What do Vegans do in their Spare Time? Latent Interest Detection in Multi-Community Networks
大多数社会网络分析都是在用户之间的交互层面上进行的。但社交网络的规模和复杂性的巨大增长使我们能够在更大的尺度上研究互动。在这项工作中，我们使用了社交网络Reddit的7600万次提交的数据集，该数据集被组织成不同的子社区，称为subreddits。我们在用户相似性和主题相似性方面衡量整个subreddits之间的相似性。我们的目标是找到具有相似用户群但内容不同的社区对;我们将这种关系称为“潜在兴趣”。“潜在兴趣的检测不仅提供了一个视角，个人用户之间的角色转换（学生，体育迷，政治活动家），但也提供了洞察Reddit作为一个整体的动态。潜在兴趣检测也有潜在的应用推荐系统和研究人员检查社区的演变。
2015-11-24 cs.SI physics.soc-ph
An effective and efficient label initialization method based on similarity for community detection in networks
识别网络中的集群或社区结构已成为社会网络分析的一个组成部分。虽然已经提出了许多方法，但标签传播算法（LPA）是一种流行的计算效率高的方法，具有运行时间线性。然而，由于LPA中的随机性，LPA在同一网络上提供不同的社区组合。已经提出了许多改进来通过消除随机性来解决这个稳定性问题。本文对标准LPA进行了改进，提出了一种基于链接相似度的标签初始化方法。相似性是基于两个节点之间的连接强度来测量的。该方法进行了测试，真实的和综合的措施，分析性能。
2022-01-16 cs.SI
Efficient Community Detection in Large Networks using Content and Links
在本文中，我们讨论了一个非常简单的方法相结合的内容和链接信息的图形结构的社区发现的目的，在网络分析中的一项基本任务。我们的方法取决于基本的直觉，即许多网络在链接结构中包含噪声，并且内容信息可以帮助加强社区信号。这使人们能够消除噪声的影响（假阳性和假阴性），这是特别普遍的在线社交网络和Web规模的信息网络。具体来说，我们引入了一个衡量网络中两个节点之间的信号强度，通过融合它们的链接强度与内容相似性。链路强度是基于链路是否可能（以高概率）驻留在社区内来估计的。通过余弦相似度或Jaccard系数来估计内容相似度。我们讨论了一个简单的机制，融合内容和链接的相似性。然后，我们提出了一个有偏的边缘采样过程，它保留了每个图节点的局部相关的边缘。可以使用标准的社区发现算法（例如Metis和Markov聚类）来聚类所得到的骨干图。通过对具有不同大小和特征的多个真实世界数据集（Flickr，Wikipedia和CiteSeer）的广泛实验，我们证明了我们的方法在最先进的学习和挖掘方法中的有效性和效率，其中一些方法还试图将链接和内容分析结合起来用于社区发现。具体来说，我们总是发现一个定性的好处时，结合内容与链接分析。此外，我们的有偏图采样方法实现了定量的好处，因为它通常比竞争方法快几个数量级。
2012-12-01 cs.SI physics.soc-ph
A Weighted Similarity Metric for Community Detection in Sparse Data
本文针对高度稀疏短文本数据提出一种无需填补的加权相似性度量，结合共同属性存在、缺失及缺失模式三部分，并在洗发水品牌社区检测中验证其优于传统方法且具有稳健性。
2025-02-07 cs.SI stat.ME
High-Quality Disjoint and Overlapping Community Structure in Large-Scale Complex Networks
在本文中，我们提出了一个改进版本的凝聚层次聚类算法，执行不相交的社区发现在大规模复杂网络。该算法将原算法中采用的局部结构相似度替换为最近提出的动态结构相似度，从而实现了对原算法的改进。此外，改进算法被扩展到检测模糊和清晰的重叠社区结构。扩展算法利用自身生成的不相交社区结构和动态结构相似性度量，计算定义模糊社区的隶属度概率函数。此外，为了比较所提出的算法与国家的最先进的参考基准图进行实验评估。
2018-05-30 cs.DS cs.SI physics.soc-ph
Community Detection in Multimodal Data: A Similarity Network Perspective
该研究从相似性网络视角探究多模态社区检测，通过设置模态间聚类信息与噪声差异，评估SNF、NEMO等整合技术性能，发现简单均值聚合在聚类不一致场景下更优，且NEMO与均值聚合对不完整模态鲁棒性更强。
2025-02-21 cs.SI
GNNs Getting ComFy: Community and Feature Similarity Guided Rewiring
CISPA Helmholtz Center for Information Security（CISPA亥姆霍兹信息安全中心）
