Community Specific Temporal Topic Discovery from Social Media
研究社交媒体中话题的时间动态对理解在线用户行为非常有用。关于这一主题的现有工作大多数通常监测全球趋势，而忽略了社区之间的差异。由于来自不同社区的用户往往具有不同的品味和兴趣，因此捕获社区级别的时间变化可以改善对社交内容的理解和管理。此外，它还可以进一步促进社区发现，时间预测和在线营销等应用。然而，由于社区和主题之间复杂的相互作用以及难以处理的计算复杂性，这种抽取变得具有挑战性。本文针对社区级主题动态抽取问题，提出了一种统一的解决方案。提出了一个概率模型CosTot（Community Specific Topics-over-Time），用于发现隐藏的主题和社区，并捕捉社区特定的时间动态。具体而言，CosTot同时考虑文本，时间和网络信息，并很好地发现社区和主题之间的互动随着时间的推移。然后，我们讨论了近似推理实现，使模型参数的可扩展计算，特别是对于大型社会数据。在此基础上，研究了应用层对多尺度时态分析和社区探索的支持。在一个真实的微博数据集上进行了大量的实验研究，验证了该模型在时间戳预测、链接预测和主题混淆等任务上的优越性。
2013-12-03 cs.SI physics.soc-ph
Challenges in Community Discovery on Temporal Networks
社区发现是网络科学研究的热点问题之一。近年来，许多工作都集中在发现社区的时间网络，从而确定动态社区。有趣的是，动态社区不仅仅是静态社区的序列;新的挑战来自其动态性质。在本章中，我们将讨论其中的一些挑战以及最近的解决方案。我们将讨论在逐渐发展的网络中的社区事件的问题，通过变化的身份的概念，在链接流中的动态社区，动态社区的平滑度，以及不同类型的算法的复杂性。
2019-07-26 cs.SI physics.soc-ph
Temporal prediction of epidemic patterns in community networks
以往关于复杂网络上流行病动力学的大多数研究都假设疾病最终会稳定在无病状态或地方病状态。然而，实际上，某些流行病在一个地区总是表现出零星和复发的行为，因为其他地方的地方病人群入侵。在本文中，我们解决了这个问题，并研究了一个网络上的两个社区，其中疾病是地方性的，但在另一个社区之间的交替爆发和预防的传染病模型。我们提供了一个详细的描述在后者社区的流行模式的时间动态。特别是，我们调查的爆发和灭绝的持续时间，两个连续的社区间感染的时间间隔，以及它们的频率分布。基于平均场论，我们从理论上分析了这三个时间尺度及其对每个社区的平均节点度、传播参数和社区间链接数的依赖关系，除了连续爆发之间重叠的概率太大之外，这与模拟结果吻合得很好。这些发现有助于我们更好地了解疾病在当地社区传播的突发性，从而提出有效的时间依赖性控制策略。
2013-11-17 cond-mat.stat-mech cs.SI physics.soc-ph
Community-Size Biases in Statistical Inference of Communities in Temporal Networks
Southern Methodist University（南方卫理公会大学）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；Santa Fe Institute（圣塔菲研究所）
本文提出了一种新的统计模型，用于减少时间网络中社区大小偏差，以更准确地识别社区结构。
2026-01-22 cs.SI physics.soc-ph stat.ME
Scalable dynamic community detection on temporal graphs using graph neural networks
Queen Mary University of London（伦敦大学玛丽女王学院）
该研究提出扩散引导的对比学习框架，结合图神经网络实现时序图的可扩展动态社区检测，在合成网络和OpenAlex合作网络上验证了方法的有效性与可扩展性。
2026-08-31 cs.SI
Quantifying community evolution in temporal networks
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
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
Significant Engagement Community Search on Temporal Networks: Concepts and Algorithms
社区搜索是一种检索包含查询顶点的内聚子图的搜索方法，在过去的几十年里得到了广泛的关注。现有的社区搜索研究主要集中在静态网络上。然而，现实世界的网络通常是时间网络，其中每个边都与时间戳相关联。以前的方法在处理时态网络时不起作用。我们研究的问题，确定用户指定的查询属于显着的参与社区。具体地说，给定一个整数k和一个查询顶点u，然后我们搜索满足以下条件的子图H：（i）u $\in$ H;（ii）H的去时态图是一个连通的k-核;（iii）在H中u具有最大参与度。为了解决我们的问题，我们首先开发了一个自顶向下的贪婪剥离算法TDGP，迭代删除的顶点与最大的时间程度。为了提高效率，我们设计了一个自底向上的局部搜索算法BULS及其增强版本BULS+和BULS*。最后，我们经验表明，我们提出的解决方案的优越性在六个现实世界的时间图。
2022-06-14 cs.SI
