对应于伪欧几里德空间中的向量分区，也与频谱分区方法，其中使用的特征向量的数量对应于底层嵌入向量空间的维度。启发的卢万优化社区发现，然后我们提出了一个算法的基础上的图形理论启发式的向量划分问题。我们将该算法应用于模块化和马尔可夫稳定性社区发现的谱优化。基于转移矩阵特征向量的谱嵌入比模块度矩阵的特征分解具有更高的信息量和更高的模块度。我们用随机网络基准来说明结果。
2017-08-10 cond-mat.stat-mech cs.SI physics.soc-ph
SCOUT: simultaneous time segmentation and community detection in dynamic networks
许多演化的复杂系统可以通过动态网络建模。动态网络研究中的一个重要问题是社区发现，它识别拓扑相关的节点组。通常，这个问题是通过假设每个时间点都有一个不同的社区组织或所有时间点共享一个社区组织来解决的。事实上，真相可能介于这两个极端之间，因为在某些时期，社区组织可以发展，而在另一些时期，社区组织可以保持不变。为了找到折中的方法，我们考虑在分段检测问题的背景下进行社区发现，该分段检测识别具有一致网络结构的连续时间段。因此，我们制定了一个组合的问题段社区发现（SCD），同时分区网络连续的时间段与一致的社区组织，并发现这个社区组织为每个段。为了解决SCD，我们引入了SCOUT，一个明确考虑分割质量和分区质量的优化框架。SCOUT解决了可以适于解决SCD的现有方法的限制，其通常仅考虑分割质量或分区质量中的一个。在一个全面的评估，SCOUT优于现有的方法在精度和计算复杂性。
2016-05-05 cs.SI physics.soc-ph
Representative community divisions of networks
用于检测网络中的社区结构的方法通常旨在识别网络节点到社区的单个最佳划分，通常通过优化某些目标函数，但是在现实世界的应用中，可能存在具有接近全局最优的客观分数的许多竞争性分区，并且可以通过检查这样的高-而不是只看一个最优值。然而，这样的集合可能很难解释，因为它的大小很容易达到数百或数千个分区。在本文中，我们提出了一种方法来分析大型分区集，将它们分成组相似的分区，然后确定一个原型分区作为每个组的代表。由此产生的一组原型分区提供了一个简洁的，可解释的总结的形式和多样性的社区结构在任何网络。我们展示了一系列的示例网络的方法。
2022-02-17 cs.SI
Regularized Stochastic Block Model for robust community detection in complex networks
随机块模型能够生成不同的网络分区，从传统的分离社区到分离结构。由于度校正随机块模型没有指定所需的混合模式，因此发现网络节点的最可能分区的推理算法很可能陷入对数似然的局部最优解。在这里，我们引入了一个新的模型约束节点的内部度比的目标函数，以稳定的块模型的推断从观察到的网络数据。给定正则化模型，推理算法，如马尔可夫链蒙特卡罗，可靠地找到由单个参数的值指示的连续或离散结构。实验结果表明，当网络中传统的排斥性社团结构不强时，度修正随机块模型的推理往往陷入局部最优解，而我们提出的模型的推理则能快速收敛到期望的排斥性或排斥性分区.
2019-03-28 cs.SI physics.soc-ph
Influence-based Community Partition with Sandwich Method for Social Networks
社区划分是生物网络、社会网络等领域的一个重要问题。这个问题的目标是通过网络拓扑分析数据之间的关系。本文研究了社交网络中IC模型下的社区划分问题。我们制定的问题作为一个组合优化问题，其目的是在一个给定的社会网络划分为不相交的M社区。目标是通过在每个社区内最大化社交网络的影响力传播来最大化社交网络的影响力传播的总和。现有的工作表明社区划分问题的影响力最大化是NP困难的。我们首先证明了IC模型下IMCPP的目标函数既不是次模也不是超模。然后构造并证明了三明治框架的上模上界和下模下界。对上界和下界问题分别设计了连续贪心算法和离散实现，算法对这两个问题的逼近比均为1-1/e。我们还设计了一个简单的贪婪来解决原始的目标函数，并应用三明治近似框架，以保证数据依赖的近似因子。最后，在两个真实数据集上对算法进行了测试，验证了算法在社区划分问题上的有效性，以及算法相对于其他算法的优势.
