Robustness of community structure to node removal
模块化结构的识别是必不可少的表征真正的网络形成的中观层次的组织集群包含具有高的内部连通度的节点。人们已经开发了许多方法来揭示社区结构，但只有少数研究探讨了它们在不完全网络中的适用性。在这里，我们评估了采样过程中生成的不完整网络中社区检测技术的准确性。我们表明，步行陷阱和快速贪婪算法是高度准确的检测模块化结构的不完整的复杂网络，即使他们的许多节点被删除。此外，我们实现了一种方法，提高了walktrap和快速贪婪算法的时间性能，同时保持了识别节点社区成员的准确率。总之，我们的研究结果表明，这种新方法可以应用于加速几乎任何社区检测方法在密集的复杂网络，因为它是相似性网络的情况下。
2015-02-06 cs.SI physics.soc-ph
Detecting Important Nodes to Community Structure Using the Spectrum of the Graph
许多复杂系统都可以表示为网络，而网络如何分解成子网或社区是人们广泛关注的问题。然而，开发一种快速准确地检测对社区重要的节点的方法是一个非常具有挑战性和开放性的问题。在本文中，我们介绍了一种新的方法来表征节点对社区的重要性。首先，提出了一种中心性度量，利用邻接矩阵的谱来度量网络节点对社区结构的重要性。我们将节点对社区的重要性定义为网络邻接矩阵的特征值在移除后的相对变化。其次，我们还提出了一个指标来区分社区中的两种重要节点，即，“社区核心”和“桥梁”。我们的指标只依赖于图矩阵的谱。它们被应用于许多人工网络以及许多现实世界的网络。这种新的方法为我们提供了一个基本的方法来解决这个具有挑战性的问题，并提供了一个现实的结果。
2011-08-02 cs.SI physics.soc-ph
Compressing networks with super nodes
社区发现是一种常用的技术，用于基于连接模式的相似性来识别网络中的组。为了便于在大型网络中进行社区发现，我们将网络重新划分为一个较小的“超级节点”网络，每个超级节点包括原始网络中的一个或多个节点。为了定义我们的超级节点的种子，我们应用了'CoreHD'的排名，从拆除和decycling。我们测试我们的方法，通过分析两种常见的方法社区发现：模块化最大化的鲁汶算法和最大似然优化拟合随机块模型。我们的研究结果强调，将社区发现应用于超级节点的压缩网络的速度明显更快，同时成功地产生与本地网络连接更一致的分区，在社区发现算法内部和之间的多个（随机）运行中更稳定，并且与使用完整网络获得的结果重叠。
2017-06-13 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
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
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
Local Core Members Aided Community Structure Detection
社交网络中的朋友关系可能很强，也可能很弱。一些研究工作表明，朋友之间的亲密关系会产生良好的社区结构。在此基础上，我们提出了一种基于邻居关系紧密度的社交网络社区结构检测方法。该方法通过计算每个邻居节点对核心节点的引力，判断该节点是否属于社区，最终形成社区发现过程。实验结果表明，该方法能够以较低的计算复杂性有效地挖掘社会结构
2017-10-31 cs.SI physics.soc-ph
ABACUS: frequent pAttern mining-BAsed Community discovery in mUltidimensional networkS
复杂网络中的社区发现是针对网络中的每个节点，根据相似性函数来检测其对多个节点组（社区）中的一个的成员资格的问题，这些节点组是密集连接的，或高度交互的，或更一般地，相似的。到目前为止，这个问题已经在一维网络中得到了广泛的研究，即两个实体之间只能存在一个连接的网络。然而，真实的网络通常是多维的，即，在任何两个节点之间可以存在反映不同种类的关系或者表示相同类型的联系的不同值的多个连接。在这种情况下，社区发现的问题必须重新定义，考虑到多维结构的图。我们定义了一个新的社区概念，将共享成员资格的节点聚集在一起，在不同的一维中共享相同的一维社区。正如我们所展示的，这样的社区是有意义的，能够将高度相关的节点分组，即使它们在任何一维网络中可能都没有连接。我们设计了ABACUS（Apriori-Based Community Discoverer in mUltidimensional networkS），一种能够基于应用于一维社区成员关系的先验项集挖掘器提取多维社区的算法。在两个不同的真实多维网络上的实验证实了所引入的概念的意义，并为一类新的社区发现算法开辟了道路，这些算法不依赖于节点之间的密集连接。
2013-06-26 cs.SI physics.soc-ph
Community detection in bipartite networks using weighted symmetric binary matrix factorization
在本文中，我们提出了加权对称二进制矩阵分解（wSBMF）的框架来检测重叠社区的二分网络，其中描述了两种类型的节点之间的关系。我们的方法通过识别两种类型的缺失边缘之间的区别来提高性能--每个节点类型中的节点之间的边缘和两个节点类型之间的边缘。我们的方法还可以显式地分配社区成员资格，并将离群值与重叠节点区分开来，以及将网络上的现有知识结合起来。我们提出了一个广义的分区密度二分网络的质量函数，它确定了最合适的社区数量。在合成网络和真实网络上的实验结果证明了该方法的有效性。
2015-02-16 cs.SI physics.soc-ph
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