Detecting the community structure and activity patterns of temporal networks: a non-negative tensor factorization approach
随着时间网络数据可用性的不断提高，人们需要对时间网络中的介观结构进行提取和表征，并将这种结构与系统的特定功能或属性联系起来。一个突出的挑战是扩展静态网络的结果随时间变化的网络，其中系统的拓扑结构和其组件的时间活动模式交织在一起。在这里，我们研究使用潜在的因子分解技术，非负张量因子分解，提取时间网络的社区活动结构。该方法本质上是时间性的，可以同时识别社区并跟踪其活动。我们将时间网络的时变邻接矩阵表示为三向张量，并将此张量近似为可以解释为具有相关活动时间序列的节点社区的项的总和。我们总结了已知的张量分解的计算技术，并讨论了一些质量指标，可用于调整的复杂性的因式分解表示。随后，我们将张量因式分解应用到一个时间网络中，对于该网络，社区结构和时间活动模式都可以使用地面实况。我们使用的数据描述了学生在学校的社会互动，学生和学校班级之间的关联，以及学生随时间的时空轨迹。我们表明，非负张量因式分解是能够恢复的类结构具有高精度。特别地，所提取的张量分量可以被验证为已知的学校班级，或者根据相关的活动模式，即，由已知的学校活动时间表确定的空间和时间巧合。
2013-11-05 cs.SI physics.soc-ph
Multi-scale Community Detection in Temporal Networks Using Spectral Graph Wavelets
谱图小波在网络中引入了尺度的概念，因此用于从每个节点获得网络的局部视图。通过对这些小波构造一个小波滤波函数，已经发展出了一种多尺度的单一网络社团检测方法。这种构造利用了网络拉普拉斯算子的划分特性。在本文中，我们阐述了一种新的方法，使用谱图小波检测多尺度社区的时间网络。为了做到这一点，我们通过采用多层框架扩展谱图小波的定义到时间网络。我们使用参数扰动理论研究超拉普拉斯矩阵的谱特性，用于时间网络的聚类目的。利用这些属性，我们构建了一个新的小波滤波函数，它衰减的影响，无信息的特征值和中心的过滤器周围的特征值，其中包含信息的粗略描述的流行的社区结构随着时间的推移。我们使用谱图小波作为特征向量的连通性约束聚类过程中检测多尺度社区在不同的尺度，并将这种方法称为时间多尺度社区检测（TMSCD）。我们验证的性能TMSCD和竞争的方法在各种基准。TMSCD的优点是自动选择应寻求社区的相关尺度。
2017-08-14 cs.SI physics.soc-ph stat.ME
Overlapping Community Detection in Temporal Text Networks
Shanghai Jiaotong University（上海交通大学）
基于相同的属性、功能或节点之间的连接来分析网络中的组是理解网络信息的一种方式。发现一系列节点组的任务称为社区发现。通常，可以利用两种类型的信息来完成该任务，即，链接结构和节点属性。时间文本网络是一种包含两种信息源的特殊网络。典型的代表包括在线博客网络、万维网（WWW）和学术引文网络。本文研究时态文本网络中的重叠社区发现问题。通过对32个大型时态文本网络的分析，我们发现了大量连接两个没有共同社区的节点的边，并发现同一社区中的节点共享相似的文本内容。实际上，所有现有的社区发现方法都不能对这种情况进行定量建模。出于这些经验的观察，我们提出了MAGIC（模型关联图与互动社区），生成模型，捕捉社区的互动，并考虑从链接结构和节点属性的信息。我们在3种数据集上的实验表明，MAGIC在4个广泛使用的度量方面比4个最先进的方法有了很大的改进。
2021-01-13 cs.LG cs.SI
Community Detection in Social Network using Temporal Data
社交网络促进了参与者或用户之间有联系的社交空间。这种联系及其模式是基于他们的生活方式和交流方式。同样，在Facebook、Twitter、Myspace等在线社交媒体网络中，多个用户属于多个特定社区。社交网络表示大型现实世界定向社交图。从这些图中检测社区或集群是一个相当大的研究兴趣的问题。使用具有共同边和共同属性的相邻节点形成社区。现有的大多数社区发现算法通常考虑节点内容来分析社区的属性。一些算法使用节点之间的链接来确定图中的密集区域。但是，由于传统的顶点和边数据提取方法没有考虑节点间的连通性，同时利用边内容和顶点内容来检测社区还有待研究和验证。本文提出了一种互联空间聚类模型（Interlinked Spatial Clustering Model，ILSCM），该模型提供相关内容选择和时间主题提取，用于基于上下文关键字识别节点之间的介数，从而检测社区。
2019-04-10 cs.SI physics.soc-ph
Detecting Stable Communities in Link Streams at Multiple Temporal Scales
链接流模型在广泛的领域中随着时间的推移进行交互。在这种模式下，面临的挑战是有效地挖掘时间和拓扑结构。社区发现和变化点检测是分析这种不断变化的相互作用的最有力的工具之一。在本文中，我们建立在这两个检测稳定的社区结构，确定有意义的社区内的变化点。与现有的动态社区发现算法不同，该方法能够在多个时间尺度上有效地发现稳定的社区。我们测试了我们的方法在合成网络上的有效性，以及从真实社交网络中提取的高分辨率时变网络的联系人。
2019-07-24 cs.SI physics.soc-ph
Bayesian Modeling of Random Walker for Community Detection in Networks