本文提出三种图重新连边策略 ComMa、FeaSt 和 ComFy，分别针对社区结构、特征相似性及其对齐关系，以替代谱间隙优化并提升 GNN 性能。
2025-02-07 cs.LG cs.SI stat.ML
Quantifying community evolution in temporal networks
Queen Mary University of London（伦敦大学玛丽女王学院）；Pometry
针对时序网络节点变动时社群演化难以量化的问题，本文提出UNMI和INMI两种扩展NMI的相似度指标，可有效捕捉合成与真实时序网络的社群动态演化，为网络分析提供新度量方法。
2025-11-18 cs.SI
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
Semi-supervised Community Detection via Structural Similarity Metrics
Harvard University（哈佛大学）
针对度异质网络中新节点的社区标签估计问题，提出基于结构相似性度量的半监督算法，聚合有标签与无标签信息，实验优于现有方法并给出误分类误差界。
2023-06-01 cs.LG cs.SI stat.ME
NodeSim: Node Similarity based Network Embedding for Diverse Link Prediction
在现实世界的复杂网络中，了解其演化的动力学一直是科学界的极大兴趣。预测未来的链接是社会网络分析的一项重要任务，因为随着时间的推移，链接的添加或删除会导致网络的演变。在网络中，如果链路的两个端节点属于同一个社区，则链路可以被分类为社区内链路，否则为社区间链路。现有的链接预测方法主要集中在实现社区内链接预测的高精度。在这项工作中，我们提出了一个网络嵌入的方法，称为NodeSim，它捕捉节点和社区结构之间的相似性，同时学习网络的低维表示。嵌入是使用建议的NodeSim随机游走学习的，它有效地探索了不同的邻域，同时在节点的上下文中保持更接近的相似节点。我们使用不同的链接预测验证了所提出的嵌入方法的有效性。我们提出了一个机器学习模型的链接预测，同时考虑节点的嵌入和他们的社区信息来预测两个给定的节点之间的链接。在几个真实网络上的大量实验结果表明，所提出的框架对社区间和社区内链接预测都是有效的。
2021-02-01 cs.SI
Robustness of community structure under edge addition
本文通过随机与定向边添加场景，结合四种社区检测算法和相似性指标，评估合成及经验时序网络中社区结构的鲁棒性，证明其受初始划分、添加方式、指标和算法选择影响。
2023-11-02 cs.SI physics.soc-ph
Student similarity network clustering -- Does the time it takes for an answer to be selected follow a power-law?
本文利用问答数据构建学生相似度网络，比较两种相似度函数（假设与不假设响应时间幂律分布）对社区发现聚类结果模块度的影响。
2023-12-23 cs.SI physics.soc-ph
Median evidential c-means algorithm and its application to community detection
Northwestern Polytechnical University（西北工业大学）；University of Rennes 1（雷恩第一大学）；IRISA（IRISA研究所）
中值聚类对于关系数据的划分具有重要价值。提出了一种新的基于原型的聚类方法--中值证据C均值（Median Evidential C-Means，MECM），它是中值C均值和中值模糊C均值在置信函数理论框架下的扩展。中值变量放宽了对对象嵌入度量空间的限制，但将原型约束在原始数据集中。由于这些属性，MECM可以应用于图聚类问题。研究了一种基于MECM的社交网络社区发现方案，得到的图的置信划分比清晰划分和模糊划分更精细，使我们能够更好地理解图的结构.为了避免局部早熟收敛，提出了一种基于证据半中心性的初始原型选择方案，并定义了一个证据模块度函数来选择最优社区数.最后，在模拟数据集和真实数据集上的实验表明了MECM的性能，并显示了它与其他方法的区别。
2015-01-07 cs.AI cs.SI
Enhancing Community Detection in Networks: A Comparative Analysis of Local Metrics and Hierarchical Algorithms
University of Granada（格拉纳达大学）
本研究针对网络社区检测算法复杂性的挑战，采用Girvan-Newman算法评估局部相似性度量，通过模块度和NMI在真实网络上的实验证明局部度量方法具有显著潜力。
2024-08-22 cs.LG cs.SI
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
