Identifying Influential Nodes in Bipartite Networks Using the Clustering Coefficient
复杂网络中影响节点的识别是一个非常具有挑战性的问题。如果网络具有社区结构，则中心性度量可能无法识别完整的有影响力的节点集，因为网络的集线器和其他中心节点可能仅位于一个社区内。在这里，我们定义了一个二分聚类系数，通过考虑不同结构的集群，可以找到跨社区的重要节点。
2015-03-20 cs.SI physics.soc-ph
Keyword-based Community Search in Bipartite Spatial-Social Networks (Technical Report)
Kent State University（肯特州立大学）；University of Zakho（扎赫奥大学）
本文提出了一种新的双分空间-社交网络社区搜索方法，通过引入(ω, π)-关键词核心，有效过滤无关用户和兴趣点，提升查询效率。
2026-04-08 cs.SI
Modularity and Projection of Bipartite Networks
研究了二分网络上基于模块度最大化的社区发现问题。特别是，我们感兴趣的投影操作，使用一个节点集的二分网络，以推断节点之间的连接，在其他设置，互动与社区发现。我们首先定义了一个概念的模块化适当的投影二分网络，并概述了一个算法，最大化它，以划分网络。使用真实和合成网络，我们比较了由五种不同算法发现的社区，其中每种算法最大化不同的模块化函数，并看到二分结构的不同方面。基于这些结果，我们提出了一个简单的启发式寻找社区的二分网络。
2019-08-07 cs.SI physics.soc-ph
Hierarchical Community Detection in Bipartite Networks
University of Houston（休斯顿大学）
本文提出了一种基于模ularity的新型目标函数，用于双网络中的分层社区发现，通过可调分辨率参数揭示多尺度社区结构，适用于加权双网络。
2026-04-09 cs.SI physics.comp-ph
Common neighbours and the local-community-paradigm for link prediction in bipartite networks
二分网络是对复杂系统的有力描述，其特征在于两个不同类别的节点和连接只允许跨越而不允许在两个类别内。令人惊讶的是，目前的复杂网络理论提出了一个理论瓶颈：一个通用的框架，直接在二分域基于局部的链接预测是失踪。在这里，我们克服了这一理论障碍，并提出了一个正式的定义，共同的邻居指数（CN）和本地社区范例（LCP）的二分网络。因此，我们能够引入第一个基于节点邻域和基于LCP的模型，利用二分域的拓扑链接预测。我们在几个不同规模和不同来源的网络中进行了链接预测评估，包括技术，社会和生物系统。我们的模型显着提高了许多二分网络的拓扑预测，因为它们利用本地的物理驱动力，参与许多现实世界的二分网络的形成和组织。此外，我们提出了一个基于本地的形式主义，允许直观地实现基于邻域的链接预测完全在二分域。
2015-12-12 cs.SI nlin.AO physics.soc-ph
Community detection in bipartite signed networks is highly dependent on parameter choice
本文系统评估了二分符号网络上社区检测方法的有效性，发现无社区时易产生虚假社区，有社区时性能高度依赖参数选择，强调需进行参数稳健性评估或外部验证。
2025-01-27 cs.SI physics.soc-ph stat.ME
Community detection for networks with unipartite and bipartite structure
发现网络中的社团结构在网络科学、技术和应用中具有重要意义。迄今为止，大多数旨在寻找社区结构的算法只关注单部或二部网络。单部网络由一组节点组成，二部网络由两组不重叠的节点组成，只有链接连接不同集合中的节点。然而，存在第三种类型的网络，这里定义为混合网络。和二分网络一样，混合网络也由两组节点组成，但有些节点可能同时属于两组，这打破了二分网络的不重叠限制。混合网络可以被认为是一般情况，单部和二部网络被视为其限制情况。混合网络不仅可以表示所有的单部网络和二部网络，还可以表示在生物学和社会科学等领域中无法正确表示为单部网络或二部网络的各种现实网络。基于这一观察，我们首先提出了一个概率模型，该模型可以在基于单部无向网络的链接社区模型的统一框架中找到单部，二部和混合网络中的模块[B Ball et al（2011 Phys. Rev. E 84 036103）]。我们在合成网络（重叠和非重叠社区）上测试我们的算法，并将其应用于两个真实世界的网络：南方女性二分网络和人类转录调控混合网络。结果表明，我们的模型表现良好的所有三种类型的网络，是有竞争力的单部或二部网络的其他算法，并适用于现实世界的网络。
2014-09-12 cs.SI physics.soc-ph q-bio.QM
Refinement for community structures of bipartite networks
由二分节点集组成的二分网络在自然界和社会中普遍存在。部分为了简单起见，许多研究都集中在他们的投影到他们的unipartite版本，其中只需要关心一个单一类型的节点。然而，当涉及到社区等中尺度结构时，适当地纳入先验结构限制（如二元性）就变得更加重要。在本文中，作为一个案例研究，我们采取的社区结构的二分网络在不同的尺度上检查的信息量的二分性编码的社区检测过程。特别是，我们报告的鲁棒性的可靠性检测社区的一致性的基础上，通过比较检测算法与或不考虑二元性。从嵌入指定社区的模型网络和真实网络的分析中，我们发现，考虑到二元性的社区检测明显比没有这样的结构信息的社区结构更强大。这证明了定制的社区检测算法的必要性，通过编码任何信息是已知的网络的利益，并在同一时间，提出了一个有趣的问题，估计定量的信息量从这样的定制的可能性。