2020-07-06 cs.SI
Network Community Detection with A Successive Spectral Relaxation Method
由于具有宝贵的理论和实践价值，划分网络的社区结构的问题已经吸引了科学和工程学科的重要研究关注。在文献中，纽曼的模块性度量通常用于量化给定分区的质量，从而最大化度量提供了检测网络中社区的原则性方法。不幸的是，该措施的精确优化计算是NP完全的，只适用于非常小的网络。必须寻求近似方法来扩展到大型网络。为了解决计算问题，我们提出了一种新的方法来确定分区决策。再加上一个迭代舍入策略和一个快速的约束功率方法，我们的工作实现了紧密和有效的谱松弛。所提出的方法进行了全面评估真实和合成网络。与最先进的方法相比，该方法获得了可比的，如果不是更好的，质量。同时，它非常适合并行执行，并报告了一个几乎线性的提高运行速度时，增加计算节点的数量，从而提供了一个实用的工具，用于划分非常大的网络。
2018-02-05 cs.SI physics.soc-ph
Fast Multi-Scale Community Detection based on Local Criteria within a Multi-Threaded Algorithm
许多系统可以用图或网络来描述。检测这些网络中的社区可以提供有关原始系统的底层结构和功能的信息。然而，这种检测是一项复杂的任务，在过去的十年中，大量的工作都致力于此。一个重要的特征是，社区可以在几个尺度或分辨率级别上找到，表明组织的几个级别。因此，社区结构的解决方案可能不是唯一的。此外，网络往往很大，因此需要有效的处理。在这项工作中，我们提出了一个新的算法，使用本地标准跨尺度的社区的快速检测。我们利用本地方面的标准，使并行计算，进一步提高算法的效率。该算法在大规模生成的多尺度网络上进行了测试，实验证明了该算法的有效性和准确性。
2013-02-05 cs.DS cs.SI physics.soc-ph
Reduced network extremal ensemble learning (RenEEL) scheme for community detection in complex networks
University of Houston（休斯顿大学）；Texas Center for Superconductivity, University of Houston（休斯顿大学德克萨斯超导中心）
本文提出了一种用于复杂网络社区检测的集成学习算法。该方案使用了一种机器学习算法范式，我们称之为极值包围学习。它使用迭代极值更新的合奏网络分区，这可以通过一个传统的基础算法，找到一个节点分区，最大限度地提高模块化。在每次迭代中，识别每个系综分区中相同社区中的核心节点组，并用于形成简化网络。然后找到简化网络的分区并用于更新系综。缩小网络的较小尺寸使得该方案有效。我们使用该计划来分析社区结构在一组常用的研究基准网络，发现它优于所有其他已知的方法找到最大模块化的分区。
2019-09-23 cond-mat.stat-mech cs.LG cs.SI
Terminal-Set-Enhanced Community Detection in Social Networks
社区发现旨在揭示社会网络中的社区结构，是社会网络研究的基本问题之一。本文基于终端集的概念研究了社区发现问题。终端集是一组用户，其中任何两个用户属于不同的社区。虽然社区发现一般来说是困难的，但终端集可以非常有助于设计有效的社区发现算法。我们首先提出了一个2-近似算法运行在多项式时间的原始社区发现问题。在另一个问题中，为了更好地支持实际应用，我们进一步考虑了对可行分区施加额外限制的情况。对于这种定制的社区发现问题，我们提供了两个随机算法，这是能够找到一个高概率的最佳分区。在基准网络上的实验表明，所提出的算法能够产生高质量的社区。
2016-07-01 cs.SI physics.soc-ph
Improving community detection via community association strength scores
本文提出三种社区关联强度分数作为后处理工具，用于改进节点划分、识别离群节点并发现多社区成员节点。
2025-01-29 cs.SI
Considerations about multistep community detection
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。
2014-02-27 cs.SI physics.soc-ph
Partition Space Maps for Community Detection: Visualizing Algorithmic Behaviour and Guiding Search
Area Science Park（AREA科学园）
