On the Complexity of Community-aware Network Sparsification
研究社区感知网络稀疏化问题,即在边数与权重约束下保留各社区诱导子图的连通性或生成星性质。针对两个NP难问题,基于ETH给出紧的2^Ω(n²+c)时间下界,并分别提出Stars NWS关于反馈边数的XP算法和证明Connectivity NWS在t=1时NP难。
2024-02-23 cs.DS cs.SI
Structure-Preserving Sparsification of Social Networks
稀疏化减少了网络的大小,同时保留了感兴趣的结构和统计特性。各种稀疏化算法已被提出在不同的上下文中。我们贡献了第一个系统的概念和实验比较\textit{edge sparsification}方法对一组不同的网络属性。结果表明,它们可以被理解为方法的重要性,然后过滤这些分数的边缘评级。此外,我们提出了一种新的稀疏化方法(\textit{Local Degree}),它保留了导致本地枢纽节点的边缘。所有的方法进行评估,一组100 Facebook的社交网络的网络属性,包括直径,连接组件,社区结构,和多个节点的中心性措施。我们实现的稀疏化方法(使用开源网络分析工具套件NetworkKit)的实验表明,许多网络属性可以保留到约20%的原始边缘集。此外,实验结果使我们能够区分不同方法的行为,并显示哪种方法适用于哪种属性。我们的局部度方法对于大规模网络来说足够快,并且在比以前提出的方法更广泛的属性上表现良好。
2015-05-04 cs.SI physics.soc-ph
Comparing Community-aware Centrality Measures in Online Social Networks
识别关键节点对于加速或阻止网络中的动态传播至关重要。社区感知的中心性措施通过利用网络的社区结构来解决这个问题。虽然设计新的社区意识中心措施的趋势日益明显,但对拟议措施的有效性没有进行系统的调查。本研究进行了广泛的比较评估突出的社区意识的中心性措施,使用易感-感染-传播(SIR)模型在现实世界的在线社交网络。总体而言,结果表明,K壳与社区和社区为基础的中心性措施是最准确的识别有影响力的节点下,一个单一的传播问题。此外,流行病传播率对社区感知中心性指标的行为没有显著影响。
2022-01-30 cs.SI
Spatial-Aware Local Community Detection Guided by Dominance Relation
在地理社交网络中定义和研究了为给定节点寻找空间感知社区的问题。然而,现有的研究遭受两个局限性:a)定义社区的标准是由参数,这是很难设置; b)算法可能需要全局信息,不适合的情况下,网络是不完整的。因此,我们提出了空间感知的局部社区发现(SLCD),它发现的空间感知的局部社区只有本地信息,并定义社区的基础上的边缘的稀疏性的差异内和社区外。针对SLCD问题,设计了一种基于优势关系的空间感知局部社区发现算法,但该算法代价较高。为了进一步提高效率,我们提出了一个近似算法。实验结果表明,该近似算法的性能优于比较算法.
2022-03-29 cs.SI
How Correlated are Community-aware and Classical Centrality Measures in Complex Networks?
与经典的中心性度量不同,最近发展起来的社区感知中心性度量使用网络的社区结构来识别复杂网络中有影响力的节点。本文研究了它们之间的关系,一组来自不同领域的50个真实世界的网络。结果表明,经典和社区意识的中心性措施一般表现出低到中等的相关值。这些结果在网络上是一致的。传递性和有效性是最有影响力的宏观网络特征驱动的经典和社区意识的中心性措施之间的相关性变化。此外,混合参数,模块化,和最大ODF的主要介观拓扑性质发挥最实质性的影响。
2022-01-30 cs.SI
Analyzing Community-aware Centrality Measures Using The Linear Threshold Model
瞄准复杂网络中有影响力的节点可以加强或阻止谣言,流行病和停电。由于社区在现实世界的网络中很普遍,社区感知的中心性度量利用这些信息来定位有影响力的节点。研究表明,它们与对社区结构不可知的经典措施相比毫不逊色。虽然扩散过程是最重要的,以前的研究主要考虑著名的易感-感染-传播(SIR)的流行病传播模型。这项工作调查的一致性,以前的分析使用流行的线性阈值(LT)传播模型,在我们的现实生活中,许多传播过程的特点。我们对13个真实网络中7个有影响力的社区感知中心性指标进行了比较分析。总体而言,结果表明,社区为基础的调解人,通信中心性和模块化的活力优于其他措施。此外,社区调解员在预算紧张的情况下更有效(即,初始激活节点的一小部分),而通信中心性和模块化活力在初始激活节点的中到高部分的情况下表现更好。
2022-01-30 cs.SI
Targeted Influence with Community and Gender-Aware Seeding
当在社交网络上传播信息时,选择用户开始传播的播种算法起着至关重要的作用。现有的大多数种子算法只关注最大化到达节点的总数,忽略了组公平性问题,特别是性别不平衡。为了应对最大限度地向某些目标群体传播信息的挑战,我们介绍了社区的概念和用户的性别意识潜力。我们首先表明,网络的社区结构是密切相关的性别分布。然后,我们提出了一种算法,利用社区结构及其性别潜力的信息迭代修改种子集,使信息传播的目标群体满足目标比例。最后,我们通过在合成数据集和真实数据集上进行实验来验证该算法。我们的研究结果表明,所提出的播种算法不仅实现了目标的比例,但也是最高的信息传播,相比最先进的性别意识播种算法。