2021-12-30 cond-mat.stat-mech cs.SI physics.soc-ph
Community Detection in Bipartite Networks with Stochastic Blockmodels
University of Colorado（科罗拉多大学）；BioFrontiers Institute（生物前沿研究所）
在二分网络中，社区结构被限制为区分性的，因为一种类型的节点根据与另一种类型的节点的共同连接模式进行分组。这使得随机块模型（SBM），一个高度灵活的生成模型的网络块结构，一个直观的选择二分社区检测。然而，SBM的典型公式不使用二分网络的特殊结构。在这里，我们介绍了贝叶斯非参数制定的SBM和相应的算法，以有效地找到社区的二分网络吝啬地选择社区的数量。当数据有噪声时，biSBM改进了一般SBM的社区检测结果，将模型分辨率限制提高了$\sqrt{2}$倍，并扩展了我们对与社区检测任务相关的复杂优化环境的理解。在biSBM和相关的高分辨率分层SBM的先验分布的某些条款的直接比较也揭示了一个违反直觉的制度的社区检测问题，由更小和更稀疏的网络，其中非分层模型优于其更灵活的对应。
2020-09-29 cs.LG cs.SI physics.soc-ph
Effective Community Search on Large Attributed Bipartite Graphs
二部图上的社区搜索最近引起了极大的兴趣。在电子商务中的用户-项目二部图、电影评分网站中的客户-电影二部图等应用中，节点往往具有属性，而以往的二部图社区搜索算法忽略了属性，使得返回的结果与节点属性的内聚性较差。本文研究了属性二部图上的社团搜索问题。给定一个查询顶点q，我们的目标是找到$G$的属性$\left(α,β\right)$ -社区，其中社区的结构内聚性由$\left(α,β\right)$ -核心模型描述，子图中两组节点的属性相似性最大化.为了从二分图中检索属性社区，我们首先提出了一个基本算法，该算法包括两个步骤：候选关键字集的生成和验证，然后提出了两个改进的查询算法Inc和Dec。Inc算法，然后采用不同的候选关键词集生成方法和验证顺序，提出了Dec算法。在八个大型图上评估了我们的解决方案后，实验结果表明，我们的方法在二分图上查询属性社区是有效的。
2023-03-01 cs.DB cs.SI
Top-r Influential Community Search in Bipartite Graphs
针对二分图中最小顶点权重无法准确反映社区影响力的缺陷，提出基于两层平均顶点权重的 $(α,β)$-影响力社区模型，并设计了精确递归算法与贪心近似算法以高效识别 top-$r$ 社区。
2025-09-16 cs.SI
Mapping Flows on Bipartite Networks
映射网络流提供了对网络组织的洞察，但是即使许多真实网络是二分的，也没有映射流的方法利用二分结构。丢弃这些信息，我们会错过什么？我们如何使用它来更好地理解二分网络的结构？映射方程模型的网络流与随机游走，并利用压缩和寻找搜索引擎之间的信息理论的二重性来检测网络中的社区。然而，它没有使用二分网络中的随机游走在节点类型之间交替的事实，信息值1位。为了使部分或全部这些信息可用于地图方程，我们开发了一种编码方案，以不同的速率记住节点类型。我们探索了从没有节点类型信息到完整节点类型信息的二分现实世界网络的社区景观，发现以更高的速率使用节点类型通常会导致更深的社区层次和更高的分辨率。网络流的相应压缩超过了所提供的额外信息量。因此，利用二分结构提高了分辨率，并揭示了更多的网络结构。
2020-10-09 cs.SI physics.soc-ph
Efficient Community Detection Over Streaming Bipartite Networks (Technical Report)
本文提出在流式双分网络中发现社区的新方法，通过蝴蝶模式定义社区结构，并设计剪枝策略和分层摘要以高效处理社区发现问题。
2025-11-23 cs.DB cs.SI
Skyline Community Search over Edge-Attributed Bipartite Graphs
State Key Lab of AI Safety, Institute of Computing Technology, CAS（中国科学院计算技术研究所人工智能安全国家重点实验室）；School of Computing and Data Science, The University of Hong Kong（香港大学计算与数据科学学院）；University of Chinese Academy of Sciences（中国科学院大学）
本文提出边属性Skyline社区模型，通过迭代删除最小属性边和扩展算法提升效率，实验证明其在大规模数据集上的有效性与扩展性。
2026-04-27 cs.GR cs.SI
Measuring robustness of community structure in complex networks
社团结构理论是研究真实网络的有力工具，它可以大大简化网络的拓扑和功能分析。然而，由于社团发现方法存在随机性，而从复杂系统中得到的真实社交网络往往含有错误边，因此评价社团结构的鲁棒性是一个迫切而重要的任务。本文利用哈密顿函数中分辨率参数的临界阈值$γ_C$来度量网络的鲁棒性。根据谱理论，严格证明了所提出的指标与群落结构的鲁棒性成反比。此外，利用协同进化模型，我们提供了一个新的有效的方法来计算值的$γ_C$。该研究具有坚实的数学基础和实验效果，可应用于网络分析和数据挖掘中的广泛聚类问题。
