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
Quadratic Optimization based Clique Expansion for Overlapping Community Detection
社区发现是分析社会和生物网络的关键，在过去的二十年里，已经提出了全面的方法。然而，在大型网络中找到所有重叠的社区，可以准确地近似地面真相社区仍然具有挑战性。在这项工作中，我们提出了QOCE（基于二次优化的团扩展），重叠的社区发现算法，可以扩展到大型网络的数十万个节点和数百万的边缘。QOCE算法遵循当前流行的种子集扩展策略，以每个高质量的最大团作为初始种子集，采用二次优化的方法进行扩展。我们广泛评估我们的算法28合成LFR网络和6个真实世界的网络的各个领域和规模，并比较QOCE与四个国家的最先进的重叠社区发现算法。实验结果表明，所提出的方法在检测精度，效率和可扩展性方面具有竞争力的性能。
2020-11-03 cs.SI
OCSM : Finding Overlapping Cohesive Subgraphs with Minimum Degree
网络中凝聚子图的发现是一个基本问题，研究了几十年。在本文中，我们提出了最小度重叠凝聚子图（OCSM）问题，它结合了OCSM的三个关键概念：（i）基于边的重叠，（ii）最小度约束，（iii）图密度。据我们所知，这是第一个工作，以确定重叠的凝聚子图的最低程度，结合图的密度。由于OCSM问题是NP难的，我们提出了两种算法：改进的剥离算法和基于种子的扩展算法。最后，我们展示了与现实世界的网络的实验研究，以证明我们提出的算法的有效性和效率。
2022-05-23 cs.SI
Overlapping Community Detection via Local Spectral Clustering
大型图出现在许多背景下，理解它们的结构并从中提取信息是一个重要的研究领域。挖掘社区的早期算法专注于全局结构，并且通常根据整个图的大小随时间函数运行。如今，我们经常探索具有数十亿个顶点的网络，并发现数百个大小的社区，因此将我们的注意力从宏观结构转移到大型网络的微观结构至关重要。越来越多的工作采用了本地扩展方法，以便从一些模范种子成员中识别社区成员。在本文中，我们提出了一种新的方法来寻找重叠的社区称为LEMON（本地扩展通过最小一个范数）。该算法通过在局部谱的跨度中寻找稀疏向量来找到社区，使得种子在其支持下。我们表明，LEMON可以达到最高的检测精度之间的国家的最先进的建议。运行时间取决于社区的大小，而不是整个图的大小。该算法易于实现，具有高度的并行性。我们进一步提供了理论分析的局部谱特性，界定的措施，紧张的提取社区的特征值的图拉普拉斯。此外，由于网络的性质并不完全相同，因此仍然缺乏关于本地扩展方法如何适用于发现不同网络中的社区的全面分析。我们使用不同领域的合成数据集和真实数据集对我们的方法进行了全面评估，并分析了将我们的方法应用于实际中固有的不同网络时的经验变化。此外，还对结实质量和数量对产量的影响进行了分析。
2015-09-26 cs.DS 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
GI-OHMS: Graphical Inference to Detect Overlapping Communities
在复杂网络中发现社区是复杂系统社区最近相当感兴趣的话题。由于大规模网络（如在线社交网络）的动态和快速发展的性质，社区中节点之间更强的本地和全球互动的概念变得更难捕捉。针对重叠社区发现问题，提出了一种新的图形推理方法-- GI-OHMS（Graphical Inference in Observed-Hidden Variable Merged Seeded Network）。我们的方法的新颖之处在于将感兴趣的复杂而密集的网络转换为隐藏的合并种子（OHMS）网络，该网络保留了网络的重要社区属性。我们进一步利用图形推理方法（贝叶斯马尔可夫随机场）提取社区。我们的方法的优越性在于两个主要观察结果：1）提取的OHMS网络排除了许多较弱的连接，从而导致更高的推理精度2）图形推理步骤在较小的网络上运行，从而具有更低的执行时间。我们证明了我们的方法优于其他基线算法，如OSLOM，DEMON和LEMON的准确性。为了进一步提高执行时间，我们有一个多线程的实现，并表现出显着的速度相比，国家的最先进的算法。
2018-10-03 cs.DC cs.SI
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
Improving PageRank for Local Community Detection
社区发现是图挖掘领域的一个经典问题。虽然大多数算法都适用于整个图，但在实践中，只恢复包含某个给定种子节点集的社区通常是有趣的。在本文中，我们提出了一种新的方法来解决这个问题，使用一些低维嵌入的图的基础上从种子节点开始的随机游走。从这个嵌入，我们提出了一些简单而有效的版本的PageRank算法，以及一种新的算法，称为WalkSCAN，能够检测多个社区，可能重叠。我们通过对一个玩具网络的理论分析，深入了解这些算法的性能，并表明WalkSCAN在真实网络上的性能优于现有算法。
2016-11-07 cs.SI physics.soc-ph
Popularity Ratio Maximization: Surpassing Competitors through Influence Propagation
提出融合 PA 与 IC 的 PA-IC 模型及 PRM 问题，借助单调子模代理目标设计两种算法，PRM-IMM 可稳定实现最佳流行度提升。
2024-09-17 cs.SI
Matching Community Structure Across Online Social Networks