2022-08-26 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
CACL: Community-Aware Heterogeneous Graph Contrastive Learning for Social Media Bot Detection
提出社区感知异构图对比学习框架CACL,通过动态挖掘难样本与自适应图增强进行有监督对比学习,克服了GNN泛化差与过平滑问题,在三个基准上表现优于基线。
2024-06-03 cs.SI
MOUFLON: Multi-group Modularity-based Fairness-aware Community Detection
Uppsala University(乌普萨拉大学)
提出公平感知的模块度社区检测方法MOUFLON,采用比例平衡公平度量,在合成与真实网络上权衡模块度与公平性,并分析网络特征影响。
2025-10-14 cs.SI
GRASS: Graph Spectral Sparsification Leveraging Scalable Spectral Perturbation Analysis
谱图稀疏化的目的是寻找超稀疏子图,其拉普拉斯矩阵能够很好地逼近原始拉普拉斯特征值和特征向量。近年来,谱稀疏技术被广泛研究,以加速各种数值和图形相关的应用。现有的近线性时间谱稀疏化方法首先从原始图中提取低拉伸生成树以形成稀疏器的主干,然后将小部分谱关键离树边缘恢复到生成树以显著提高近似质量。然而,目前还不清楚有多少离树边缘应恢复,以实现所需的频谱相似性水平内的稀疏。受最近的图形信号处理技术的启发,本文提出了一个相似性感知的频谱图稀疏化框架,利用有效的频谱离树边缘嵌入和过滤方案,以保证频谱相似性(相对条件数)水平的频谱稀疏器。一个迭代的图形致密化计划也被引入,以促进高效和有效的过滤高度病态的问题的离树边缘。所提出的方法已被验证,使用各种图形从公共领域稀疏矩阵收集相关的VLSI CAD,有限元分析,以及社会和数据网经常在许多机器学习和数据采掘应用研究。例如,使用单个CPU核心和大约6 GB内存,可以在两分钟内解决具有4000万个未知数和1.8亿个非零的稀疏SDD矩阵(1 E-3精度级别)。
2020-04-29 cs.DS cs.NA cs.SI
Towards Lightweight Graph Neural Network Search with Curriculum Graph Sparsification
Tsinghua University(清华大学);Lanzhou University(兰州大学)
针对现有图神经架构搜索未适配资源受限场景的问题,提出结合图稀疏化与网络剪枝的轻量搜索方法GASSIP,通过双模块迭代优化实现性能相当但参数更少、图更稀疏的轻量GNN搜索。
2024-06-24 cs.AI cs.LG cs.SI
Topic-aware Most Influential Community Search in Social Networks
本文提出主题感知最具影响力社区搜索问题TAMICS,通过在线算法和基于索引的启发式算法在不确信有向图中高效发现与查询主题高度相关且影响力最大的内聚社区,实验证明其效果和效率优于现有方法。
2025-04-09 cs.SI
Distance Backbones Optimize Spreading Dynamics and Centrality Ranks in the Sparsification of Complex Networks
Politecnico di Torino(都灵理工大学);CENTAI Institute(CENTAI研究所);Universidade Católica Portuguesa, Católica Medical School, Católica Biomedical Research Centre(葡萄牙天主教大学,天主教医学院,天主教生物医学研究中心);Binghamton University (State University of New York)(宾厄姆顿大学(纽约州立大学))
本文提出距离骨干合成方法,通过渐进稀疏化保留网络连接性和传播动态,优化中心性排名和拓扑结构。
2026-03-18 cs.SI math.GN physics.soc-ph
Characterizing the Interactions Between Classical and Community-aware Centrality Measures in Complex Networks
在具有社团结构的网络中识别重要节点是一个基本问题。事实上,社区结构是现实世界网络的主要属性之一。最近的工作表明,社区意识的中心性措施相比,毫不逊色于经典的措施不可知论这个无处不在的财产。尽管如此,对于它们之间的关系以及在何种情况下使用经典的或社区意识的中心性度量更好,还没有明确的共识。为此,在本文中,我们进行了广泛的调查,以更好地了解文献报道的经典和社区意识的中心性措施之间的关系。实验使用具有受控社区结构属性的人工网络和来自各个领域的真实网络的大样本。结果表明,社区结构越强,社区意识中心性措施越合适。此外,度和群落大小分布参数的变化不影响结果。最后,网络传递性和社区结构强度是控制经典和社区感知中心性度量之间相互作用的最重要驱动因素。
2021-05-15 cs.CY cs.SI
Investigating Centrality Measures in Social Networks with Community Structure