2015-03-27 cs.SI physics.soc-ph
Bipartite Network Model for Inferring Hidden Ties in Crime Data
某些罪行几乎不是由个人犯下的，而是由一群同伙和附属人员精心组织的，他们彼此之间的联系很松散，由一个或一小群个人协调整体行动。要了解犯罪集团的组织结构，一个共同的出发点是查明罪犯及其同伙。在许多犯罪数据集中，罪犯之间没有直接联系。在本文中，我们调查犯罪数据中的联系和社区结构，以了解传统和网络犯罪分子的运作，并预测有组织犯罪网络的存在。我们的贡献是双重的：本文提出了一个二分网络模型，用于推断发起非法交互的行为者和受交互影响的对象之间的隐藏联系，然后使用标准网络算法进行结构和社区分析，在两个案例研究中对该方法进行了验证。顶点级指标和社区分析结果表明，我们的工作在理解有组织犯罪网络的运作和结构方面具有重要意义，这些网络在数据中并不明显。识别这些群体并映射它们之间的关系对于未来制定更有效的破坏战略至关重要。
2015-10-08 cs.SI physics.soc-ph
Parallel Toolkit for Measuring the Quality of Network Community Structure
许多网络显示出社区结构，它识别出节点组，其中连接比它们之间的连接更密集。检测和描述这种社区结构，即社区发现，是网络系统研究的基本问题之一。它在过去几年中受到了相当大的关注。已经开发了许多技术用于高效和有效的社区发现。其中，效率最高的算法是标签传播算法，其计算复杂性为O（|E|）。虽然它在边的数量上是线性的，但对于非常大的网络来说，运行时间仍然太长，需要并行的社区发现。此外，计算社区结构的社区质量度量在有和没有地面实况的情况下都是计算上昂贵的。然而，到目前为止，我们还没有意识到任何努力，介绍并行处理这个问题。在本文中，我们提供了一个并行工具包来计算这些指标的值。我们分别在分布式存储机和共享存储机上对并行算法进行了评价。实验结果表明，它们产生了显着的性能增益超过顺序执行的总运行时间，加速比和效率。
2015-07-20 cs.SI physics.soc-ph
Exact Community Recovery in Bipartite Networks
Chongqing University of Technology（重庆理工大学）
本文针对二部网络中的社区检测问题，提出基于对角删除Gram矩阵的谱聚类算法，证明其在温和条件下可实现精确恢复，并扩展到度校正模型，实验验证了理论结果。
2026-09-14 cs.SI math.ST stat.ML
Bipartite mixed membership distribution-free model. A novel model for community detection in overlapping bipartite weighted networks
针对重叠二分加权网络缺乏建模方法的问题，提出无分布的 BiMMDF 模型及一致性估计算法，支持符号网络与缺失边，并在合成和八个真实网络上验证优势。
2024-04-05 cs.SI physics.data-an stat.ML
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
Measuring the effect of node aggregation on community detection
很多时候，复杂网络的节点，无论是有意还是无意，都是出于技术、道德、法律限制或隐私原因而聚合的。一个常见的例子是地理位置：人们可以在一个地点网络中发现社区，或者发现具有典型地理位置的个人，然后将这些地点聚合成更大的实体，例如市政当局，从而获得另一个网络。在不同聚合水平下获得的网络中发现的社区可能表现出不同程度的相似性，从完全对齐到完全独立。这类似于统计学中的生态和原子谬误问题，或者地理学中的修正面积单位问题。我们确定的类社区检测算法最适合应付节点聚集，并开发一个指数的可聚集性，捕捉到何种程度的聚集保留社区结构。我们说明了它的现实世界的例子（手机和Twitter的回复网络）的相关性。我们的主要信息是，在聚合网络上进行的任何节点划分分析都应该谨慎解释，因为结果可能会受到聚合水平的强烈影响。
2020-03-28 cs.SI physics.soc-ph
Matched bipartite block model with covariates
社区发现或聚类是网络数据分析中的一项基本任务。许多真实网络都具有二分结构，这使得社区发现具有挑战性。在本文中，我们考虑一个模型，它允许匹配的社区在二分设置，除了节点协变量的匹配信息。我们基于变分推理思想推导出一种简单的快速模型拟合算法，并在模拟数据和真实数据上证明了其有效性。的模型，以允许度校正的变化也被认为是，除了一种新的方法来拟合这种度校正模型。
2017-03-15 cs.LG cs.SI stat.ML
Structure-Preserving Community In A Multilayer Network: Definition, Detection, And Analysis
多层网络或MLN（也称为多路复用或网络的网络）被广泛用于具有多个实体和特征类型以及它们之间的关系的数据集的建模和分析。由于社区和枢纽的概念用于这些分析，因此在MLN上对它们进行结构保留定义（保留原始MLN结构和节点/边缘标签和类型）及其有效检测至关重要。对于MLN，没有结构保持的社区定义，因为大多数当前分析将MLN聚合到单个图中。虽然对于单一图（和检测包）以及在较小程度上对于同构MLN的社区定义存在共识，但对于异构MLN缺乏共识。本文不仅首次给出了保结构的定义，而且利用解耦方法给出了保结构的有效计算，并讨论了保结构的特征及其分析意义。所提出的解耦方法的效率相结合的社区从各个层，形成一个串行k-社区连接k层的MLN。我们提出了几个权重指标组成层式社区使用的二分图匹配方法的分析语义的基础上。我们提出的方法具有许多优点。它：i）利用现存的单图社区发现算法，ii）基于用于组成k层的广泛使用的最大流二分图匹配，iii）引入针对社区概念定制的若干权重度量，以及iv）从广泛使用的IMDb数据集上的灵活分析角度实验性地验证定义、映射和效率。关键词：异构多层网络;二分图;社区定义和检测;基于解耦的组合