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 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
Community detection in complex networks via node similarity, graph representation learning, and hierarchical clustering
Warsaw University of Technology（华沙理工大学）；Deakin University（迪肯大学）
本文提出三种通用层次框架，结合节点相似性、图表示学习与层次聚类进行社区检测，实验表明其最佳组合性能媲美Leiden和Louvain算法，且能输出兼容的嵌套划分。
2026-11-04 cs.LG cs.SI
Community Detection in the Hypergraph SBM: Exact Recovery Given the Similarity Matrix
Northwestern University（西北大学）；TTI-Chicago（芝加哥丰田技术研究所）
本文证实了超图随机块模型中基于相似矩阵的社区精确恢复的SDP猜想，并设计了达到最小二分阈值的近线性时间谱算法，在密集区域更高效。
2023-10-14 cs.LG cs.SI
The Ties that matter: From the perspective of Similarity Measure in Online Social Networks
National Institute of Technology, Silchar（锡尔查尔国家技术学院）
在线社交网络已经开始重视连接强度度量，其具有广泛的应用，例如，分析扩散行为、社区发现、链接预测、推荐系统。虽然有一些现有的连接强度的措施，连接的密度，它的邻居和方向性方面没有得到太多的关注。在本文中，我们提出了一种非对称的边缘相似性度量，即，基于邻域密度的边缘相似性（NDES），它提供了一个基本的支持，以获得连接的强度。NDES的时间复杂度是$O(nk^2)$。NDES在社会网络中的社区发现的应用。我们考虑了一种基于相似性的社区发现技术，并用NDES代替其相似性度量。NDES的性能进行了评估，在几个小的真实世界的数据集在检测社区的有效性，并与三个广泛使用的相似性措施。实证结果表明，NDES可以检测相对更好的社区，无论是在准确性和质量。
2022-12-21 cs.IR cs.LG cs.PF
Fast Heuristic Algorithm for Multi-scale Hierarchical Community Detection
复杂网络构成了诸如社交网络等许多复杂系统的主干。检测复杂网络中的社区结构是一项具有挑战性且计算量大的任务。在本文中，我们提出了HAMUHI-CODE，一种新的快速启发式多尺度层次社区发现算法的启发凝聚层次聚类技术。我们定义了一个新的结构相似度的顶点的基础上，经典的余弦相似性，通过删除一些顶点，以增加识别的概率，类间的边缘。然后，我们使用建议的结构相似性在一个新的凝聚层次算法，不合并的最大相似性的集群，在经典的方法，但合并任何集群，不符合参数化的社区定义与其最相似的相邻集群。该算法在计算所有相似聚类的同时，检查每个聚类是否满足参数化社区定义。它是在线性时间复杂度方面的集群在迭代。由于复杂网络是稀疏图，因此我们的方法HAMUHI-CODE在最坏情况下（如果集群成对合并）相对于输入大小具有超线性的时间复杂度，使其适合应用于大规模复杂网络。为了测试我们的算法的性能和效率，我们在真实世界和合成基准网络上进行了广泛的实验，并将其与几种最先进的基线算法进行了比较。
2017-07-07 cs.DS cs.SI
Extending modularity by capturing the similarity attraction feature in the null model
模块性是一种广泛使用的衡量网络社区结构的指标。模块性的定义涉及到观察到的网络中的社区内边缘与等效随机网络中的边缘数的比较。这个等效的随机网络称为空模型，它可以作为参考。为了使比较有意义，零模型应该描述被观察网络的一些特征。然而，模块化的原始定义中的空模型是不切实际的混合，在这个意义上，任何节点都可以链接到任何其他节点，而没有偏好，只有连接性才重要。因此，它不能很好地代表现实世界的网络。许多现实世界网络的共同特征是“相似吸引”，即，边倾向于链接到彼此相似的节点。我们提出了一个空模型，捕捉相似性吸引力功能。这个空模型使我们能够创建一个框架，用于定义一个适合各种网络的Dist-Modularity家族，包括具有节点附加信息的网络。我们证明了Dist-Modularity在不同尺度上识别社区是有用的。
2013-02-12 cs.SI physics.data-an physics.soc-ph
Dynamic Structural Similarity on Graphs