中心性度量对于量化社交网络成员的影响力至关重要。虽然已经有大量的工作来处理这个问题,绝大多数经典的中心性措施是不可知的社区结构的特点,许多社交网络。最近的作品开发了社区意识的中心性措施,利用社区结构的信息在大多数现实世界中遇到的复杂网络的功能。在本文中,我们使用8个真实世界的在线网络调查5流行的经典中心性措施和5社区意识的中心性措施之间的相互作用。计算两种类型的中心性度量之间的相关性和相似性度量。结果表明,社区意识的中心性措施可以分为两组。第一组,其中包括桥接中心性,社区枢纽桥和参与系数,提供了独特的节点信息相比,经典的中心性。这种行为在整个网络中是一致的。第二组包括基于社区的调解人和邻近社区的数量,其特点是在不同网络之间有不同的结果。
2022-01-30 cs.SI
A Variance-aware Multiobjective Louvain-like Method for Community Detection in Multiplex Networks
本文主要研究多路复用网络中的社区发现问题,即,具有多个层的网络具有相同的节点集并且没有层间连接。特别是,我们寻找可以在各个层中一致地被识别为社区的节点组。为此,我们提出了一种新的方法,通过(a)同时更新各层模块化分数的平均值和方差,以及(b)根据基于过滤器的多目标优化方案重新制定贪婪搜索过程,来推广Louvain方法。与许多以前的模块化最大化策略,依赖于某种形式的聚合的各个层,我们的多目标方法的目的是最大限度地提高每个层上的个人模块化同时。我们报告的合成和现实世界的网络实验,显示的有效性和鲁棒性的建议的策略都在信息的情况下,其中所有层显示相同的社区结构,并在嘈杂的情况下,其中一些层只代表噪音。
2022-09-23 cs.SI
Comparative evaluation of community-aware centrality measures
在复杂网络中,有影响力的节点在促进或抑制传播现象方面起着关键作用。已经提出了许多中心性措施,用于根据节点的重要性对其进行识别和排名。经典的中心性度量依赖于节点的各种局部或全局属性。他们没有考虑网络社区结构。最近,越来越多的研究已经转向社区意识的中心性措施。事实上,它是绝大多数现实世界网络中普遍存在的功能。在文献中,重点是设计社区意识的中心措施。然而,到目前为止,还没有系统的评估其有效性。这项研究填补了这一空白。它允许回答社区意识的中心性措施,应在实际情况中使用。我们调查了七个有影响力的社区意识的中心性措施,在流行病传播过程的情况下,使用易感-感染-传播(SIR)模型在一组15个真实世界的网络。结果表明,一般来说,社区意识的中心性措施之间的相关性很低。此外,在多传播者问题中,当资源可用时,使用模块化活力瞄准遥远的枢纽更有效。然而,在资源有限的情况下,传播通过桥梁更好地扩展,特别是在具有中等或强社区结构的网络中。
2022-05-14 cs.CY cs.SI
BotMoE: Twitter Bot Detection with Community-Aware Mixtures of Modal-Specific Experts
本文提出 BotMoE 框架,融合元数据、文本和网络结构,并通过社区感知 MoE 与专家融合提升对高级、隐蔽 Twitter 机器人的检测及跨社区泛化能力。
2023-04-25 cs.SI
Mining Application-aware Community Organization with Expanded Feature Subspaces from Concerned Attributes in Social Networks
社交网络是典型的具有节点属性的属性网络。与传统的属性社区发现问题不同,本文研究了面向应用的社区组织挖掘问题,即针对特定的关注属性挖掘出一个应用感知的社区组织。所关注的属性是由用户基于任何应用的要求预先指定的。应用感知社区组织w.r.t.关注属性由具有包含这些关注属性的特征子空间的社区组成。每个社区的特征子空间除了包含相关属性外,还可能包含其他相关属性。特征子空间的所有相关属性共同描述和确定嵌入在该子空间中的社区。因此,该问题包括两个子问题,即,如何将关注属性集扩展为完备的特征子空间,以及如何挖掘嵌入在扩展子空间中的社区。两个子问题共同解决优化的质量函数称为子空间适应度。提出了一种称为ACM的算法。为了定位可能属于应用感知社区组织的社区,检测由具有相似关注属性的节点组成的网络骨干的内聚部分并将其设置为社区种子。所关注的属性集被设置为所有社区种子的初始子空间。然后迭代调整每个社区种子及其属性子空间,以优化子空间适应度。在人工数据集上的大量实验证明了该方法的有效性和高效性,在真实网络上的应用表明了其应用价值。
2017-05-10 cs.SI physics.soc-ph
A Community-Aware Framework for Social Influence Maximization
Purdue University(普渡大学);University of Maryland, Baltimore County(马里兰大学巴尔的摩县分校);Iowa State University(爱荷华州立大学);KAUST(阿卜杜拉国王科技大学)
我们考虑影响力最大化(IM)问题,即在社交网络中选择$k$种子节点的任务,以便最大化受影响的节点的预期数量。我们提出了一个社区意识分而治之的框架,涉及(i)学习社会网络的固有社区结构,(ii)通过解决每个社区的影响力最大化问题生成候选解决方案,以及(iii)选择最终的种子节点使用一种新的渐进式预算方案。我们在现实世界的社交网络上的实验表明,该框架优于标准方法的运行时间和探试法的影响。我们还研究了社区结构对所提出的框架的性能的影响。我们的实验表明,社区结构具有较高的模块化导致所提出的框架,以执行更好的运行时间和影响力。