2019-03-06 cs.DB cs.SI physics.soc-ph
Analysis of spectral clustering algorithms for community detection: the general bipartite setting
我们认为谱聚类算法的社区检测下一般的二分随机块模型（SBM）。现代谱聚类算法由三个步骤组成：（1）适当的邻接矩阵或拉普拉斯矩阵的正则化（2）谱截断的形式和（3）减少谱域中的k-means型算法。我们专注于基于邻接的谱聚类，并为第一步，提出了一种新的数据驱动的正则化，即使对于稀疏网络，也可以恢复邻接矩阵的浓度。这个结果是基于最近的随机二进制矩阵的正则化工作，但避免使用未知的人口水平参数，而是从数据中估计必要的数量。我们还提出并研究了一种新的变化的频谱截断步骤，并显示这种变化如何改变的性质的误分类率在一般的SBM。然后，我们将展示如何将一致性结果扩展到SBM之外的模型，例如具有近似聚类的非均匀随机图模型，包括图子聚类问题，以及一般的亚高斯双聚类。本文的一个主题是提供一个更好的理解分析的谱方法社区检测和建立一致性的结果，在相当一般的聚类模型和广泛的制度的程度增长，包括稀疏的情况下，平均预期的程度增长任意缓慢。
2018-12-22 cs.SI math.ST stat.ML
A Computationally Efficient Framework for Overlapping Community Detection in Large Bipartite Graphs
本文提出了一种基于部分 BCPC 的高效算法，用于在大规模双分图中识别重叠社区，显著提高了 BCPC 检测的效率。
2025-12-22 cs.DB cs.SI
A New Approach to Detect Important Members that Create the Communities in Bipartite Networks
我们周围的世界由彼此之间有着不同关系的物体组成。这些通信的结果是各种网络，其中一部分是二分网络。虽然许多研究已经调查了必要的网络成员，很少有人关注的二分图。另一方面，网络分析最关键的方面之一是检测和提取网络结构中出现的社区。出于这些原因，我们引入了一个称为H. H的度量来识别二分图的单模投影中社区形成中的有影响力的节点。影响这一衡量标准的三个主要参数是已形成社区的规模、每个节点在社区形成中的作用以及该节点产生影响的社区数量。本文的结果显示了这种措施与其他中心性（特征向量中心性，接近中心性，介数中心性，度中心性）的差异，以及这种措施如何考虑到其他中心性不考虑的方面。通过H.H.得分，我们可以找到有效形成社区的基本节点，并通过删除这些节点，社区可以被消除。任何现有的中心都没有解决这个问题，这种措施有足够的独立性，代表社区形成的重要节点。在两个真实世界的数据集上进行了实验验证：南方妇女网络和个人犯罪网络。在Person-Crime数据集上实施H.H.得分的结果表明，通过消除H.H.得分最高的节点（前10%），29%的社区发生了变化;而中心性改变了18%的社区的平均值，这表明了H.H.得分的重要性。
2021-12-02 cs.SI
Measuring Node Contribution to Community Structure with Modularity Vitality
社区感知中心性是网络科学中的一个新兴研究领域，关注节点对社区结构的重要性。测度是网络结构和给定分区的函数。以前的方法扩展了经典的中心性措施，占社区结构与社区发现理论的联系不大。相比之下，我们提出了集群质量的活力措施，即，模块化活力，这是一个社区意识的衡量标准，它充分基于中心性和社区发现理论。模块化活力量化了节点对社区结构的积极和消极贡献，表明节点作为社区桥梁或枢纽的作用。我们推导出一个计算效率高的方法，计算模块化生命力的所有节点在O（M + NC）的时间，其中C是社区的数量。我们通过移除中心节点来系统地分割网络，并发现模块化活力始终优于现有的社区感知中心性措施。在百万节点的基础设施网络上，模块化活力的效率是次优方法的8倍以上。这一结果并不适用于社交媒体通信网络，社交媒体通信网络对所有社区感知中心攻击都表现出极强的鲁棒性。这种稳健性表明，以用户为基础的干预措施，以减轻错误信息的传播将是无效的。最后，我们证明了模块化的生命力提供了一种新的方法来社区欺骗。
2021-01-07 cs.SI
Universality of preference behaviors in online music-listener bipartite networks: A Big Data analysis
我们调查了中国最大的在线音乐平台之一网易云音乐（NCM）的数百万用户的音乐偏好的形成。我们将复杂网络理论和信息科学的方法结合在大数据分析的背景下，揭示了音乐偏好行为形成和演变的统计模式和社区结构。我们的分析涉及音乐影响力的衰减模式、用户对音乐的敏感度、年龄和性别差异以及它们与区域经济指标的关系。采用社区发现在用户音乐二分网络，我们确定了八个主要的文化社区的人口的NCM用户。女性用户表现出更高的组内偏好行为的变异性比男性，与25岁左右发生的重大转变。此外，女性的音乐品味和偏好多样性也与经济因素有更强的关联。然而，尽管音乐曲目的受欢迎程度和确定的文化和人口统计学差异存在很大差异，但我们观察到，随着时间的推移，音乐偏好的演变遵循幂律衰减函数，并且NCM听众对青春期发布的音乐表现出最高的敏感性，在13岁时达到顶峰。我们的研究结果表明，音乐品味的形成存在普遍的属性，但也有其特定的文化与人口因素的关系，具有广泛的影响社区发现和在线音乐平台的推荐系统设计。