我们提出了一个生成模型，利用随机游走检测网络中的全局最优社区结构。先进的参数优化算法的马尔可夫链蒙特卡罗方法的基础上开发，以克服EM算法，这已被用于在以前的作品，但有时被困在局部最优值取决于初始条件的局限性。我们将算法应用于合成和真实世界的网络，以检查它们在检测社区的精度和鲁棒性方面的性能。实验结果表明，Gibbs采样器的性能优于以往的方法，特别是在检测重叠社区。随机游走者的马尔可夫动力学是鲁棒地检测最优社区结构的关键。
2019-10-25 cs.SI physics.soc-ph
Heterogeneous-Temporal Graph Convolutional Networks: Make the Community Detection Much Better
Harbin Institute of Technology（哈尔滨工业大学）；Jilin University（吉林大学）；Peng Cheng Laboratory（鹏城实验室）；Nanyang Technological University（南洋理工大学）
社区发现一直是复杂网络分析中的一个重要而又具有挑战性的课题，其研究重点是发现图数据的拓扑结构。本质上，真实世界的图数据包含各种特征、节点和边类型，这些特征随时间动态变化，这使得大多数现有的社区发现方法失效。为了解决这些问题，本文提出了异构时间图卷积网络（HTGCN），以检测社区从异构和时间图。特别地，我们首先设计了一个异构GCN组件，以获取每个异构图在每个时间步的特征表示。然后，提出了一个残余的压缩聚合组件来表示“变化”社区的“动态”特征，然后将其与从当前图中提取的“静态”特征聚合。在两个真实世界的数据集上进行了广泛的实验，即，DBLP和IMDB。有希望的结果表明，提出的HTGCN是优于基准和国家的最先进的方法，例如，GCN、GAT、GNN、LGNN、HAN和STAR，涉及若干评价标准。
2020-03-13 cs.LG cs.SI stat.ML
Dynamic Community Detection via Adversarial Temporal Graph Representation Learning
Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）
动态社区发现作为一种通过识别强连接的节点集来量化动态脑网络连接模式变化的有力工具已经得到了蓬勃发展。然而，随着网络科学问题和待处理的网络数据变得越来越复杂，需要一种更好的方法来有效地从动态网络数据中学习低维表示，并揭示其在大脑网络中随时间变化的潜在功能。在这项工作中，提出了一个对抗性的时间图表示学习（ATGRL）框架，以检测动态社区从一个小样本的大脑网络数据。它采用一种新颖的时间图注意力网络作为编码器，通过注意力机制在空间和时间维度上捕获更有效的时空特征。此外，该框架采用对抗训练来指导时态图表示的学习，并优化可测量的模块性损失，以最大限度地提高社区的模块性。在真实脑网络数据集上的实验证明了该方法的有效性。
2022-06-29 cs.AI cs.LG cs.SI
Unraveling the Temporal Importance of Community-scale Human Activity Features for Rapid Assessment of Flood Impacts
本研究的目的是探讨社区规模的人类活动特征的时间重要性，快速评估洪水的影响。最终的洪水影响数据，如洪水淹没地图和保险索赔，只有在洪水退去后的几周和几个月才能获得。然而，危机应对管理人员需要接近实时的数据来确定应急响应的优先级。这一时间滞后导致需要进行快速洪水影响评估。最近的一些研究表明，使用人类活动波动作为洪水影响指标的结果很有希望。然而，现有的研究，主要是使用一个单一的社区规模的活动功能，估计洪水的影响，并没有调查其时间的重要性，表明洪水的影响。因此，在这项研究中，我们研究了不同的人类活动特征在不同的洪水事件阶段的重要性。使用四个社区规模的大数据类别，我们得出了与人类活动变化相关的十个特征，并评估了它们在快速评估洪水影响方面的时间重要性。使用多个随机森林模型，我们研究了每个特征在指示2017年德克萨斯州哈里斯县飓风哈维的洪水影响程度方面的时间重要性。我们的研究结果表明：1）人类活动指数和拥堵道路百分比的波动是响应和恢复阶段快速洪水影响评估的最重要指标; 2）信用卡交易的变化处于中等水平; 3）地理定位社交媒体帖子（Twitter）的模式在洪水阶段的重要性较低。这项研究的结果可以迅速形成一个多功能工具，使危机管理人员能够确定在不同阶段具有严重洪水影响的热点，然后规划和优先考虑有效的应对策略。
2021-06-21 cs.SI physics.soc-ph
Adaptive Community Search in Dynamic Networks
社区搜索是一个研究得很好的问题，给定一个静态图和一个查询顶点集，需要找到一个包含查询顶点的内聚（或稠密）子图。本文研究了时态动态网络中的社团搜索问题。我们适应的时间设置的概念\emph{network inefficiency}，这是基于解决方案中的所有顶点之间的成对最短路径距离。为此，我们定义的概念\emph{shortest-fastest-path distance}：由用户定义的参数的时间和空间维度的线性组合。因此，我们定义了\textsc{Minimum Temporal-Inefficiency Subgraph}问题，并表明它是\NPhard。我们开发了一种算法，利用一个仔细的时间网络的静态有向和加权图的转换，和一些最近的近似算法找到最小的有向斯坦纳树。最后，我们将我们的框架推广到流媒体设置，其中时间图的新快照不断到达，我们的目标是为对应于滑动时间窗口的时间图产生社区搜索解决方案。
2020-11-10 cs.DS cs.SI