2023-02-19 cs.AI cs.SI
Keyword Aware Influential Community Search in Large Attributed Graphs
BUET(孟加拉国工程技术大学);Swinburne University of Technology(斯威本科技大学);Melbourne University(墨尔本大学)
我们介绍了一种新的关键字感知的有影响力的社区查询KICQ,发现最有影响力的社区从属性图,其中一个有影响力的社区被定义为一个紧密连接的顶点组,具有一定的优势,超过其他组的顶点与专业知识(一组关键字)匹配的查询条件(单词或短语)。我们首先设计的KICQ,方便用户发出一个有影响力的CS查询直观地使用一组查询条件,和谓词(与或)。在这种情况下,我们提出了一种新的基于词嵌入的相似度模型,使语义社区搜索,这大大扩展了精确的关键字为基础的社区搜索的局限性。接下来,我们提出了一个新的社区的影响力的措施,考虑了社区的凝聚力和影响力,并消除了需要指定的网络的内部参数的值。最后,我们提出了两个有效的算法搜索有影响力的社区在大型属性图。我们提出了详细的实验和案例研究,以证明所提出的方法的有效性和效率。
2019-12-04 cs.CL cs.SI
Predicting Properties of Nodes via Community-Aware Features
SGH Warsaw School of Economics(华沙经济学院);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)
本文提出了一族社区感知节点特征,利用网络社区结构提升节点分类的预测能力,证明了其包含经典特征无法恢复的信息,并在合成与真实网络中验证了其高效性和有效性。
2024-04-26 cs.LG cs.SI math.CO
Two Layer Walk: A Community-Aware Graph Embedding
School of Artificial Intelligence, Xidian University(西安电子科技大学人工智能学院);Guangzhou Institute of Technology, Xidian University(西安电子科技大学广州研究院)
针对现有图嵌入方法无法有效保留社区结构或计算成本高的问题,提出结合层次社区结构的算法 TLWalk,通过无需额外参数的社区感知随机游走平衡社区内外关系,有效缓解局部性偏差,在链路预测任务中准确率提升达 3.2%,兼具鲁棒性与可扩展性。
2024-12-18 cs.AI cs.SI
Individual Fairness in Community Detection: Quantitative Measure and Comparative Evaluation
LIACS, Leiden University(莱顿大学计算科学研究所)
本文提出了一种量化社区检测中个体公平性的度量方法,并通过实验比较了不同算法在公平性与性能之间的权衡,揭示了个体公平性与群体公平性不可互换性。
2026-02-18 cs.SI
Community-Aware Social Community Recommendation
本文提出 CASO 模型用于社会社区推荐,通过三个编码器提取社区全局与局部结构及用户偏好,引入互斥机制消除特征冗余,并加入社区检测损失,在六个真实网络上显著优于九个基线。
2025-08-08 cs.IR cs.SI
Why the Metric Backbone Preserves Community Structure
EPFL(洛桑联邦理工学院)
本文针对具有社区的加权随机图,形式化证明了度量骨干在删除非最短路径边后仍能保持社区结构的鲁棒性,并通过实证比较验证其作为高效稀疏化器的优势。
2024-12-30 cs.LG cs.SI math.PR
Representation-Aware Modularity with a Distance-Calibrated Null Model
Ulsan National Institute of Science and Technology(蔚山科学技术院);Soonchunhyang University(顺天乡大学)
本文提出表示感知模块度RAM,通过距离校准零模型解决经典模块度中零模型不匹配问题,实验证明其优于多种基线方法。
2026-10-08 cs.SI
Novel Edge and Density Metrics for Link Cohesion
Johns Hopkins University Applied Physics Laboratory(约翰斯·霍普金斯大学应用物理实验室)
我们提出了一个新的度量链接凝聚力的强度,在复杂的,高度连通的图测量的边缘。链路内聚性考虑了局部小跳连接和关联节点度,并且可以用于支持边评分和图简化。我们还提出了一种新的图密度度量来估计节点间的平均凝聚力。链接凝聚力和密度的措施来证明社区发现通过图稀疏化最大化图密度。链接的凝聚力也被证明是松散相关的边缘介数中心。
2020-03-06 cs.LG cs.SI
A Community-aware Network Growth Model for Synthetic Social Network Generation