2022-12-26 cs.CY cs.SI physics.soc-ph
Using tf-idf as an edge weighting scheme in user-object bipartite networks
二分用户-对象网络在Web或电子商务环境中表示用户交互数据方面变得越来越流行。它们具有某些特点和挑战，使其有别于其他双边网络。本文分析了五个现实世界中的用户-对象网络的性质。在所有情况下，我们都发现了一个重尾对象度分布，其中流行的对象将大部分用户连接在一起，从而导致投影用户网络中的显着边缘膨胀。我们提出了一种新的基于tf-idf的边缘加权策略，并证明了新方案提高了投影中社区结构的密度和质量。与部分随机网络相比，这种改进也是值得注意的。
2013-08-28 cs.IR cs.SI physics.soc-ph
Measuring the local GitHub developer community
创建排名可能看起来像是一种徒劳的凝视肚脐的练习，对于程序员这样的人来说更是如此。然而，在本文中，我们将试图证明如何在西班牙创建基于城市（或省）的排名导致了各种有趣的效果，包括提高生产力和社区建设。我们描述了我们用来搜索居住在一个特定省份的程序员的方法，重点是那些人口最集中的地方，并采用不同的措施来显示这些社区在结构，数量和生产力方面的差异。
2015-01-27 cs.SE cs.SI
NetPTR: Optimal Differentially Private Spectral Community Detection on Sparse Networks
National University of Singapore（新加坡国立大学）
提出NetPTR算法，通过稳定性测试和噪声扰动实现谱聚类的差分隐私，在度修正随机块模型下达到最优隐私预算，支持普通网络和二分网络。
2026-06-26 cs.SI stat.ME
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
Stability of similarity measurements for bipartite networks
相似性是网络分析和机器学习算法中的基本度量，具有广泛的应用，从个性化推荐到社会经济动态。我们认为，一个有效的相似性度量应该保证稳定性，即使在一些信息损失。通过比较从原始数据集中随机划分的两个数据样本的相似性矩阵，利用六个二分网络研究了十五种相似性度量的稳定性。结果表明，15个测量值可以很好地根据其稳定性分为3类，在同一类中的测量值具有相似的数学定义。此外，我们还提出了一种用于个性化推荐的$n$ -stability方法，发现不稳定的相似度会向用户推荐虚假信息，使用稳定的相似度可以大大提高推荐性能。该研究为相似性度量的分析和评价提供了一个新的维度，可以进一步应用于链接预测、个性化推荐、聚类算法、社区检测等领域。
2015-11-30 cs.SI physics.soc-ph
Bipartite Communities
对于给定的图$G$，令$A$是邻接矩阵，$D$是度的对角矩阵，$L' = D - A$是组合拉普拉斯算子，并且$L = D^{-1/2}L'D^{-1/2}$是归一化拉普拉斯算子。最近，对应于$L$和$L'$的最小特征值的特征向量由于其在社区检测中的应用而引起了极大的兴趣，社区检测是一个模糊定义的问题，其本质上寻求找到顶点集$S$，使得几乎没有边与$S$的恰好一个顶点相关联。社区检测和第二小特征值（以及相应的特征向量）之间的联系是众所周知的。$k$的最小特征值已被用于在同一个图中找到多个社区，并与理论严谨的理由使用$k \geq 3$特征对最近才被发现。$L$的最大特征对已经被更经典地用于解决MAX-CUT问题，该问题寻求找到顶点集$S$，该顶点集最大化与$S$的恰好一个顶点关联的边的数目。最近Trevisan提出了一个连接之间的最大特征值的$L$和递归方法的最大切割问题，寻求找到一个“二分社区”在每个阶段。这与寻找$A^TA$的最大特征值的Kleinberg的HITS算法有关。我们将提供一个理由与理论上的严谨性，寻找在$k$最大的特征值的$L$在同一个图中找到多个二分社区，然后提供一个启发式算法，找到强的二分社区，是基于直觉的理论方法。最后，我们将提出我们的算法应用到各种数据挖掘问题的结果。
2016-03-23 cs.SI math.CO
Evolutionary method for finding communities in bipartite networks
揭示网络结构和网络上定义的动态之间的关系的一个重要步骤是检测社区，并且已经分别开发了许多方法来识别不同类别的网络中的社区结构，例如单部网络，二部网络和有向网络。我们证明了单部网络和有向网络都可以表示为二部网络，并且它们的模块性与二部网络的模块性完全一致，其上的模块结构的检测可以重新表述为模块性最大化。为了优化二分模块，我们开发了一种改进的自适应遗传算法（MAGA），这是特别有效的社区结构检测。MAGA的高效率是基于我们所做的以下三个改进。首先，我们引入了一个不同的测量基因座的信息量，而不是标准差，它可以准确地确定哪些基因座突变。该度量是基因座在当前群体上的分布与基因座的均匀分布之间的偏差，即，Kullback-Leibler分歧其次，我们开发了一种重新分配技术，用于区分一个位点在初始阶段从随机状态中获得的信息状态。第三，我们提出了一种改进的变异规则，通过加入相关操作，可以保证MAGA收敛到全局最优，并可以加快收敛过程。实验结果表明，MAGA优于现有的方法在模块性方面的二部和单部网络。