本文提出划分空间映射（PSM）工具，结合规范标记和粒度-模块度二维投影，可视化社区检测的划分空间，揭示模块度简并结构，为算法评估与搜索引导提供精确参考。
2026-09-30 cs.SI
Community Detection in the Hyperbolic Space
在双曲空间中嵌入网络可以揭示网络结构的有趣特征，特别是在自相似特征方面。隐度量空间可以被认为是网络的底层结构，它能够保留一些在现实世界网络中通常观察到的有趣特征，例如度分布的异质性，高聚类系数和小世界效应。此外，双曲线平面上的节点的角分布揭示了嵌入式网络的社区结构。值得注意的是，虽然大量的文献比较了知名的社区检测算法，但对于什么定义网络上的理想社区分区仍然没有达成共识。此外，发现在双曲空间中嵌入的网络上的社区的算法已在这里首次进行了研究。我们将嵌入式网络上找到的分区与嵌入步骤之前获得的分区进行比较，无论是合成网络还是两个真实网络。本文的第二部分介绍了我们的管道在意大利选举的背景下的网络转发的应用。我们的研究结果揭示了一个社区结构反映的政治光谱，鼓励进一步研究社区检测算法的应用映射到双曲平面图。
2019-06-21 cs.SI physics.soc-ph
Large network community detection by fast label propagation
许多网络表现出某种社区结构。存在各种各样的方法来检测网络中的社区，每种方法都提供不同的解释和相关算法。对于大型网络，还有额外的速度要求。在这种背景下，提出了所谓的标签传播算法（LPA），它在近线性时间内运行。在LPA未覆盖的分区中，确保每个节点具有到其分配的社区的大多数链接。在这里，我们提出了一个快速的变体LPA（FLPA），是基于处理的邻居最近发生变化的节点的队列。我们在基准网络和经验网络上对FLPA进行了详尽的测试，发现它的运行速度比LPA快700倍。在分区发现FLPA，我们证明了每个节点再次保证有最多的链接到其分配的社区。我们的研究结果表明，FLPA通常优于LPA。
2023-02-14 cs.SI physics.soc-ph
The stability of a graph partition: A dynamics-based framework for community detection
近年来，人们对复杂网络分析的兴趣激增，这得益于关系数据的可用性和可用于分析的日益强大的计算资源。自然地，对现实世界系统的研究会导致高度复杂的网络，当前的挑战是从网络中提取相关子图的可理解的简化描述，这可以提供对整个系统的结构和功能的洞察。在Newman和Girvan的开创性工作的启发下，一个有趣的研究方向致力于研究网络中的模块化社区结构，重振了图划分的经典问题。然而，众所周知，网络中的模块或社区结构逃避了严格的定义。最被接受的社区概念可能是一组元素，它们在内部表现出比与社区外部元素更强的交互作用。这个概念导致了大量用于社区检测的计算方法和启发式方法。然而，到目前为止，对这些方法中的大多数方法，在它们如何运作以及它们应该检测什么方面，仍然缺乏坚定的理论理解。在这里，我们将开发一个动态的角度对社区检测，使我们能够定义一个衡量命名的稳定性图分区。它将被证明，一些以前的特设定义的社区检测算法可以被看作是我们的方法为我们提供了一个动态的重新解释这些措施的特殊情况。因此，我们的动态为基础的方法作为一个统一的框架，以获得更深入的了解与社区检测的不同方面和问题，并允许我们提出新的动态启发的标准，社区结构。
2013-08-07 cond-mat.stat-mech cs.SI physics.data-an
Hierarchical community detection via maximum entropy partitions and the renormalization group
本文提出层次聚类熵（HCE）框架，通过最大化熵与社区数目的权衡选择最优分辨率，无需边级统计，适用于多种聚类算法，在合成与真实网络中均能识别与真实结构一致的层次社区。
2025-08-06 cs.SI physics.data-an physics.soc-ph
Significant Scales in Community Structure
许多复杂的网络显示出模块化结构的迹象，通过社区检测发现。虽然许多方法成功地揭示了各种分区，但仍然难以检测某个分区在什么尺度上是重要的。这个问题在多分辨率方法中表现得最为突出。我们在这里介绍一种有效的方法，用于扫描分辨率在这样的方法之一。此外，我们引入了分区的“重要性”的概念，基于子图概率。重要性与所使用的确切方法无关，因此也可以应用于其他方法，并且可以解释为通过使用分区对图进行编码的增益。使用显著性，我们可以确定“好”的分辨率参数，我们在基准网络上演示了这一点。此外，优化显著性本身也表现出优异的性能。我们展示了我们的方法从欧洲议会的投票数据。我们的分析表明，欧洲议会在意识形态上越来越分裂，国籍不起作用。
2013-10-11 cs.DM cs.SI physics.soc-ph