网络中社团结构的发现是近年来引起人们极大兴趣的一个问题。在在线社交网络中，用户经常同时参与多个社交媒体站点，其中一些共享共同的社交关系。在这些网络中发现一个共享的社区结构是非常有趣的。然而，在现实中，用户通常在社交媒体网站上使用不同的用户名来标识自己。这就给探测群落结构带来了很大的困难。在本文中，我们探讨了几种方法，社区发现在线社交网络与有限的知识，跨网络的用户名对齐。我们将已知的用户名对齐称为种子。我们研究了种子选择策略及其对具有不同重叠顶点比例的网络的影响。我们的目标是研究网络拓扑结构和种子选择策略之间的相互作用，并了解它如何影响检测到的社区结构。我们还提出了几种措施来评估社区发现的性能，并使用它们来衡量Twitter-Twitter网络和Twitter-Instagram网络中检测到的社区的质量。
2016-08-03 cs.SI physics.soc-ph
Memetic search for overlapping topics based on a local evaluation of link communities
尽管最近的进展领域划定的方法，文献计量学家仍然不知道在何种程度上，他们的主题检测算法重建“地面真相”，即在科学文献的主题结构。在本文中，我们展示了一种新的方法来描绘的主题结构，试图匹配的算法，理论推导和经验观察的属性所有的主题结构有共同的。我们集群引用链接，而不是出版物节点，主要使用本地信息和搜索社区的链接从种子子图，以允许普遍重叠的主题。我们评估一组新的成本函数的链接，并假设成本景观中的局部极小值对应于链接社区。因为这个成本景观有许多局部最小值，我们将有效社区定义为在一定范围内具有最小值的社区。由于找到所有有效的社区是不可能的大型网络，我们设计了一个模因算法，结合概率进化策略与确定性的局部搜索。我们将我们的方法应用于2010年发表的约15，000篇天文学和天体物理学论文及其引用来源的网络，以及通过直接引用链接的约100，000篇天文学和天体物理学论文（2003- 2010年出版）的网络。
2017-02-09 cs.DL cs.SI physics.soc-ph
Uncovering the Small Community Structure in Large Networks: A Local Spectral Approach
大型图出现在许多背景下，理解它们的结构并从中提取信息是一个重要的研究领域。挖掘社区的早期算法专注于全局结构，并且通常根据整个图的大小随时间函数运行。如今，我们经常探索具有数十亿个顶点的网络，并发现数百个大小的社区，因此在处理大型网络时，将我们的注意力从宏观结构转移到微观结构至关重要。越来越多的工作采用了本地扩展方法，以便从一些模范种子成员中识别社区。在本文中，我们提出了一种新的方法来寻找重叠的社区称为LEMON（本地扩展通过最小一个范数）。与PageRank扩散方法不同，LEMON通过在局部谱的跨度中寻找稀疏向量来找到社区，使得种子在其支持下。我们表明，LEMON可以达到最高的检测精度之间的国家的最先进的建议。运行时间取决于社区的大小，而不是整个图的大小。该算法易于实现，具有高度的并行性。此外，由于网络的性质并不完全相同，因此仍然缺乏关于本地扩展方法如何适用于发现不同网络中的社区的全面分析。我们使用不同领域的合成数据集和真实数据集对我们的方法进行了全面评估，并分析了将我们的方法应用于实际中固有的不同网络时的经验变化。此外，还对种子集的质量和数量对性能的影响进行了分析。
2015-09-25 cs.DS cs.SI physics.soc-ph
DiFuseR: A Distributed Sketch-based Influence Maximization Algorithm for GPUs
本文提出DiFuseR，一种面向多GPU分布式环境的高效影响力最大化算法，通过提升GPU利用率、减少通信与重叠计算，实现显著加速。
2024-10-17 cs.DC cs.PF cs.SI
MCD: A Modified Community Diversity Approach for Detecting Influential Nodes in Social Networks
在过去的几十年里，社交网络已经将全球各地的人们联系在一起，并已成为我们日常生活中至关重要的一部分。这些网络也迅速发展成为面向更广泛受众传播产品、想法和意见的平台。由于各种原因，这就需要在网络中找到有影响力的节点，包括遏制错误信息在网络中传播，有效地广告产品，在生物网络中找到突出的蛋白质结构等。一种通过利用社区发现和改进的社区多样性方法来发现网络中有影响力的节点的新方法。我们将社区多样性的概念扩展到两跳场景。这有助于我们更准确地评估节点对网络的可能影响，并避免选择具有重叠影响范围的种子节点。实验结果表明，MCD优于其他各种国家的最先进的方法上的八个数据集累积在三个性能指标。
2022-11-22 cs.SI
HoSIM: Higher-order Structural Importance based Method for Multiple Local Community Detection
局部社区发现近年来引起了广泛的研究关注，针对单个局部社区发现，即发现包含给定查询节点集合的社区，已经提出了许多方法。然而，节点可能属于网络中的几个社区，和检测的查询节点集的所有社区，被称为多个本地社区发现（MLCD），是更重要的，因为它可以发现更多的潜在信息。MLCD也更具挑战性，因为当查询节点属于多个社区时，它总是位于社区的复杂重叠区域和边缘区域。因此，通过应用种子扩展方法来检测这些节点的多个社区是不够的。在这项工作中，我们解决了高阶结构重要性（HoSI）的基础上的MLCD。首先，为了有效地估计高阶结构的影响，我们提出了一种新的随机游走变体，称为主动随机游走，以测量节点之间的HoSI得分。然后，我们提出了两个新的指标来评估一个子图的HoSI得分到一个节点和一个节点的HoSI得分，分别。基于所提出的指标，我们提出了一种新的算法，称为HoSIM检测多个本地社区的一个查询节点。HoSIM执行三阶段处理，即子图采样、核心成员识别和局部社区发现。其核心思想是利用HoSI发现和识别与查询节点相关的社区的核心成员，并优化生成的社区。大量的实验验证了HoSIM的有效性。
2022-05-24 cs.SI