2011-06-04 cond-mat.stat-mech cs.NE cs.SI
Jury-Contestant Bipartite Competition Network: Identifying Biased Scores and Their Impact on Network Structure Inference
一种常见的比赛形式是裁判对参赛者的表现进行评分，然后进行汇编以确定参赛者的最终排名。与另一种常见的比赛形式不同，即两名参赛者在足球或篮球比赛中进行面对面的比赛以产生胜利者，裁判的客观性容易受到质疑，这可能会破坏公众对比赛公平性的信任。在这项工作中，我们展示了，通过建模的法官-参赛者的竞争作为一个加权的二分网络，我们如何可以识别有偏见的分数，并衡量他们对我们的网络结构的推断的影响。以2015年著名的肖邦国际钢琴比赛为例，分析了一个广为人知的评分争议，我们发现，即使是一个统计上不具特征的分数也足以严重扭曲我们对社区结构的推断，这表明了检测和消除偏见的重要性。在这个过程中，我们还发现，不存在一个显着的系统范围内的偏见的法官基于种族的参赛者。
2016-08-08 cs.SI physics.soc-ph
HellRank: A Hellinger-based Centrality Measure for Bipartite Social Networks
在社交网络中，特别是在二分模式下，测量中心性带来了一些挑战，例如需要充分了解网络拓扑结构以及缺乏对前k个行为代表用户的正确检测。在本文中，为了克服上述具有挑战性的问题，我们提出了一个准确的中心性措施，称为HellRank，以确定中心节点的二分社交网络。HellRank基于二分网络同一侧的两个节点之间的Hellinger距离。我们从理论上分析了Hellinger距离对二分网络的影响，并找到了这个距离的上界和下界。HellRank中心性度量的计算可以通过让每个节点仅使用其直接邻居的本地信息来分布，因此不需要中心实体来完全了解网络拓扑结构。我们通过实验评估了HellRank度量与现实网络中其他中心性度量的相关性。结果表明，根据Kendall和Spearman秩相关系数，HellRank与其他传统度量之间存在部分排序相似性。
2017-03-17 cs.CY cs.SI physics.soc-ph
Finding overlapping communities in networks by label propagation
我们提出了一个算法，发现重叠的社区结构在非常大的网络。该算法基于Raghavan，Albert和Kumara的标签传播技术，但能够检测重叠的社区。与原始算法一样，顶点具有在相邻顶点之间传播的标签，以便社区成员就其社区成员资格达成共识。我们的主要贡献是扩展标签和传播步骤，包括有关多个社区的信息：每个顶点现在可以属于v个社区，其中v是算法的参数。我们的算法也可以处理加权和二分网络。在一组独立设计的基准测试和真实网络上的测试表明，该算法在恢复重叠社区方面非常有效。它也非常快，可以在短时间内处理非常大和密集的网络。
2010-10-14 cs.SI physics.soc-ph
Random Graph Generator for Bipartite Networks Modeling
Institute of Computer Science, Polish Academy of Sciences（波兰科学院计算机科学研究所）
这篇文章的目的是介绍一个新的迭代算法的性质类似于现实生活中的二部图。该算法能够生成各种各样的随机偶图，这些偶图的特征由一组参数决定，我们将近十年来在单部复杂网络建模方面的进展应用到偶图的设置中。这种数据结构可以在几种情况下观察到。然而，只有少数数据集可免费用于测试对这些数据进行操作的算法（例如社区发现、有影响力的节点识别、信息检索）。因此，需要人工数据集来增强算法的开发和测试。我们特别感兴趣的是将生成器应用于推荐系统的分析。因此，我们专注于两个特点，除了简单的统计，在我们看来，负责基于邻域的协同过滤算法的性能。特征是节点度分布和局部聚类系数。
2010-11-02 cs.AI cs.SI physics.soc-ph
What Makes Online Communities 'Better'? Measuring Values, Consensus, and Conflict across Thousands of Subreddits
使在线社交社区“更好”是一项具有挑战性的任务，因为在线社区在规模、主题焦点和治理方面都非常多样化。因此，一个社区重视的东西可能不被另一个社区重视。然而，社区价值观很难衡量，因为它们很少明确表述。在这项工作中，我们通过第一次大规模的社区价值调查来衡量社区价值，包括2，151个独立子Reddit中的2，769个Reddit用户。通过结合调查回应和对公共reddit数据的定量分析，我们描述了这些价值观在社区内部和社区之间的变化。在其他调查结果中，我们发现，社区成员不同意他们的社区是多么安全，长期的社区比新社区更重视30.1%的可信度，社区主持人希望他们的社区比非主持人社区成员少56.7%的民主。这些研究结果具有重要意义，包括表明必须注意保护弱势社区成员，参与性治理战略可能难以实施。社区价值的准确和可扩展的建模使研究和治理能够适应每个社区的不同价值。为此，我们证明了少量的自动量化功能捕获了显着但有限的社区之间的值的变化与ROC AUC为0.667的二进制分类任务。然而，大量的变化仍然存在，社区价值观建模仍然是未来工作的一个重要课题。我们公开我们的模型和数据，为社区设计和治理提供信息。
2022-05-10 cs.CY cs.HC cs.SI
Generalized network community detection