Community Detection in Directed Weighted Networks using Voronoi Partitioning
本文提出一种基于 Voronoi 划分的有向加权网络社区检测算法，可直接利用长度型边权重，并在脑网络、航空网络和基准网络上验证其有效性与效率。
2023-04-24 cs.SI physics.data-an physics.soc-ph
Overlapping community detection in networks based on link partitioning and partitioning around medoids
National Research University Higher School of Economics（国立研究大学高等经济学院）；University of Thessaloniki（塞萨洛尼基大学）；Intel Corp（英特尔公司）
在本文中，我们提出了一种新的方法来检测网络中的重叠社区与预定义数量的集群称为LPAM（链接分割周围Medoids）。图中的重叠社区是通过检测不相交的社区，在相关的线图采用链路划分和划分周围的中心点，这是通过使用的距离函数定义的一组节点。我们考虑通勤距离和放大通勤距离作为距离函数。LPAM方法的性能评估与计算实验在现实生活中的实例，以及合成网络基准。对于小型和中型网络，我们找到了精确的解决方案，而对于大型网络，我们使用LPAM方法的启发式版本找到了解决方案。
2021-04-24 cs.DM cs.LG cs.SI
Algorithm independent bounds on community detection problems and associated transitions in stochastic block model graphs
我们推导出严格的界限，定义良好的社区结构在复杂网络的随机块模型（SBM）基准。特别是，我们分析了社区间的“噪音”（社区间的边缘）对任何“社区检测”算法的能力，正确地分配到一个种植分区，一个问题，已被证明是NP完全的标准再现组节点的影响。我们的结果不依赖于任何一个特定的算法的使用，也不依赖于推理的局限性的分析。相反，我们把它的头上的问题和工作向后检查时，在第一位，定义良好的结构可能存在于SBMs。我们在这里介绍的方法可以潜在地应用到其他计算问题。社区检测算法的目标是将给定的网络划分为最优不相交的子图（或社区）。类似于k-SAT和其他组合优化问题，“社区检测”表现出不同的阶段。处于“不可解阶段”的网络缺乏明确的结构，因此没有有意义的划分。可解系统分裂成两个完全不同的阶段：“困难”阶段和“容易”阶段。正如它的名字一样，在简单阶段，分区很容易通过已知的算法实现。当网络处于硬阶段时，它仍然具有底层结构，但要找到一个可以在多项式时间内检查的有意义的分区，需要进行详尽的计算工作，并且随着图的大小而迅速增加。当考虑在一起，（i）严格的结果，我们在这里报告的图形时，有一个基本的结构和（ii）最近的结果有关的限制，而一般的算法，建议硬相的界限。
2014-07-10 cond-mat.stat-mech cs.SI physics.soc-ph
Infinite Edge Partition Models for Overlapping Community Detection and Link Prediction
提出了一种层次伽玛过程无限边划分模型，用于分解Bernoulli-Poisson链接下的无权无向关系网络的二元邻接矩阵。该模型描述了同伦和随机等价，并可扩展到大型稀疏网络的计算集中在对连接的节点。它不仅可以发现重叠社区和社区间的交互，还可以预测缺失的边缘。还提供了一个省略社区间互动的简化版本，我们揭示了它与现有模型的有趣联系。社区的数量是自动推断在一个非参数贝叶斯的方式，并通过吉布斯抽样使用新的数据增强技术推导出有效的推理。在四个真实网络上的实验结果证明了模型的可扩展性和最先进的性能。
2015-12-30 cs.SI stat.ML
Epidemic Outbreaks in Networks with Equitable or Almost-Equitable Partitions
我们研究了被划分为局部社区的网络上的流行病的扩散。这种层次网络的总体结构可以用商图来描述。这种方法的基本原理是，个体感染属于同一社区的人的概率高于其他社区的个体。因此，在社区模型中，节点感染概率预计主要取决于几个相互关联的大型集群的相互作用。在这项工作中，我们描述了一个连续时间的个人为基础的易感染的易感（SIS）模型，使用一阶平均场近似的流行病过程。我们的模型的一个关键特征是，这个较小的商图的谱半径（它只捕获社区网络的宏观结构）是我们需要知道的，以便确定整体健康状态是否定义了全局渐近稳定或不稳定的平衡。事实上，谱半径与系统的流行阈值有关。此外，我们证明，在阈值以上，另一个稳态存在，可以使用与商图上的过程的演变相关联的低维动力系统来计算。我们的调查是基于图论的公平分割的概念和它的最近和相当灵活的推广，几乎公平分割。