本文提出了一种新的网络增长模型ComAwareNetGrowth,旨在模拟现实世界中社交网络的演化过程。该模型在离散时间内工作。在每个时间步,基于(i)随机图模型,(ii)偏好连接模型,(iii)三角形闭合模型,或(iv)四边形闭合模型,在(a)现有节点之间或(b)现有节点和新节点之间创建(I)社区内或(II)网络中任何地方的新链接。参数控制在链接创建中采用特定机制的概率。在Karate和Caltech社交网络上的实验结果表明,该模型在聚类系数、模块度、平均路径长度、直径和幂律指数等方面都能很好地模拟真实世界的社交网络.进一步的实验表明,ComAwareNetGrowth模型能够生成具有不同统计量的各种合成网络。
2019-01-11 cs.SI physics.soc-ph
Map Equation Centrality: Community-aware Centrality based on the Map Equation
为了衡量节点的重要性,网络科学家使用中心性分数,通常从微观或宏观的角度,依赖于节点特征或全局网络结构。然而,传统的中心性度量,如度中心性,介数中心性或PageRank,忽略了现实世界中的社区结构。为了从中观的角度研究基于网络流量的节点重要性,我们解析地推导出一个基于网络流量的社区感知信息理论中心性得分和映射方程背后的编码原则:映射方程中心性。地图方程中心性测量我们可以通过不对到相应节点的随机步行器转换进行编码,使用自适应编码方案并从基于网络流的角度确定节点重要性来进一步压缩网络的模块化描述。信息理论中心性度量可以单独从节点的本地网络上下文确定,因为编码方案的改变仅影响同一模块中的其他节点。地图方程中心性对所选择的网络流模型是不可知的,并允许研究人员选择最能反映所研究过程动态的模型。应用于合成网络,我们强调我们的方法如何使节点之间的更细粒度的区别比节点本地或网络全球的措施。预测有影响力的节点在现实世界的网络上的两个不同的动态过程与传统的和其他社区意识的中心性措施,我们发现,激活节点的基础上地图方程中心性分数往往会创建一个线性阈值模型中最大的级联。
2022-08-17 cs.SI physics.soc-ph
A Community-Aware Framework for Influence Maximization with Explicit Accounting for Inter-Community Influence
Narmi;University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
Community-IM++通过显式建模跨社区扩散,提升大规模社交网络中影响力最大化效率与效果。
2026-02-02 cs.AI cs.SI stat.ML
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
EdMot: An Edge Enhancement Approach for Motif-aware Community Detection
网络社区发现是网络分析领域的一个研究热点。虽然已经提出了许多方法用于社区发现,但它们中的大多数仅考虑在单个节点和边的水平上的网络的低阶结构。因此,它们无法在小的密集子图模式的级别上捕获高阶特征,例如,图案最近,一些高阶方法已经被开发出来,但它们通常集中在基于模体的超图,假设是一个连通图。然而,这种假设在一些现实世界的网络中不能得到保证。特别地,超图可能变得碎片化。也就是说,它可能由大量的连通分量和孤立节点组成,尽管原始网络是一个连通图。因此,现有的高阶方法将严重遭受上述碎片化问题,因为在这些方法中,超图中没有连接的节点即使属于同一社区也不能被分组在一起。为了解决上述碎片化问题,我们提出了一种边缘增强方法的基序感知社区发现(EdMot)。主要思想如下。首先构造一个基于模体的超图,并对超图中的前K个最大连通分支进行模块划分。然后,通过构造一个边集,从每个模块中导出一个团,来加强每个模块内的连通性结构。基于新的边集,输入网络的原始连通性结构被增强以生成重新布线的网络,从而利用基于模体的高阶结构,并且超图碎片问题被很好地解决。最后,重新布线的网络进行划分,以获得更高的阶社区结构。
2019-05-30 cs.SI physics.soc-ph
Breaking Structural Isolation: Scalable Graph Clustering via Community-Aware Sampling and Structural Entropy
Beihang University(北京航空航天大学);University of Illinois at Chicago(伊利诺伊大学芝加哥分校)
针对无监督图聚类中现有方法的“结构隔离”问题,提出SCISE框架,通过社区感知采样、结构熵社区约束算子及结构对比学习模块协同保持结构完整性,实验证明该框架显著优于现有算法。
2026-07-08 cs.AI cs.LG cs.SI
Composite Community-Aware Diversified Influence Maximization with Efficient Approximation
针对多社区结构下的多样化影响力最大化问题,提出CC-DIM模型及基于反向采样的G-HIST算法,实现高效近似解,并在真实数据上验证其优越性。
2022-12-20 cs.SI math.CO
SynCo: Synthetic Community-Aware Attributed Graph Generator for Graph Neural Network Benchmarking
Federal University of São Carlos(圣卡洛斯联邦大学);Federal University of Mato Grosso do Sul(南马托格罗索联邦大学)