社区结构在很大程度上被认为是复杂现实世界网络的内在属性。然而，最近的研究表明，网络包括更复杂的模块比经典的凝聚力社区。更准确地说，现实世界的网络也可以根据节点之间的常见连接模式自然划分。最近，已经提出了一种基于传播的算法用于检测任意网络模块。在这里，我们提出了一个更充分的社区建模的基础上网络聚类后者。由此产生的算法评估各种合成基准网络和随机图。它被证明是目前国家的最先进的算法相媲美，然而，与其他方法相比，它不需要一些先验知识的真实社区结构。为了证明其通用性，我们进一步采用该算法在不同的单部和二部现实世界的网络中的社区检测，广义社区检测和预测数据聚类。
2011-10-12 cs.SI physics.data-an physics.soc-ph
Two-way Node Popularity Model for Directed and Bipartite Networks
针对有向与二部网络社区检测未考虑节点流行度的问题，提出TNPM概率框架、DOM拟合方法与TSDC大规模算法，兼具精度与效率，可应用于真实网络分析。
2024-12-11 cs.SI math.ST stat.CO
Multiresolution community analysis of international trade networks
国际贸易网络是一个复杂系统，大小不一的多个贸易集团并存，相互重叠。然而，由此产生的贸易网络中的社区检测结构往往不一致，无法反映国际贸易的复杂情况。为了解决这些问题，我们提出了一个多分辨率框架，聚合所有的配置信息，从一系列的决议。这使我们能够考虑不同规模的贸易社区，并阐明贸易网络及其组成块的底层层次结构。此外，通过测量每个国家的成员不一致性（MeI），并与各种经济和政治指标进行多元回归分析，我们表明，存在着一个国家的外部不稳定性之间的正相关关系，其结构不一致的网络拓扑结构。
2022-04-27 cs.SI physics.soc-ph
SSBM: A Signed Stochastic Block Model for Multiple Structure Discovery in Large-Scale Exploratory Signed Networks
提出SSBM概率模型以发现符号网络中的社区、二部及其共存等多重结构，并结合MML准则与CEM算法实现无先验的模型选择和大规模可扩展学习。
2023-04-21 cs.SI
Fuzzy Overlapping Community Quality Metrics
模块性被广泛用于有效地度量由社区发现算法发现的不相交社区结构的强度。提出了几种模块度的重叠扩展来度量重叠社区结构的质量。然而，所有这些扩展的不同之处仅在于它们定义归属系数和归属函数的方式。然而，缺乏对不同扩展的系统比较。为了填补这一空白，我们概述了重叠的模块化扩展，并将其推广到一个统一的定义，使不同的归属系数和归属函数的应用程序，以选择最好的。此外，我们扩展了本地化的模块化，模块化密度，和八个本地社区质量指标，使他们的使用重叠的社区。在大量的真实网络和合成网络上使用重叠扩展模块性、重叠模块性密度和局部度量的实验结果表明，当使用两个节点的归属系数的乘积作为归属函数时，获得了最好的结果。此外，研究结果可用于指导研究人员在测量重叠社区结构的质量时采用哪些指标。
2015-07-14 cs.SI physics.soc-ph
Metrics for Community Analysis: A Survey
在过去的十年里，从社会和信息网络中检测和分析密集群体或社区引起了人们的极大关注，因为它在不同领域具有巨大的适用性。社区发现是一个定义不清的问题，因为社区的性质事先并不知道。这个问题已经被证明是甚至复杂的，由于社区出现在网络中的各种形式-不相交的，重叠的，分层的等，已经提出了各种不同的算法取决于在手的应用程序。所有这些生态学已经具体化的形式，在大多数情况下，作为优化功能，用于检测社区结构，或提供一个良好的检测社区在评估过程中的指示。有必要对社区发现和评价方面提出的衡量标准进行有组织的详细调查。在这项调查中，我们提出了一个全面的和结构化的概述，用于检测和评估社区结构的最先进的指标。我们还对合成网络和真实网络进行了实验，以比较分析这些指标在衡量底层社区结构的良好性方面的作用。
2016-04-12 cs.SI physics.soc-ph
Measuring Centralization of Online Platforms Through Size and Interconnection of Communities
针对去中心化架构平台未必去中心化使用、中心化衡量难的问题，提出基于社区移除后社区间边受干扰程度的社区影响力刻画方法，定义二分网络中心化概念并证明简单方法不足，比较多平台结构后指出需关注用户互动结构。
2023-07-27 cs.CY cs.SI
Towards Linear Time Overlapping Community Detection in Social Networks
成员多样性是社交网络的一个特征方面，其中一个人可能属于一个以上的社会群体。因此，发现重叠结构对于现实的社会分析是必要的。在本文中，我们提出了一个快速算法1，称为SLPA，重叠社区发现在大规模的网络。SLPA根据动态交互规则展开标签。它可以应用于单部和二部网络。它还能够发现重叠的嵌套层次结构。SLPA的时间复杂度与网络中的边的数量成线性比例。在模拟网络和真实网络中的实验表明，SLPA在识别节点和社区层次的重叠结构方面都有很好的性能。
2012-02-11 cs.CY cs.DS cs.SI
Detecting Cohesive and 2-mode Communities in Directed and Undirected Networks