Towards Truss-Based Temporal Community Search
本文针对时间社区搜索中忽略高阶时间连通性的问题，提出极大桁架（MDT）模型，并设计局部搜索框架和时间桁架度索引（TT-index）以高效搜索包含查询节点的社区，在多个真实网络上验证了其效率、有效性和可扩展性。
2024-10-19 cs.SI
CS-TGN: Community Search via Temporal Graph Neural Networks
University of British Columbia（不列颠哥伦比亚大学）
搜索本地社区是一个重要的研究挑战，它允许个性化的社区发现，并支持各种复杂网络，如万维网，社交网络和大脑网络中的高级数据分析。随着时间的推移，这些网络的演变，激发了一些最近的研究，以确定当地的时间网络社区。给定任何查询节点，社区搜索的目标是找到一个密集连接的子图包含查询节点。然而，现有的时态网络社区搜索方法存在两个主要的局限性：（1）它们采用预定义的子图模式对社区进行建模，无法在真实网络中发现不符合这些模式的社区;（2）它们只使用不相交的结构信息的聚合来度量质量，而忽略了连接的动态性和时态属性。在本文中，我们提出了一个查询驱动的时间图卷积网络（CS-TGN），可以捕捉灵活的社区结构，通过学习从地面实况社区在数据驱动的方式。CS-TGN首先在网络的每个快照中结合局部查询依赖结构和全局图嵌入，然后使用具有上下文注意力的GRU单元来学习交互的动态并随时间更新节点嵌入。我们演示了如何使用这个模型可以在在线设置的交互式社区搜索，让用户评估发现的社区，并提供反馈。在真实世界的时间图与地面真实社区的实验验证了所获得的解决方案的优越质量和我们的模型在时间和交互式静态设置的效率。
2023-03-15 cs.LG cs.SI
Modeling Node Exposure for Community Detection in Networks
在社区发现中，数据集经常遭受采样偏差，通常具有高亲和力的节点似乎具有零亲和力。例如，当社交网络的两个仿射用户彼此不接触时，就会发生这种情况。在这种数据上的社区发现则受到将仿射节点视为非仿射节点的影响。为了解决这个问题，我们明确的模型（非）暴露机制的贝叶斯社区发现框架，通过引入一组额外的隐藏变量。与不对暴露进行建模的方法相比，我们的方法能够更好地重建输入图，同时在恢复社区方面保持类似的性能。重要的是，它允许估计两个节点被暴露的概率，这是标准模型无法提供的可能性。
2022-07-06 cs.SI physics.soc-ph
Modeling the evolution of continuously-observed networks: Communication in a Facebook-like community
建立在现有的随机行为者为导向的面板数据模型，我们采用了条件逻辑框架，探索在连续观察网络的关系创建的增长机制。这个框架模型的可能性领带形成区别于危险模型，考虑时间领带形成。它可以同时对网络演化的多种增长机制（同质性、焦点约束、强化、互惠、三元闭合和流行度）进行建模。我们将此框架应用于类似Facebook的社区内的通信。研究结果表明，描述性措施，测试单一机制独立的不足。它们还表明系统设计如何塑造行为和网络演化。
2011-08-18 cs.SI physics.soc-ph
DynBenchmark: Customizable Ground Truths to Benchmark Community Detection and Tracking in Temporal Networks
IMT Atlantique（IMT阿维朗蒂）
本文提出DynBenchmark，一种生成可定制演化社区结构及底层时序网络的基准，用于测试社区检测与跟踪方法，并提供工具以比较真值与算法结果。
2025-10-03 cs.AI cs.SI
Generalized L-Modularity for Community Detection Beyond Simple Temporal Networks
Université Claude Bernard Lyon 1, CNRS, INSA Lyon, LIRIS, UMR5205（里昂第一大学、法国国家科学研究中心、里昂国立应用科学学院、LIRIS实验室）
提出广义L-模块度和LAGO算法框架，用于检测包含瞬时事件、持续接触、延迟交互等多种交互类型的复杂时序网络中的社区结构。
2026-05-23 cs.SI
Community Aware Temporal Network Generation
本文提出一种社区感知的时间网络生成方法，通过节点社区标签构建替代网络以复现不同社区间交互的时间演化，并在多个面对面交互数据集上验证了生成网络的结构相似性。
2025-06-05 cs.SI physics.soc-ph
Stylized facts in social networks: Community-based static modeling
过去对社交网络数据集的分析使我们能够对人类社会的许多方面进行实证研究，这些方面通常具有社交网络的程式化事实的特征，例如网络数量的广泛分布，社区的存在，混合和强度拓扑关系。由于对这些复杂的社交网络结构的理解还远未完成，为了更深入地了解人类社会，需要更全面的数据集和对程式化事实的建模。虽然现有的动态和静态模型可以产生一些程式化的事实，在这里，我们采取了另一种方法，通过设计一个基于社区的静态模型与异构社区大小和较大的社区具有较小的链接密度和权重。有了这几个假设，我们能够生成现实的社交网络，显示最程式化的事实，为广泛的参数，如数字和分析证明。由于我们的基于社区的静态模型易于实现和易于扩展，它可以被用作参考系，基准，或进一步的应用程序的测试平台。