SynCo是一种社区感知的属性图生成器,允许用户控制度分布和子社区结构,在图模仿、超参数评估和节点聚类任务中优于现有方法,并能生成多达210万节点的大规模图。
2026-09-11 cs.LG cs.SI
Modularity-Aware Graph Autoencoders for Joint Community Detection and Link Prediction
Deezer Research(Deezer研究院);École Polytechnique(巴黎综合理工学院);Institut Polytechnique de Paris(巴黎理工学院);Athens University of Economics and Business(雅典经济与商业大学)
图自动编码器(GAE)和变分图自动编码器(VGAE)成为链接预测的强大方法。他们的表现是不太令人印象深刻的社区发现问题,根据最近和并发的实验评估,他们往往优于更简单的替代品,如鲁汶方法。目前还不清楚GAE和VGAE可以在多大程度上改善社区发现,特别是在没有节点特征的情况下。此外,还不确定是否可以在保持链接预测的良好性能的同时这样做。在本文中,我们表明,联合解决这两个任务的高精度是可能的。为了这个目的,我们介绍和理论上研究的社区保持消息传递计划,掺杂我们的GAE和VGAE编码器,同时考虑初始图结构和基于模块的先验社区时,计算嵌入空间。我们还提出了新的训练和优化策略,包括引入一个模块化的正则化补充现有的重建损失的联合链接预测和社区发现。我们证明了我们的方法,称为模块化感知GAE和VGAE的经验有效性,通过深入的实验验证各种现实世界的图。
2022-06-20 cs.LG cs.SI stat.ML
UniCom: Towards a Unified and Cohesiveness-aware Framework for Community Search and Detection
University of New South Wales(新南威尔士大学);University of Technology Sydney(悉尼科技大学);Hong Kong Polytechnic University(香港理工大学)
UniCom通过跨领域知识转移解决社区搜索与检测问题,提升模型泛化能力和运行效率。
2025-12-02 cs.DB cs.SI
Large Scale Community-Aware Network Generation
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Insper Institute(Insper学院);New Jersey Institute of Technology(新泽西理工学院)
RECCS++通过算法优化实现大规模网络生成的高效处理,支持超1亿节点和近20亿边的网络生成任务。
2025-11-24 cs.LG 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
Algorithms for Large-scale Network Analysis and the NetworKit Toolkit
大量应用程序中的大量网络数据使得可扩展的分析算法和软件工具成为在合理的时间内从这些数据中生成知识所必需的。解决可扩展性以及其他要求,如良好的可用性和丰富的功能集,开源软件NetworkKit已成为大规模网络分析的流行工具。本章简要概述了DFG优先计划SPP 1736大数据算法对NetworkKit的贡献。中心计算、社区发现和稀疏化领域的学术贡献是重点,但我们也提到了其他几个方面--例如项目的当前软件工程原则和在基于NetworkKit的工作流中可视化网络数据的方法。
2022-09-20 cs.DS cs.SI
A Novel Deep Reinforcement Learning Based Stock Direction Prediction using Knowledge Graph and Community Aware Sentiments
University of Kocaeli(科贾埃利大学)
股票市场预测一直是投资者、研究人员和分析师的重要课题。股票市场预测受诸多因素的影响,是一项比较困难的工作。在这项研究中,我们提出了一种新的方法,这是基于深度强化学习方法的方向预测的股票使用社区的情绪和知识图谱。为此,我们首先通过分析连接之间的关系来构建用户的社会知识图谱。在此基础上,将相关股票的时间序列分析和情感分析与深度强化方法相结合。土耳其版本的双向编码器表示从Transformers(BerTurk)的用户的情绪进行分析,而深度Q学习方法用于所提出的模型的深度强化学习侧,以构建深度Q网络。为了证明所提出的模型的有效性,Garanti银行(GARAN),Akbank(AKBNK),Türkiye银行(ISCTR)在伊斯坦布尔证券交易所的股票被用作案例研究。实验结果表明,该模型在股市预测中取得了显著的效果。
2021-07-02 cs.AI cs.CE cs.LG
ContCommRTD: A Distributed Content-based Misinformation-aware Community Detection System for Real-Time Disaster Reporting
University Politehnica of Bucharest(布加勒斯特理工大学);Fraunhofer Institute for Open Communication Systems(弗劳恩霍夫开放通信系统研究所)