网络是表示对象之间关系信息的通用语言。对网络进行建模、推理和总结的一种有效方法是发现具有共同连接模式的节点集。这样的集合通常被称为网络社区。网络社区发现的研究主要集中在无向网络中密集连接节点的社区识别。在本文中，我们开发了一种新的重叠社区发现的方法，可扩展到数以百万计的节点和边缘的网络，并沿两个维度推进研究：社区的连接结构，并使用边缘定向社区发现。首先，我们扩展了传统的网络社区的定义，通过观察节点可以以两种不同的方式紧密相连：在有凝聚力的社区中，节点相互链接，而在2模式社区中，节点以二分的方式链接，其中链接在两个分区之间占主导地位，而不是在它们内部。我们的方法成功地检测2模式以及凝聚力的社区，也可能重叠或分层嵌套。第二，虽然大多数现有的社区发现方法对待有向边缘，好像他们是无向的，我们的方法占边缘方向，并能够识别新的和有意义的社区结构，在有向和无向网络，使用数据从社会，生物和生态领域。
2014-01-29 cs.SI physics.soc-ph
Augmented Degree Correction for Bipartite Networks with Applications to Recommender Systems
本研究将推荐系统评分数据视为部分观测的稠密加权二部网络，调整适配了稠密加权网络方法以处理未观测边与二部特性，支持社区结构与局部评分模式估计，在模拟和笑话评分数据集上验证了不同稀疏度下的性能优势。
2024-06-18 cs.SI stat.AP
Bipartite Graph Embedding via Mutual Information Maximization
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院）；National Computer Network Emergency Response Technical Team/Coordination Center of China（国家计算机网络应急技术处理协调中心）；Xiaomi AI Lab, Xiaomi Inc.（小米公司小米人工智能实验室）
由于二部图在各个应用领域中的广泛应用，二部图嵌入近年来引起了人们的广泛关注。大多数以前的方法，采用基于随机行走或基于重建的目标，通常是有效的学习局部图结构。然而，二部图的全局性质，包括同构节点的社区结构和异构节点的长程依赖，没有得到很好的保持。在本文中，我们提出了一个二分图嵌入称为BigI捕捉这样的全球性的性质，通过引入一个新的局部-全球信息最大目标。具体来说，BiGI首先生成一个由两个原型表示组成的全局表示。BiGI然后通过所提出的子图级注意力机制将采样边缘编码为局部表示。通过最大化局部和全局表示之间的互信息，BiGI使二分图中的节点是全局相关的。我们的模型在各种基准数据集上进行评估，用于top-K推荐和链接预测。大量的实验表明，BiGI在最先进的基线上实现了一致和显著的改进。详细的分析验证了对二部图全局性质建模的有效性。
2020-12-10 cs.AI cs.SI
Exploiting the Structure of Bipartite Graphs for Algebraic and Spectral Graph Theory Applications
在这篇文章中，我们将几种代数图分析方法推广到二部网络。在科学、工程和商业的各个领域中，许多类型的信息都可以用网络来表示，因此网络分析学科在这些领域中起着重要的作用。一类强大而广泛的网络分析方法是基于代数图论的，即，将图表示为正方形邻接矩阵。然而，许多网络都有一种非常特殊的形式，与这种表示相冲突：它们是双向的。也就是说，它们由两种节点类型组成，每条边连接一种类型的节点和另一种类型的节点。二分网络（也称为\emph{two-mode networks}）的例子是个人和他们所属的社会团体，音乐艺术家和他们演奏的音乐流派，以及文本文档和它们包含的单词。事实上，任何类型的特征都可以用分类变量表示，可以解释为二分网络。虽然二分网络很普遍，但网络分析领域的大多数文献都集中在单分网络上，即，这些网络只有一种类型的节点。本文的目的是将一些重要的代数网络分析方法扩展到二分网络，表明代数图论中的许多方法只需稍加修改就可以应用于二分网络。我们展示了聚类，可视化和链接预测的方法。此外，我们引入了新的代数方法来衡量的双parativity近二部图。
2015-01-15 cs.DM cs.SI
Computing the statistical significance of optimized communities in networks
在网络数据中发现社区，用于无监督学习，特征发现，异常检测或科学研究通常是令人感兴趣的。绝大多数社区检测方法通过优化质量函数来进行，即使在没有社区的随机网络上也是可能的。因此，通常没有一种简单的方法来判断社区是否“重要”，在这种情况下，这意味着比在没有社区的随机图模型下预期的内部连接更多。本文将现有的空模型推广到二分图，并引入了一种新的重要性评分算法，称为快速优化社区重要性（FOCS），该算法具有高度可扩展性和不可知性。此外，与单部图上的现有方法相比，FOCS在数值上更稳定，并且更好地平衡了检测能力和误报之间的权衡。
2018-11-17 cs.SI physics.soc-ph stat.ME
Community Structure in the United Nations General Assembly
我们研究了代表联合国大会决议投票的网络的社区结构。我们以三种不同的方式从1946年至2008年的单独年度会议的投票记录中构建网络：（1）将投票相似性视为加权单部网络;（2）将投票相似性视为加权签名单部网络;（3）通过检查签名双部网络，其中国家与决议有关。对于每一个配方，我们通过使用适当的空模型优化网络模块化来检测社区。我们比较和对比的结果，我们得到这三种不同的网络表示。在这样做的时候，我们说明了需要考虑多个分辨率参数，并探讨每个网络表示的有效性，以确定投票组中的大量协议中典型的大会投票。
2010-10-18 cs.SI physics.data-an physics.soc-ph