2017-08-08 cs.SI physics.soc-ph
Inductive Representation Learning in Temporal Networks via Mining Neighborhood and Community Influences
Heilongjiang University（黑龙江大学）
针对直推式方法难以适应时序网络动态变化的问题，本文提出 MNCI 归纳式表示学习方法，通过融合邻域与社区影响生成任意时刻的节点嵌入，并在多个真实数据集上验证其优于现有基线。
2023-06-01 cs.AI cs.SI
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
Community detection in temporal multilayer networks, with an application to correlation networks
网络是表示交互实体的复杂系统的方便方式。许多网络包含节点的“社区”，这些节点彼此之间的连接比网络中其他节点的连接更密集。在本文中，我们研究了在时间网络表示为多层网络的社区检测。作为一个焦点的例子，我们研究时间依赖的金融资产相关网络。我们首先认为，使用“模块化”质量函数-这是通过比较观察到的网络中的边缘权重和“空网络”中的预期边缘权重来定义的-是依赖于应用的。在模块化最大化的讨论中，我们区分了“空网络”和“空模型”，并强调了同一个空网络可以对应不同的空模型。然后，我们研究了一个多层模块化最大化问题，以确定社区的时间网络。我们的多层分析只依赖于最大化问题的形式，而不依赖于所选择的特定质量函数。我们引入了一个诊断来衡量社区结构的\emph{persistence}的多层网络分区。我们证明了几个结果，描述了多层最大化问题的措施之间的权衡静态社区结构层和更大的值跨层的持久性。我们还讨论了一些计算问题，流行的“鲁汶”启发式面临的时间多层网络，并建议如何减轻他们。
2017-12-24 cs.SI nlin.AO physics.soc-ph
CSWA: Aggregation-Free Spatial-Temporal Community Sensing
Missouri University of Science and Technology（密苏里科技大学）
本文提出了一种新的社区感知范式-- {C}一致性{S}感知{W}而无{A}聚集。CSWA被设计为获得环境信息（例如，空气污染或温度），而不聚集由社区成员收集的传感器和位置数据。CSWA在社区成员之间的安全对等网络之上运行，并提出了一种基于\emph{Parallelized Stochastic Gradient Descent}的新型\emph{Decentralized Spatial-Temporal Compressive Sensing}框架。通过经由分布式优化学习\emph{low-rank structure}，CSWA使用本地存储在每个成员的移动终端中的传感器数据来近似每个感测周期的每个子区域（覆盖的和未覆盖的）中的传感器数据的值。基于真实世界数据集的仿真实验表明，CSWA具有低近似误差（即，在城市范围的温度感测任务中小于$0.2 ^\circ$ C，在城市空气污染感测中小于PM2.5指数的$10$单位），并且基于数据聚合和集中计算执行接近（有时优于）最先进的算法。
2017-11-15 cs.LG cs.SI
Highly engaging events reveal semantic and temporal compression in online community discourse
基于 Reddit 对话数据，研究发现高参与度现实事件会引发在线社区话语的语义和时间压缩，表现为词汇重复、节奏加快和情绪增强，且该模式在多种事件中普遍存在。
2025-02-21 cs.CY cs.SI physics.soc-ph
Spectral clustering for dependent community Hawkes process models of temporal networks
Department of Statistics The Ohio State University（统计学系俄亥俄州立大学）；Department of Electrical Engineering and Computer Science University of Toledo（电气工程与计算机科学系托莱多大学）；Department of Computer and Data Sciences Case Western Reserve University（计算机与数据科学系凯斯西储大学）
针对时间网络中的社区结构与节点对依赖性，提出依赖社区Hawkes（DCH）模型，结合随机块模型与相互激发Hawkes过程，推导了谱聚类误聚类误差的非渐近上界，并提出基于广义矩估计的高可扩展参数估计方法。
2025-05-28 cs.LG cs.SI stat.ME
WCCS: Efficient Wedge Conductance Community Search over Large Temporal Bipartite Graphs (Full Paper)
College of Computer and Information Science, Southwest University（西南大学计算机与信息科学学院）；Huazhong University of Science and Technology（华中科技大学）；Beijing Institute of Technology（北京理工大学）