2015-11-13 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
Community Structure aware Embedding of Nodes in a Network
检测社区或现实生活网络（例如社交网络或产品购买网络）的模块化结构是一项重要任务，因为网络的功能通常由其社区决定。社区发现的传统方法涉及基于模块的算法，一般来说，基于寻求最大化分区内的边缘与它们之间的边缘的比率的算法来构造分区。另一方面，节点嵌入方法将图中的每个节点表示为实值向量，从而能够将图中的社区发现问题转化为对一组向量进行聚类的问题。现有的节点嵌入方法主要基于，首先，从每个节点发起随机游走以构造节点的上下文，然后使节点的向量表示接近其上下文。然而，标准的节点嵌入方法在构建每个节点周围的上下文时并不直接考虑网络的社区结构。为了缓解这种情况，我们探索了两个不同的工作线程。首先，我们研究了使用基于最大熵的随机游走来获得更多的中心保持嵌入的节点，这可能会导致更有效的集群在嵌入空间。其次，我们提出了一个社区结构感知的节点嵌入方法，我们将基于模块化的分区算法到节点嵌入的目标函数。我们证明，我们提出的组合和嵌入方法的组合，用于社区发现优于一些基于模块的基线和K-均值聚类的标准节点嵌入（node 2 vec）向量空间上广泛的现实生活和合成网络的不同大小和密度。
2020-06-27 cs.SI physics.soc-ph
On community structure validation in real networks
社区结构是真实网络的一个常见特征。该术语指的是网络中存在的节点组（社区），这些节点具有高度的内部连接性，但彼此之间的连接很差。虽然社区检测的问题已经在几个工作中得到解决，验证一个分区的节点作为一个良好的社区结构的一个真正的网络的问题已经收到相当少的关注，仍然是一个悬而未决的问题。我们提出了一组指数的社区结构验证网络分区的基础上的假设检验程序，评估社区之间和社区内的链接的分布。使用模拟和真实数据，我们说明了如何建议的指数可以用来比较在一个给定的网络中的社区结构的节点的不同分区的充分性，以评估是否两个网络共享相同或相似的社区结构，并评估不同的网络聚类算法的性能。
2021-10-06 cs.SI physics.soc-ph stat.AP
Compressing networks with super nodes
社区发现是一种常用的技术，用于基于连接模式的相似性来识别网络中的组。为了便于在大型网络中进行社区发现，我们将网络重新划分为一个较小的“超级节点”网络，每个超级节点包括原始网络中的一个或多个节点。为了定义我们的超级节点的种子，我们应用了'CoreHD'的排名，从拆除和decycling。我们测试我们的方法，通过分析两种常见的方法社区发现：模块化最大化的鲁汶算法和最大似然优化拟合随机块模型。我们的研究结果强调，将社区发现应用于超级节点的压缩网络的速度明显更快，同时成功地产生与本地网络连接更一致的分区，在社区发现算法内部和之间的多个（随机）运行中更稳定，并且与使用完整网络获得的结果重叠。
2017-06-13 cs.SI physics.soc-ph
Fast community detection using local neighbourhood search
社区在描述和分析现代网络方面发挥着至关重要的作用。然而，随着计算能力和数据存储的增加，这些网络的规模也急剧增长。虽然已经开发了各种方法来提取社区结构，但它们的计算成本或并行化现有算法的难度使得将真实网络划分为社区成为一个具有挑战性的问题。在本文中，我们建议改变一个有效的算法，鲁汶方法，使社区被定义为一个树状分配图的连通组件。在这个框架内，我们精确地描述了我们的算法的不同步骤，并证明其高度并行化的性质。然后，我们表明，尽管它的简单性，我们的算法有一个分区质量类似于原来的方法在基准图，甚至优于其他算法。我们还表明，即使在单个处理器上，我们的方法也要快得多，并且可以分析非常大的网络。
2013-08-28 cs.SI physics.soc-ph
Hierarchical-Graph-Structured Edge Partition Models for Learning Evolving Community Structure
Great Bay Institute for Advanced Study（大湾区高等研究院）；Great Bay University（大湾区大学）；School of Computing and Information Technology（计算与信息技术学院）
提出一种基于 Poisson-gamma 边划分和层次图先验的动态网络模型，通过层次转移核建模潜在社区的演化与交互，在链路预测和社区检测任务上优于现有方法。