描述图中顶点和边的拓扑和结构性质的一种方法是使用结构相似性度量。像余弦、Jaccard和Dice这样的度量方法计算的相似性仅限于顶点的直接邻域，绕过了局部性之外的重要结构属性。其他措施，如广义边缘聚类系数，超越了局部性，但具有较高的计算复杂性，使他们在大规模的场景不切实际。在本文中，我们提出了一种新的相似性度量，确定结构的相似性，通过动态扩散和捕获信息超出了本地。这种新的相似度被建模为一个迭代函数，可以在超线性的时间和内存复杂度下通过不动点迭代来求解，因此它能够分析大规模的图。为了在社区发现任务中显示所提出的相似性的优点，我们用所提出的相似性度量代替SCAN算法中使用的局部结构相似性，提高了检测到的社区结构的质量，并且还降低了SCAN算法对参数$ε$的敏感性。
2018-05-03 cs.DS cs.SI
Higher-order Knowledge Transfer for Dynamic Community Detection with Great Changes
在现实世界中，网络结构随着时间的推移而演变，在动态网络中发现变化的社区是一个重要的研究课题，提出了具有挑战性的任务。大多数现有的方法假设网络中没有发生重大变化，即相邻快照之间的差异很小。然而，现实世界中通常存在巨大的变化。网络的巨大变化会导致社区发现算法很难从上一次的快照中获取有价值的信息，从而导致下一次步骤的负迁移。本文重点研究动态社区发现与实质性的变化，通过整合高阶知识，从以前的快照，以帮助后续的快照。此外，为了提高搜索效率，设计了一种高阶知识转移策略，通过检测快照邻接矩阵的相似性来确定一阶和高阶知识。这样，我们的方案可以更好地保持以前社区发现结果的优势，并将其转移到下一个任务中。我们在四个真实世界的网络上进行了实验，包括网络有很大或很小的变化。在低相似度数据集上的实验结果表明，当网络发生显著变化时，高阶知识比一阶知识更有价值，即使处理高相似度数据集也能保持优势。我们的建议也可以指导其他动态优化问题发生很大变化。
2022-11-28 cs.NE cs.SI
A nonuniform popularity-similarity optimization (nPSO) model to efficiently generate realistic complex networks with communities
复杂网络拓扑结构背后隐藏的度量空间是当前网络科学的一个热门话题，而双曲空间是研究最多的度量空间之一，因为它似乎与许多实际复杂系统的结构组织有关。粒子群优化模型模拟了随机几何图在双曲空间中的生长，再现了强聚类和无标度分布，但它没有再现真实复杂网络的一个重要特征，即社区组织。最近开发的几何偏好附着（GPA）模型赋予PSO也是一个社区结构，这是通过迫使不同的角度区域的双曲盘有可变的吸引力水平。然而，GPA无法明确控制社区的数量和规模，这对实际应用来说是一个明显的限制。在这里，我们介绍了非均匀粒子群（nPSO）模型，不同于GPA，强制异构角节点的吸引力，通过采样的角度坐标从一个定制的非均匀概率分布，例如混合高斯。nPSO在其他三个方面与GPA不同：它允许显式地固定社区的数量和大小;它允许通过网络温度来调整它们的混合属性;它可以有效地生成具有高聚类的网络。经过几次测试，我们提出了nPSO作为一个有效的和高效的模型来生成网络的社区在双曲空间，它可以作为一个现实的基准不同的任务，如社区检测和链接预测。
2017-07-23 cond-mat.dis-nn cs.SI physics.soc-ph
Machine Learning Informed by Micro and Mesoscopic Statistical Physics Methods for Community Detection
本研究提出一种低复杂度框架，结合机器学习与统计物理方法，将微观节点对相似性嵌入介观社区结构，实验表明其在模块化、NMI和ARI指标上优于传统方法，突出两者协同作用以提升社区检测性能。
2025-04-18 cs.SI nlin.AO physics.soc-ph
Community Detection in Political Twitter Networks using Nonnegative Matrix Factorization Methods
社区发现是社会网络分析中的一项基本任务。在本文中，首先，我们开发了一个背书过滤用户连接网络，利用海德的结构平衡理论和某些Twitter的三元模式。接下来，我们开发了三个非负矩阵分解框架来研究不同类型的用户连接和内容信息在社区发现中的贡献。我们表明，用户内容和认可过滤连接信息是相辅相成的，在聚类的政治动机的用户到纯政治社区。在所有内容类别中，词汇使用是用户政治倾向的最强指标。简化用户词矩阵和词相似性正则化器提供了仅连通性方法中的缺失环节，该方法受到人为大量Twitter网络聚类检测的影响。
2016-08-05 cs.SI physics.soc-ph stat.ML
Self-similarity of Communities of the ABCD Model
Toronto Metropolitan University（多伦多都会大学）；SGH Warsaw School of Economics（华沙经济学院）；Tutte Institute for Mathematics and Computing（塔特数学与计算研究所）