针对现有二部图社区搜索忽略时序动态、高阶交互及社区质量的问题，提出WCCS问题，通过(α,β,τ)-楔形核和时序楔形传导率度量，结合在线过滤-扩展框架与离线压缩索引，在七个真实数据集上验证了高效性。
2026-09-16 cs.SI
Community Shaping in the Digital Age: A Temporal Fusion Framework for Analyzing Discourse Fragmentation in Online Social Networks
本文提出一种融合文本与网络时序数据的框架，通过Twitter案例识别歧视话语碎片，揭示在线社区形成演化机制及其对社会极化的影响。
2024-09-18 cs.CY cs.SI
Modeling Risk Perception in Networks with Community Structure
我们研究了全球，地方和社区层面的风险认知的灭绝概率的疾病在几个模型的社交网络的影响。特别是，我们研究的传染进展作为一个易感染的易感（SIS）模型的几个模块化网络，形成了一定数量的随机和无标度社区。我们发现，在无标度网络中的进展是更快的比随机的具有相同的平均连通度。对于感知的作用，我们发现，在自己的邻居的感染水平的知识是最有效的属性在阻止疾病的传播，但在同一时间更昂贵的所需信息的数量方面，因此成本/效益最佳是几个参数之间的权衡。
2012-12-04 cs.SI physics.soc-ph
Topic Community Based Temporal Expertise for Question Routing
基于社区的问答网站中的问题路由旨在向最有可能提供“接受答案”的潜在用户推荐新发布的问题。大多数现有的方法基于用户过去的问答行为和新问题的内容来预测用户的专业知识。然而，这些方法在三个方面受到挑战：1）用户过去记录的稀疏性导致缺乏个性化推荐，有时不匹配用户的兴趣或领域专业知识，2）基于所有问题和答案内容的建模使得周期性更新在计算上昂贵，以及3）尽管CQA站点是高度动态的，但它们大多被认为是静态的。本文提出了一种新的QR方法，解决了上述挑战。它基于用户在主题社区上的活动的动态建模。在三个真实数据集上的实验结果表明，该模型的性能明显优于竞争基准模型
2022-07-05 cs.IR cs.SI
Random walk based snapshot clustering for detecting community dynamics in temporal networks
本文提出一种基于随机游走的快照聚类方法，用于检测时间网络中的社区动态，包括结构变化和低维表示，并通过合成与真实数据验证其有效性。
2025-07-10 cs.SI math.DS
Discovering Communities in Continuous-Time Temporal Networks by Optimizing L-Modularity
UCBL, CNRS, INSA Lyon, LIRIS, UMR5205, F-69622 Villeurbanne, France；UCBL \& IUF, CNRS, LIRIS UMR5205, F-69622 Villeurbanne, France
针对连续时间时序网络的社区检测需求，该研究提出通过贪心优化纵向模块度的LAGO方法，可精准捕捉节点社区进出时刻，在合成与真实数据集上验证了其高效挖掘时序拓扑一致社区的能力。
2025-10-01 cs.LG cs.SI
EGBTER: Capturing degree distribution, clustering coefficients, and community structure in a single random graph model
随机图模型是数据分析应用和纯数学发展的重要结构，因为它们提供了网络合成和原理分析的能力。已经开发了几种模型，其目的是忠实地保留重要的图度量和子结构。为了在一个随机图模型中捕获度分布、聚类系数和社区，我们提出了一个新的模型来解决网络建模能力进展中的缺点。Seshadhri等人的块两级Erd{Ign}s-R{é}nyi（BTER）模型，被设计为允许预期程度和聚类系数分布的规定，忽略了社区建模，而Bridges等人的广义BTER（GBTER）模型，旨在为BTER添加社区建模功能，努力同时忠实地表示所有三个特征。在这项工作中，我们适合BTER和两个GBTER配置几个真实世界的网络，并比较结果与我们的新模型，扩展GBTER（EGBTER）模型。我们的研究结果支持EBGTER增加了社区建模的灵活性，BTER，同时保持了令人满意的准确度和聚类系数。我们的见解和实证检验以前的模型，以及新的模型是新的文献贡献。
2018-08-03 cs.SI physics.soc-ph
Hawkes based Representation Learning for Reasoning over Scale-free Community-structured Temporal Knowledge Graphs
School of Software, Dalian University of Technology（大连理工大学软件学院）
针对真实 TKG 的社区结构、无标度长尾分布与事件时间衰减特征，提出 HERLN，通过社区发现、Hawkes 关系图卷积网络和条件解码提升推理性能。
2024-12-28 cs.AI cs.LG cs.SI
A Survey of Community Detection Approaches: From Statistical Modeling to Deep Learning