2024-11-18 cs.LG cs.SI
SamBaS: Sampling-Based Stochastic Block Partitioning
Virginia Tech（弗吉尼亚理工大学）；MIT Lincoln Laboratory（麻省理工学院林肯实验室）
社区发现是一个广泛研究的问题，其应用范围从网络到生物信息学。由于真实世界数据量的快速增长，人们对加速当代社区发现算法的兴趣越来越大。然而，更精确和统计上更鲁棒的方法往往难以并行化。一种这样的方法是随机块划分（SBP）-一种社区发现算法，适用于具有复杂和异构社区结构的图。在本文中，我们提出了一个基于采样的SBP（SamBaS）的稀疏图上加速SBP。我们描述了各种图形参数如何影响SambaS的社区发现的加速和结果质量，并量化其中的权衡。为了在没有已知真实社区的真实网络图上评估SamBas，我们引入了分区质量分数（PQS），这是一种在与F1分数的相关性方面优于模块化的评估指标。总体而言，SambaS在保持结果质量的同时实现了高达10倍的加速（甚至在某些图形上将结果质量提高了150%以上，相对于F1分数）。
2023-01-20 cs.LG cs.SI
Intrinsically Dynamic Network Communities
网络社区发现算法最近已经扩展到动态数据。这些最新的方法的目的是展示社区分区从连续的图形快照，然后连接或平滑这些分区使用聪明的时间相关的功能和采样技术。然而，这些方法实现的是纵向的而不是动态的社区发现。我们假设社区从根本上定义为一组节点之间随着时间的推移重复的交互。根据这一定义，通过考虑连续快照来分析数据会导致信息的重大损失：我们认为它模糊了本质上是动态的现象-例如基于重复的跨时间交互的社区，节点从一个社区切换到另一个社区，或者社区生存的可能性，而其成员在较长的时间内被整体取代。我们提出了一种形式主义，旨在解决这个问题的背景下，时间导向的数据集（如引文网络），并提出了几个插图的经验和合成的动态网络。我们最终引入内在的动态指标，以限定时间的社区结构，并强调其可能的作用作为估计的质量的社区发现-考虑到这样一个事实，即各种经验的背景下可能需要不同的“社区”的定义和检测标准。
2011-11-08 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
A Flexible Fitness Function for Community Detection in Complex Networks
来自文献的大多数社区发现算法用作最小化给定\textit{fitness function}的优化工具，同时假设每个节点属于单个社区。由于没有什么是社区的硬概念，大多数建议的适应度函数都集中在一个特定的定义上。因此，这些功能并不总是导致与实践中观察到的分区相对应的分区。本文提出了一种新的灵活的适应度函数，允许识别具有不同特征的社区。这种灵活性是通过采用一种名为cob-aiNet [C]的免疫优化算法来评估的，以识别一组基准网络中的不相交和重叠社区。结果表明，所得到的分区比通过模块度函数的优化所得到的分区更接近地面实况。
2014-06-10 cs.NE cs.SI physics.soc-ph
Community detection in directed acyclic graphs
一些时间网络，最著名的是引用网络，自然地表示为有向无环图（DAG）。为了检测DAG中的社区，我们通过定义适当的空模型（即，随机化网络）尊重节点的顺序。我们实现了一种谱方法，以近似最大化所提出的模块性度量，并在引用网络和其他DAG上测试该方法。我们发现，达到的值的模块化的DAG是相似的分区，我们通过最大化建议的模块化（设计的DAG），模块化的无向网络和一般有向网络。换句话说，如果我们忽略给定的DAG中节点的顺序（以及链接的方向）并最大化传统的模块性度量，则获得的分区接近于DAG模块性意义上的最佳分区。
2015-08-12 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
Finding overlapping communities in networks using evolutionary method
社团结构是现实网络的一个典型性质，已成为理解网络系统动力学的关键。在这些网络中，大多数节点显然位于一个社区中，但往往存在一些节点跨越几个社区。一个理想的社区发现算法是最好的，它可以识别这种网络中的重叠社区。为了表示重叠的划分，我们开发了由两个部分组成的编码模式，第一个部分表示不相交的分区，第二个部分表示允许多个成员资格的分区的扩展。我们给出了一个衡量一个节点的信息量，并提出了一个进化的方法来检测网络中的重叠社区。
2013-02-27 cs.SI physics.soc-ph
Community Detection with Metadata in a Network of Biographies of Western Art Painters