实时的【形】社交媒体数据可以提供有关不断演变的灾害的有用信息。除了传统的灾害检测方法外,社交媒体数据的整合可以大大加强灾害管理。在本文中,我们研究了在Twitter上检测地理位置内容社区的问题,并提出了一种新的分布式系统,提供近实时的【形】信息灾害相关的事件及其演变。我们表明,基于内容的社区分析导致更好,更快地传播危害报告。我们的分布式灾难报告系统分析了全球地理位置的推文之间的社会关系,并应用主题建模组推文的主题。考虑到每条tweet的以下信息:用户,时间戳,地理位置,转发和回复,我们创建了一个主题的发布者-订阅者分布模型。我们使用内容相似性和节点的接近度来创建一个新的基于地理位置的社区模型。用户可以在特定的地理区域或全球范围内订阅不同的主题,并接收有关这些主题的实时的【形】报告。由于错误信息如果在危险相关的推文中传播会导致损害增加,因此我们提出了一种新的深度学习模型来检测假新闻。然后,错误的推文将从显示中删除。我们还展示了经验的可扩展性能力的建议系统。
2023-01-30 cs.AI cs.DC cs.SI
Adaptive Group Testing on Networks with Community Structure: The Stochastic Block Model
团体测试是在第二次世界大战期间构想出来的,目的是使用尽可能少的测试来识别感染梅毒的士兵,在COVID-19大流行期间,它再次引起了人们的兴趣。在群体测试问题的概率变体中,一个长期存在的假设是个体独立地被疾病感染。然而,这种假设在实践中很少成立,因为疾病往往通过个体之间的相互作用传播,因此导致感染相关。受COVID-19和其他传染病特点的启发,我们引入了一个网络上的感染模型,该模型推广了传统的i.i.d.概率分组测试模型。在此模型下,我们问是否可以利用网络结构的知识来更有效地执行组测试,特别是从随机块模型绘制的社区结构图。我们证明了一个简单的社区意识算法优于基线二进制分裂算法的模型参数时,有利于“强社区结构。“此外,我们的新下界意味着社区感知算法在某些参数制度下是最优的。我们扩展我们的界限的噪声设置,并支持我们的结果与数值实验。
2022-11-17 cs.SI stat.ME
Topic-aware latent models for representation learning on networks
Paris-Saclay University(巴黎萨克雷大学);CentraleSupélec(中央理工-高等电力学院);Inria(法国国家信息与自动化研究所)
网络表示学习(NRL)方法在过去几年中受到了极大的关注,这要归功于它们在若干图分析问题中的成功,包括节点分类、链接预测和聚类。这种方法的目的是将网络的每个顶点映射到低维空间中,以保持网络的结构信息。特别令人感兴趣的是基于随机游走的方法;这些方法将网络转换为节点序列的集合,旨在通过预测序列中每个节点的上下文来学习节点表示。在本文中,我们介绍了TNE,一个通用的框架,以提高嵌入的节点通过随机行走为基础的方法与基于主题的信息。与自然语言处理中的主题词嵌入概念类似,该模型首先利用各种统计图模型和社区发现方法将每个节点分配到一个潜在社区,然后学习增强的主题感知表示。我们评估我们的方法在两个下游任务:节点分类和链接预测。实验结果表明,通过结合节点和社区嵌入,我们能够超越广泛已知的基线NRL模型。
2021-11-10 cs.LG cs.SI
PriME: Privacy-aware Membership profile Estimation in networks
Columbia University(哥伦比亚大学);University of Pennsylvania(宾夕法尼亚大学);The Ohio State University(俄亥俄州立大学)
PriME通过隐私保护机制实现网络中社区成员资格的准确估计,结合对称边翻转与谱聚类,提供最优隐私保护下的估计方法。
2025-11-25 cs.SI math.ST stat.ME
A Constraints Fusion-induced Symmetric Nonnegative Matrix Factorization Approach for Community Detection
College of Computer Science and Technology, Chongqing University of Posts and Telecommunications(重庆邮电大学计算机科学与技术学院);Chongqing Institute of Green and Intelligent Technology, Chinese Academy of Sciences(中国科学院重庆绿色智能技术研究院);College of Computer and Information Science, Southwest University(西南大学计算机与信息科学学院)
社区是无向社会网络的一个重要特征,社区发现是网络表示学习中的一个重要而棘手的问题。对称非负矩阵分解(SNMF)模型由于其良好的可解释性和可扩展性,经常被用来解决这个问题。然而,它采用单一的潜在因子矩阵来表示一个无向网络,以精确地表示其对称性,这导致了表示学习能力的损失,由于潜在空间减少。基于这一发现,本文提出了一种新的约束融合诱导的对称非负矩阵分解(CFS)模型,该模型采用三个方面的思想:a)用多个潜在因子矩阵表示目标无向网络,从而保持其表示学习能力; b)将保持所学习的对邻接矩阵的低秩近似的对称性的保序正则化器构造到所述损失函数中,从而使得所得到的检测器清楚地知道目标网络的对称性;以及c)引入保持网络的固有几何的局部不变性的图正则化器,从而使得所实现的检测器清楚地知道目标网络内的社区结构。对工业应用中的8个真实社交网络的广泛实证研究表明,所提出的CFS模型在实现高准确度社区发现结果方面明显优于最先进的模型。