本文证明ABCD随机图模型中真实社区的度分布与整图度分布渐近自相似，并据此估计社区诱导边数及自环和多重边数量，为理解重连代价和配置模型偏差提供理论依据。
2023-11-30 cs.DM cs.LG cs.SI
Signature-Based Community Detection for Time Series
针对时间序列社区检测中传统方法依赖平稳性和观测粒度的问题，提出基于签名矩阵的相似性度量方法，在标准普尔500数据集上获得更高且更稳定的模块度。
2023-11-10 cs.SI physics.data-an
A Complex Networks Approach for Data Clustering
Universidade de São Paulo（圣保罗大学）
数据聚类的方法有很多，如k-means、期望最大化和基于图论的算法。在后一种情况下，图通常通过考虑欧几里得距离作为相似性度量来构建，并使用谱方法进行分区。然而，当聚类没有很好地分离时，这些方法是不准确的。此外，不可能自动确定聚类的数量。这些限制可以通过考虑网络社区识别算法来克服。在这项工作中，我们提出了一种基于复杂网络理论的数据聚类方法。我们比较不同的指标来量化对象之间的相似性，并考虑到三个社区发现技术。这种方法适用于两个真实世界的数据库和两组人工生成的数据。通过比较我们的方法与传统的聚类方法，我们验证了由切比雪夫和曼哈顿距离给出的接近度度量是最合适的度量来量化对象之间的相似性。此外，基于贪婪优化的社区识别方法提供了最小的错误分类率。
2011-01-26 cs.LG cs.SI physics.data-an
Parallel Motif-Based Community Detection
本研究提出一个开源的共享内存并行模体社区检测框架，全面评估多种方法，发现模体聚类平衡性能与效率，并提出基于三角形和楔形计数的相似度度量以解决Tectonic的过度分割问题。
2024-12-16 cs.SI
HACD: Harnessing Attribute Semantics and Mesoscopic Structure for Community Detection
Beijing Information Science and Technology University（北京信息科技大学）；Hong Kong Baptist University（香港浸会大学）
针对属性网络社区检测忽视属性语义相似性和介观结构的问题，提出基于异构图注意力网络的HACD模型，通过属性级注意力与社区成员函数提升检测鲁棒性，实验优于现有方法。
2024-11-04 cs.AI cs.GR cs.LG
A model for generating temporal networks with dynamic community structure guided by mutual information
研究提出一种生成模型，通过基于互信息的遗传搜索控制社区演化与动态节点集，能处理节点增减，用概率生成时间边确保连通性，经实验验证可模拟真实社区演化，还用作基准研究节点变化对动态社区检测算法性能的影响。
2026-07-20 cs.SI
GeoAI-Enhanced Community Detection on Spatial Networks with Graph Deep Learning
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Central South University（中南大学）；University of Southern California（南加利福尼亚大学）
本文提出基于GAT和GCN的region2vec方法，融合节点属性、地理邻接与空间交互生成节点嵌入，再通过凝聚聚类实现空间网络社区检测，并在公共卫生短缺区域划定中验证了其区域化应用潜力。
2024-11-23 cs.AI cs.SI
Community-Specific Slang and Entity Detection via Semantic Shift in Fine-Tuned Language Models
Georgia Institute of Technology（佐治亚理工学院）
提出无监督方法，通过测量词在微调前后的语义偏移幅度，从在线社区文本中自动识别俚语、独特实体和民俗用语。
2026-04-19 cs.CL cs.LG cs.SI
Resampled Mutual Information for Clustering and Community Detection
Harvard University（哈佛大学）
该研究提出重采样互信息（ResMI）这一聚类相似性度量，结合信息论与成对计数方法，满足常数基线性质且无需调整项，在合成数据集上对高聚类数等场景的偏差鲁棒，还能识别真实接触网络的社区结构。
2024-11-21 cs.LG cs.SI
A System for Identifying and Visualizing Influential Communities