在这项工作中，我们看看西方艺术画家之间的影响结构，如他们在维基百科上的传记所揭示的。我们使用修改后的版本的模块化最大化与元数据检测到的艺术家划分为社区的基础上，他们所属的艺术流派和学校。然后，我们使用这个社区结构来讨论有影响力的艺术家如何超越自己的社区，并对他人产生持久的影响，提出修改标准的中心性措施。
2018-02-22 cs.SI physics.soc-ph
Robust Markov stability for community detection at a scale learned based on the structure
University of Toronto（多伦多大学）
针对社区检测单一尺度方法无法生成鲁棒且合适尺度划分的问题，提出将马尔可夫稳定性框架与预训练梯度提升模型结合的PyGenStabilityOne算法，实现无超参数的自动尺度选择，在10k基准网络上显著优于25/29种对比算法。
2025-04-15 cond-mat.stat-mech cs.LG cs.SI
Centrality in Collaboration: A Novel Algorithm for Social Partitioning Gradients in Community Detection for Multiple Oncology Clinical Trial Enrollments
University of Toronto（多伦多大学）；University Health Network（大学健康网络）
本研究针对肿瘤临床试验患者入组的医师协作网络识别问题，提出一种新的社区检测算法，对比Girvan-Newman、Louvain算法验证了其分组直观且具社会划分梯度的优势，为流行病学亚组分析奠基。
2024-11-05 cs.SI stat.ME stat.OT
Community detection based on significance optimization in complex networks
社团结构是广泛存在于各种复杂网络中的一种重要的结构性质。在过去的十年里，社区检测方法的设计受到了广泛的关注，但分析社区检测方法的行为也是理论研究和实际应用中的一个热点。在这里，我们专注于社区结构的重要措施，意义[科学。Rep.3（2013）2930]。详细研究了网络参数对该测度的影响，分析了该测度在分块跃迁中的临界行为，并解析地给出了临界点的计算公式和相图。结果表明，随着社区间和社区内链接密度的不同，划分转换的临界社区数显著增加，显著性优化方法在社区发现中表现出更高的分辨率，但也容易导致社区过度分裂。利用Louvain显著性优化算法，在人工网络和真实网络上验证了理论结果，并与一些经典方法进行了一系列比较。
2017-01-24 cs.SI physics.data-an 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
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
Analyzing Modularity Maximization in Approximation, Heuristic, and Graph Neural Network Algorithms for Community Detection
University of Toronto（多伦多大学）；Polytechnique Montreal（蒙特利尔综合理工学院）
本文在104个网络上比较了启发式、图神经网络和Bayan近似算法与精确整数规划在模块度最大化社区发现中的表现，发现常用方法很少得到最优划分，建议采用近似优化算法以更合理地使用模块度。
2024-01-10 cond-mat.stat-mech cs.LG cs.SI
Heuristic Modularity Maximization Algorithms for Community Detection Rarely Return an Optimal Partition or Anything Similar
University of Toronto（多伦多大学）；Huawei Technologies Canada（华为加拿大技术有限公司）
研究评估了80个网络上8种启发式模块度最大化算法，发现其极少返回最优或相似划分，建议使用精确或近似优化算法以更合理地应用模块度。
2023-06-25 cond-mat.stat-mech cs.DS cs.LG
Online detection of temporal communities in evolving networks by estrangement confinement