2023-02-23 cs.LG cs.SI
From Community Detection to Community Deception
University of Calabria(卡拉布里亚大学);Institute for High Performance Computing and Networking, ICAR-CNR(高性能计算与网络研究所,ICAR-CNR)
社区欺骗问题是关于如何从社区发现算法中隐藏目标社区C。每当一组实体(例如,积极分子、警察执法部门)希望合作,同时隐瞒他们作为一个社区的存在。在本文中,我们介绍和形式化的社区欺骗问题。为了解决这个问题,我们描述了仔细重新连接C的成员的算法。我们的实验表明,如何现有的社区发现算法可以欺骗,并通过引入欺骗分数量化的欺骗水平。我们相信,我们的研究是有趣的,因为,同时显示如何欺骗可以实现它提高了意识的设计新的检测算法鲁棒欺骗技术。
2016-09-01 cs.AI cs.SI physics.soc-ph
Community Aware Random Walk for Network Embedding
University of Tehran(德黑兰大学);University of Sistan and Baluchestan(锡斯坦-俾路支斯坦大学)
社会网络分析提供了关于网络成员行为的有意义的信息,其可用于诸如分类、链接预测的各种应用。然而,网络分析是计算昂贵的,因为不同的应用程序的特征学习。近年来,社交网络中的特征学习方法成为研究的热点。网络嵌入在具有相同属性的低维表示空间中表示网络,其表示网络的压缩表示。本文提出了一种新的网络嵌入算法“CARE”,该算法可用于不同类型的网络,包括加权网络、有向网络和复杂网络。现有的方法试图保留节点的局部邻域信息,而本文提出的方法利用网络节点的局部邻域和社区信息来覆盖社交网络的局部和全局结构。CARE构建由网络节点局部和全局结构组成的自定义路径,作为网络嵌入的基础,并使用Skip-gram模型学习节点的表示向量。随后,应用随机梯度下降来优化我们的目标函数并学习节点的最终表示。我们的方法可以扩展时,新的节点添加到网络中没有信息丢失。定制随机游走的快速生成也用于加速CARE。我们评估的多标签分类和链接预测任务的性能。在不同网络上的实验结果表明,该方法优于其他在微观和宏观f1措施,不同大小的训练数据。
2018-02-19 cs.AI cs.LG cs.SI
Community-Aware Vertex Ordering for Reference-Based Graph Compression: A Cross-Encoder Empirical Study
Vantino Geneva Switzerland(瓦宁托日内瓦瑞士)
本文提出了一种两阶段的Leiden+LLP顶点排序方法,并研究其与基于参考的压缩的交互作用,结果显示在初始顶点排序较差的图中,重新排序能显著节省比特数,且不同编码器对排序的响应具有高度一致性。
2026-07-14 cs.LG cs.SI
Graph Reduction in Multirelational Networks: A Spreading-Oriented Reduction Benchmark
Wrocław University of Science and Technology(沃拉布大学科学与技术学院)
提出SORB基准框架,系统评估图缩减对影响力最大化任务的影响,发现缩减效果依赖于网络类型和评估指标。
2026-06-12 cs.AI cs.SI
Mitigating Degree Biases in Message Passing Mechanism by Utilizing Community Structures
The Catholic University of Korea(韩国天主教大学)
本文提出社区感知图变换器(CGT),通过可学习增强和自监督学习利用社区结构,生成社区内边以缓解消息传递中的节点度偏差,在多个基准上超越现有方法。
2023-12-28 cs.AI cs.LG cs.SI
Challenging Social Media Threats using Collective Well-being Aware Recommendation Algorithms and an Educational Virtual Companion
社交媒体已经成为我们生活中不可或缺的一部分,将我们的互联能力扩展到新的水平。关于其积极影响有很多话要说。然而,另一方面,近年来社交媒体的一些严重负面影响一再被强调,指出了对社会及其更弱势成员,如青少年的各种威胁。因此,我们提出了一个理论框架的基础上自适应的“社交媒体虚拟伴侣”的教育和支持整个社区,青少年学生,在社交媒体环境中进行互动,以实现理想的条件,定义在一个社区的具体和参与性的集体福祉(CWB)的设计措施。本指南将自动处理与专家干预和指导相结合。虚拟伴侣将由推荐系统(CWB-RS)提供支持,该系统将优化CWB指标,而不是参与度或平台利润,目前这在很大程度上驱动推荐系统,从而忽略任何社会附带影响。我们重点关注教育管理的专家和教育工作者伴侣的社交媒体社区。它们发挥着五个关键作用:(a)在以课堂为基础的教育活动中使用该指南;(b)指导CWB的定义;(c)提供学习策略、目标和活动的层次结构,以支持和包含基于层次强化学习的CWB-RS的自适应排序算法;(d)充当社区成员之间直接冲突的调解人;最后,(e)监测和解决超出智能代理的能力和控制的道德和教育问题。的同伴的组件和研究的教育和心理学的基本原则的性能的初步结果。
2022-10-17 cs.CY cs.SI