Tianjin University（天津大学）；Monash University（莫纳什大学）；Macquarie University（麦考瑞大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Washington University（华盛顿大学）
社区发现是网络分析中的一项基本任务，其目的是将网络划分为多个子结构，以揭示其潜在功能。社区发现已被广泛研究并广泛应用于许多现实世界的网络问题。社区发现的经典方法通常利用概率图模型并采用各种先验知识来推断社区结构。随着网络方法试图解决的问题和要分析的网络数据变得越来越复杂，新的方法也被提出和开发，特别是那些利用深度学习并将网络数据转换为低维表示的方法。尽管最近的进展，仍然缺乏深刻的理解社区发现，这将是至关重要的网络分析领域的未来发展的理论和方法基础。在本文中，我们开发和提出了一个统一的架构网络社区发现方法来表征国家的最先进的领域的社区发现。具体来说，我们提供了一个全面的审查现有的社区发现方法，并介绍了一个新的分类，将现有的方法分为两类，即概率图模型和深度学习。然后，我们将详细讨论这两类方法背后的主要思想。此外，为了促进社区发现的未来发展，我们发布了几个问题领域的基准数据集，并强调了它们在各种网络分析任务中的应用。最后，我们讨论了该领域的挑战和未来研究的可能方向的建议。
2021-08-14 cs.AI cs.LG cs.SI
Flow stability for dynamic community detection
许多系统表现出复杂的时间动态，由于同时发生的不同过程的存在。在这样的系统中，一个重要的任务是提取一个简化的视图，其时间依赖的相互作用网络。时间网络中的社区检测通常依赖于时间窗口上的聚合或考虑不同平稳时期的序列。对于基于动力学的方法，试图推广静态网络方法也面临着根本的困难，即动态的稳态并不总是存在。在这里，我们推导出一种方法的基础上演变的时间网络上的动态过程。我们的方法允许动态，不达到稳定状态，并揭示了两组社区为一个给定的时间间隔，占排序的边缘在向前和向后的时间。我们表明，我们的方法提供了一种自然的方式来解开不同的动力学尺度存在于一个系统与合成和现实世界的例子。
2022-05-20 cs.SI math.DS physics.data-an
Want to bring a community together? Create more sub-communities
了解重叠的社区结构对于网络分析和预测至关重要。关联图模型（Affiliation Graph Model，AGM）是解释密集重叠群落结构的最常用模型之一。在本文中，我们彻底重新研究了AGM模型在真实数据集上所做的假设。我们发现，AGM模型是不足以解释流行的现实世界的网络中观察到的几个经验行为。令人惊讶的是，我们所有的实验结果都可以用一个无参数假设来解释，这使得建模比AGM更简单，因为AGM有很多参数。基于这些研究结果，我们提出了一个无参数的Jaccard为基础的关联图（JAG）模型，该模型的边缘作为一个网络特定的常数倍的Jaccard与个人相关的社区集之间的相似性的概率。我们的建模比AGM简单得多，它消除了将参数（概率值）与每个社区相关联的需要。此外，JAG模型自然地解释了为什么（以及实际上何时）重叠的社区密集连接。基于这些观察，我们提出了一个新的社区驱动的友谊形成过程，数学恢复的JAG模型。JAG是第一个指出给定社区中的紧密连接与其中重叠社区的数量之间存在直接因果关系的模型。因此，\emph{the most effective way to bring a community together is to form more sub-communities within it.}基于我们建模的社区发现算法与现有的基于链接分析的方法相比，在六个真实世界的网络数据集上展示了一个非常…
2018-07-13 cs.SI physics.soc-ph
Measuring and Modeling Bipartite Graphs with Community Structure
网络科学是分析从社会学到工程学再到生物学等领域复杂系统的有力工具。本文主要研究大规模二部图（也称为双向图或双模网络）的生成模型。我们提出了两个生成模型，可以轻松调整以再现现实世界网络的特征，不仅是定性的，而且是定量的。我们考虑的特征是度分布和变态系数。变态系数是聚类系数的二分类似物，是参与长度为4的循环的长度为3的路径的比例。变态系数高是群落结构紧密的必要条件。我们定义了边，节点和度变态系数，使更详细的了解的二分连接，这是不能解释的程度分布单独。我们的第一个模型，二分Chung-Lu（CL），能够再现真实世界的度分布，我们的第二个模型，二分块两级Erdös-Rényi（BTER），再现度分布以及度变态系数。我们证明了这些模型的有效性在几个现实世界的数据集。
2016-10-29 cs.SI physics.soc-ph
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
MNTD: An Efficient Dynamic Community Detector Based on Nonnegative Tensor Decomposition
本文提出MNTD模型，通过融合模块度最大化的非负张量RESCAL分解提取时序社区结构并优化划分，解决了非负矩阵分解无法刻画动态网络时序变化的问题，在真实数据集上检测准确性优于现有方法。
2024-07-26 cs.CY cs.SI
Estimating Community Feedback Effect on Topic Choice in Social Media with Predictive Modeling