在本文中，我们介绍了有影响力的社区的概念，在一个共同作者网络。如果一个社区在整个网络中的所有其他社区中具有最高的影响力，则我们将该社区称为最具影响力的社区。社区的影响力取决于内容的影响（例如，论文的引用）由该社区的成员产生。我们提出了一个算法来确定前K个有影响力的社区的在线社交网络。作为一个工作原型，我们开发了一个可视化系统，允许用户找到前K有影响力的社区从合著者网络。用户可以搜索特定研究领域的前K个有影响力的社区，我们的系统为他/她提供了这些社区的可视化。用户可以浏览社区的详细信息，例如作者、引用以及与其他社区的合作。
2016-10-20 cs.DB cs.SI
Characterization and exploitation of community structure in cover song networks
社区发现算法的使用是在翻唱歌曲识别的框架内探索的，即，同一基础音乐作品的不同音频再现的自动检测。到目前为止，这个任务一直被认为是一个典型的按示例查询的任务，其中一个人提交一首查询歌曲，系统检索一个可能的匹配列表，并根据它们与查询的相似性进行排序。在这项工作中，我们提出了一种新的方法，它使用歌曲社区提供更多的相关答案给一个给定的查询。从最先进的系统的输出开始，歌曲被嵌入到一个复杂的加权网络中，该网络的链接表示相似性（相关的音乐内容）。然后，网络内的社区被识别为覆盖物组，并且该信息用于增强系统的结果。特别是，我们表明，这种方法增加了系统的一致性和准确性。此外，我们提供了深入了解个人翻唱歌曲社区的内部组织，显示有一种趋势，为原来的歌曲是中央的社会。我们假设，这里提出的方法和结果可能与其他查询的例子任务。
2011-09-12 cs.IR cs.MM cs.SI
Forward Backward Similarity Search in Knowledge Networks
相似性搜索是GitHub、DBLP、Wikipedia等社交和知识网络中的一个基本问题，现有的网络相似性度量方法由于只从查询节点的角度考虑相似性而受到限制。然而，由于现实世界的网络拓扑结构的复杂性，忽略目标节点的偏好往往会导致奇怪或不直观的性能。在这项工作中，我们提出了一个双视角的相似性度量称为向前向后相似性（FBS），有效地计算拓扑相似性的角度来看，查询节点和候选节点的角度。我们的方法的有效性进行了评估，传统的定量排名指标和大规模的人类判断四个大型现实世界的网络。该方法符合人类的偏好，并优于其他相似性搜索算法的社区重叠和链接预测。最后，我们展示了五位著名研究人员在学术合作网络上的前5名排名，以说明我们的方法如何比其他方法更直观地捕捉语义。
2016-11-28 cs.IR cs.SI
Measuring Proximity in Attributed Networks for Community Detection
Moscow Institute of Physics and Technology（莫斯科物理技术学院）；Trapeznikov Institute of Control Sciences of the Russian Academy of Sciences（俄罗斯科学院特拉佩兹尼科夫控制科学研究所）；Kotel’nikov Institute of Radio-engineering and Electronics (IRE) of the Russian Academy of Sciences（俄罗斯科学院科捷利尼科夫无线电工程与电子研究所（IRE））
图上的邻近性度量在网络分析中有各种应用，包括社区发现。以前，它们主要是在没有属性的网络背景下研究的。然而，如果考虑节点属性，这可以提供对网络结构的更多了解。在本文中，我们扩展了一些研究的邻近性措施的定义属性网络。为了说明属性，使用几种属性相似性度量。最后，得到的邻近性措施，在一些现实世界的网络使用谱聚类算法检测社区结构。
2021-11-04 cs.LG cs.SI
A Fuzzy Community-Based Recommender System Using PageRank
Islamic Azad University Tehran North Branch（德黑兰北部伊斯兰阿扎德大学）；Amirkabir University of Technology（阿米爾卡比爾理工大學）
推荐系统被不同的用户服务提供商广泛使用，特别是那些与大型用户社区有交互的用户。介绍了一种基于社区发现的推荐系统。使用用户之间的局部和全局相似性来提供推荐。当地的信息是从社区获得的，全球的信息是基于评级。在这里，一个新的模糊社区发现使用个性化的PageRank隐喻。用户对社区的模糊隶属度值被用来定义一个相似性度量。该方法通过使用两个著名的数据集：MovieLens和FilmTrust进行评估。结果表明，我们的方法优于最近的推荐系统。
2018-12-18 cs.IR cs.LG cs.SI
Beyond Homophily: Community Search on Heterophilic Graphs
University of New South Wales（新南威尔士大学）
AdaptCS通过分离多跳和多频信号，结合低秩优化和自适应社区分数，有效提升异质图中社区搜索的性能和效率。
2026-02-20 cs.AI cs.DB cs.IR