时间社区是在一个不断发展的复杂网络的多个快照中对节点进行一致划分的结果，它可以帮助揭示网络中密集的集群如何随着时间的推移而出现、组合、分裂和衰退。目前的方法，在一个单一的快照中找到社区是不直截了当地推广到寻找时间社区，因为用于寻找静态社区的质量函数具有高度退化的景观，并最终分区中选择的许多分区的类似质量是高度敏感的网络中的小变化。为了可靠地检测时间社区，我们不仅需要在给定的快照中找到一个好的社区分区，而且还需要确保它与之前的快照中找到的分区具有一些相似性。我们提出了一种新的措施，分区距离称为“疏远”的动机节点间的关系，当纳入到分区质量的测量，有利于检测有意义的时间社区的惯性。具体来说，我们提出了疏远限制方法，它假设社区中的相邻节点更愿意继续分享社区的联系，随着网络的发展。约束疏远使我们能够找到有意义的时间社区在不同程度的时间平滑在不同的现实世界的数据集。具体来说，我们研究了美国国会参议员投票行为的演变，人类移动数据集中邻近度的演变，以及合成网络中难以找到的进化社区的检测。因此，疏远限制提供了一个原则性的方法来发现不断发展的网络中的时间社区。
2012-03-22 cond-mat.stat-mech cs.SI physics.soc-ph
PyGenStability: Multiscale community detection with generalized Markov Stability
PyGenStability是一个Python软件包，通过广义马尔可夫稳定性结合Louvain或Leiden算法实现图的多尺度社区检测，支持多种图类型和自定义质量函数，并自动识别稳健划分。
2025-08-28 cs.MS cs.SI
Optimality Of Community Structure In Complex Networks
社区发现是发现复杂网络结构的关键工具之一。大多数的社区发现方法依赖于优化某些质量函数的特点提出的社区结构。也许，这些质量函数中最常用的是模块化。许多算法都声称在模块化最大化方面是有效的，这通常是通过将它们的结果与其他已知算法提供的结果进行比较来相对证明的。然而，由于所有的方法都是穷举法，而完全的蛮力是不可行的，没有已知的方法来理解所获得的划分是否真的是最优的。在这篇文章中，我们从另一个方面解决模块化最大化问题--找到给定网络中可能的模块化值的上限估计，从而更好地评估建议的社区结构。此外，在某些情况下，当上界估计满足实际获得的模块化分数时，它提供了一个证明，即建议的社区结构确实是最优的。我们提出了一个有效的算法来建立这样一个上限估计，并说明其使用的例子，著名的经典和合成网络，能够证明现有的分区的最优性的一些网络，包括著名的扎卡里的空手道俱乐部。
2017-12-14 cs.SI physics.data-an physics.soc-ph
Clustering and Community Detection with Imbalanced Clusters
Boston University（波士顿大学）；Facebook
在聚类和社区检测应用中经常使用的谱聚类方法对特定的图结构敏感，特别是当存在不平衡聚类时。我们表明，比例切割（RCut）或归一化切割（NCut）的目标是不适合不平衡的集群大小，因为他们往往强调切割值的切割尺寸。我们提出了一个图划分问题，寻求最小切割分区的最小尺寸的限制下，分区处理不平衡的集群大小。我们的方法参数化的一个家庭的图自适应调制节点度上一个固定的节点集，产生一组参数相关的削减反映不同程度的不平衡。然后通过优化这些参数来获得我们问题的解决方案。我们提出了严格的极限切割分析结果来证明我们的方法，并证明我们的方法的优越性，通过实验合成和真实数据集的数据聚类，半监督学习和社区检测。
2016-08-26 cs.LG cs.SI stat.ML
Multiway spectral community detection in networks
网络中社区检测最广泛使用的方法之一是最大化称为模块度的质量函数。在此背景下使用的许多最大化技术中，一些概念上最有吸引力的是谱方法，该方法基于模块度矩阵的特征向量。然而，谱算法在很大程度上局限于将网络划分为两个或三个社区，而划分为三个以上社区则是通过重复的双向划分来实现的。在这里，我们提出了一个频谱算法，可以直接将网络划分为任何数量的社区。该算法利用从模块化最大化到向量划分问题的映射，结合向量划分的快速启发式。我们比较这种频谱算法与以前的方法的性能，并发现它给优越的结果，特别是在社区规模不平衡的情况下。我们还给出了该算法在两个真实网络中的示范应用，并发现它产生的结果与所研究的网络的预期吻合得很好。
2015-06-22 cond-mat.stat-mech cs.SI physics.soc-ph
Community Detection of Complex Network Based on Graph Convolution Iterative Algorithm
本文提出一种结合随机采样、节点距离属性矩阵与图卷积迭代的复杂网络社区发现方法，并通过模块度及多类网络实验验证其有效性。
2024-11-28 cs.SI