社交媒体用户发布各种主题的内容。社交媒体的一个定义性特征是其他用户可以以评论、回复和转发的形式对其内容提供反馈（称为社区反馈）。我们假设收到的反馈量会影响社交媒体用户发布的主题的选择。然而，这是具有挑战性的，以测试这一假设的用户异质性和外部混杂因素复杂的测量反馈效果。在这里，我们用一种预测方法来研究这个假设，这种方法基于作者决定继续他们以前文章的主题的可解释模型。通过优化预测准确率，我们探索了混杂因素，包括作者的主题偏好和未观察到的外部因素，如新闻和社会事件。这种方法使我们能够识别哪些用户容易受到社区反馈的影响。总体而言，我们发现Reddit和Twitter上分别有33%和14%的活跃用户受到社区反馈的影响。该模型表明，这种反馈改变主题继续的概率高达14%，这取决于用户和反馈量。
2021-03-08 cs.SI
Learning and Clustering on Temporal Graphs: Principles, Primitives, and Pooling
该研究针对时序图聚类任务，从原理、基元与池化三方面展开，提出 GPU 加速基元实现高效时序聚类，为理论导向的池化提供路径，明确了算法与神经模型的适用场景。
2026-08-05 cs.LG cs.SI
STEC-Net: A Spatiotemporal Graph Neural Framework for Community Discovery in Dynamic Social Networks
Southern Methodist University（南方卫理公会大学）；Qilu Bank（齐鲁银行）
提出STEC-Net，一种集成图卷积网络、门控循环单元和自组织映射的时空图神经框架，用于动态社交网络中的社区发现，在多种动态网络上优于传统方法。
2026-05-22 cs.SI
Community detection and reciprocity in networks by jointly modeling pairs of edges
为了揭示网络的驱动模式，最流行的模型依赖于社区发现算法。然而，这些方法通常无法再现网络的结构特征。因此，总是试图开发模型，将这些网络属性旁边的社区结构。在这项工作中，我们提出了一个概率生成模型和一个有效的算法来执行社区发现和捕获网络中的互惠性。我们的方法联合模型的边缘对精确的2-边缘联合分布。此外，它还提供了边际分布和条件分布的封闭形式的解析表达式。我们在恢复社区、边缘预测任务和生成复制真实网络中观察到的互惠值的合成网络中验证了我们的合成数据模型。我们还强调了这些发现在两个真实的数据集，是相关的社会科学家和行为生态学家。我们的方法克服了标准算法和最近的模型，通过一个伪似然近似的互易性的局限性。模型参数的推断是由高效和可扩展的期望最大化算法实现的，因为它利用了数据集的稀疏性。我们在线提供代码的开源实现。
2022-09-06 cs.SI stat.AP
Mosaic benchmark networks: Modular link streams for testing dynamic community detection algorithms
针对现有动态社区检测评估方法不适用于高细节链接流的问题，研究提出可生成带预定义社区的合成模块化链接流的新型框架，评估发现各成熟检测方法无绝对优胜者但存在显著差异。
2023-10-04 cs.SI
Detecting Patterns of Interaction in Temporal Hypergraphs via Edge Clustering
Toronto Metropolitan University（多伦多都会大学）；Tutte Institute for Mathematics and Computing（塔特数学与计算研究所）
本文提出通过边聚类方法检测时间超图中交互模式，利用结构相似性函数发现顶点簇以辅助后续任务。
2025-06-03 cs.SI
Predicting Stability of Community Members in Complex Networks
在这项工作中，我们分析和预测复杂网络中社区的稳定性。我们使用一种称为个人资料接近度的接近中心性变体来衡量成员对其社区的忠诚度。我们表明，配置文件的接近度是一个足够的指标，社区如何在网络中发展。我们调查这在静态和动态（时间）网络，并建立在预测一个复杂的网络的演变的轮廓接近的相关性。关键词：小世界网络，中心性，社区，封闭性，聚类
2022-07-13 cs.DM cs.SI physics.soc-ph
A Fast and Efficient Incremental Approach toward Dynamic Community Detection
社区发现是网络科学家用来分析真实网络结构的发现工具。它试图识别输入网络中可能存在的自然划分，这些划分将顶点划分为连贯的模块（或社区）。虽然这个问题空间有丰富的高效算法和软件，但大多数文献都迎合了底层网络不变的静态用例。然而，许多新兴的现实世界用例需要将动态图作为输入。在本文中，我们提出了一个快速，有效的增量方法动态社区发现。关键的贡献是一个通用的技术称为$Δ-screening$，检查最近一批的输入图的变化，并选择一个子集的顶点重新评估潜在的社区（重新）分配。该技术可以被结合到任何使用模块性作为其聚类目标函数的社区发现方法中。出于演示的目的，我们将该技术纳入两个著名的社区发现工具。我们的实验表明，我们的新的增量方法是能够产生性能加速而不影响输出质量（尽管其启发式性质）。例如，在一个具有63M时间边缘（超过12个时间步）的真实网络上，我们的方法能够在1056秒内完成，比基线实现提高了3倍的速度。除了展示性能优势，我们还展示了如何使用我们的方法来描绘适当的时间分辨率间隔，以分析输入网络。
2019-04-19 cs.SI physics.soc-ph