Map equation for link community
社区结构存在于许多现实世界的网络中，并已被报道与网络的几个功能属性。传统的方法是将节点划分为社区，而最近的一些研究开始划分链接而不是节点，以有效地找到重叠的节点社区。我们扩展了地图方程方法，这是最初开发的节点社区，在网络中找到链接社区。在不同类型的网络上进行测试，并与网络元数据进行比较，结果表明该方法能够有效地识别节点的角色重叠。该方法的优点是通过测量网络中除社团结构外的未知信息，可以定量地比较节点社团方案和链路社团方案。它可以用来定量地决定是否应该使用链路社区方案来代替节点社区方案。此外，由于该方法是基于随机游动的，因此可以很容易地推广到有向网络和加权网络。
2011-08-12 cond-mat.stat-mech cs.SI physics.soc-ph
Community detection on complex networks based on a new centrality indicator and a new modularity function
社区发现是网络研究中一个重要而又具有挑战性的课题。目前，大量的注意力集中在本地的社区发现方法。其中，使用贪心算法的社区发现通常从被称为网络的中心节点的局部基本节点的识别开始;社区随后通过优化模块度函数从这些中心节点扩展。在本文中，我们提出了一个新的中心节点指标和一个新的模块度函数。我们的中心节点指标，我们称之为本地中心性指标（LCI），是一样有效的著名的全球最大程度的指标和本地最大程度的指标，在某些特殊的网络结构，LCI表现得更好。另一方面，我们的模块化函数F2克服了某些缺点，如分辨率限制问题，在以前的文献中提出的模块化函数。结合贪心算法，LCI和F2使我们能够为真实世界的网络和模拟的基准网络识别正确的社区结构。基于归一化互信息（NMI）的评估表明，我们的社区发现方法与基于LCI和F2的贪心算法执行优于许多其他方法。因此，我们在本文中提出的方法是潜在的值得注意的。
2020-03-27 cs.SI physics.soc-ph
Relational flexibility of network elements based on inconsistent community detection
网络成分的社区识别使我们能够理解网络的中尺度聚类结构。已经开发了许多算法来确定网络中最可能的社区结构。这个问题的这种概率或随机性质自然会涉及到最终社区结构的模糊性。更具体地说，随机算法原则上可以为每个实现产生不同的社区结构。在这项研究中，我们没有试图“解决”这个社区退化问题，而是通过将退化作为一个机会来量化每个节点与其他节点之间的友谊程度来扭转局面。为此，我们定义了伙伴关系不一致的概念，它表明一个节点被识别为社区成员的不一致性。通过对模型和真实网络的分析，我们发现伙伴关系不一致性揭示了节点的独特特征，因此我们提出将其作为一种新的节点中心性。例如，在社交网络中，同伴关系不一致可以将没有固定社区成员资格的局外人节点和与多个社区有多个连接的混杂节点分类。在电网等基础设施网络中，它可以诊断连接结构在电力传输方面如何均衡。因此，伴随不一致性抽象了个体节点与网络的高阶组织关系的内在属性。
2019-08-19 cond-mat.dis-nn cs.SI physics.soc-ph
Multiscale Evolutionary Perturbation Attack on Community Detection
社区发现的目的是根据节点之间的连接关系对节点进行分组，它在网络分析中起着重要的作用，因为社区被视为元节点，允许我们创建一个大规模的网络地图，以简化其分析。然而，出于隐私原因，我们可能希望在某些情况下防止社区被发现，从而导致社区欺骗的话题。在本文中，我们形式化这个社区发现攻击问题在三个尺度，包括全球攻击（宏观），目标社区攻击（中尺度）和目标节点攻击（微观）。我们将其视为一个优化问题，并进一步提出了一种新的进化扰动攻击（EPA）方法，在那里我们生成对抗网络来实现社区发现攻击。数值实验验证了我们的EPA可以成功地攻击所有三个尺度上的网络社区算法，即，隐藏目标节点或社区，并通过仅改变一小部分链接来进一步扰乱整个网络的社区结构。相比之下，我们的EPA在六个合成网络和三个真实网络上的表现优于一些基线攻击方法。更有趣的是，虽然我们的EPA是基于louvain算法，它也是有效的攻击其他社区发现算法，验证了其良好的可移植性。
2021-02-08 cs.SI physics.soc-ph
Node-Centric Detection of Overlapping Communities in Social Networks
我们提出了NECTAR，一个社区发现算法，推广了鲁汶方法的局部搜索启发式重叠社区结构。NECTAR根据调用的网络动态选择要优化的目标函数。我们的综合基准图和现实世界的网络，地面真相社区的基础上，实验评估表明，NECTAR提供了优秀的结果相比，最先进的社区发现算法。
2016-07-06 cs.SI physics.soc-ph
Community membership consistency applied to corporate board interlock networks
社区发现是研究社交网络中尺度结构的一种成熟方法。应用社区发现算法导致将网络划分为社区，该社区通常用于检查和推理特定节点的社区成员关系。这种对社区结构的微观解释步骤是典型社会科学研究中的关键步骤。然而，在这一步骤中的方法警告是，几乎所有现代社区发现方法都是不确定的，并且基于随机化和近似结果。这需要在推理单个节点的社区成员关系时明确考虑。要做到这一点，我们提出了一个社区成员一致性的指标，它提供了节点级的见解，该节点到社区的位置是多么可靠。此外，它使我们能够区分社区的社区核心成员。公司董事会联锁网络，其中加权链接代表公司之间共享的高级董事，所提出的指标的实用性证明。研究结果表明，全球商业集团的社区结构是围绕持久的社区由地理和文化的接近联系在一起的核心国家。此外，我们确定了边缘国家，似乎与一些不同的全球商业社区。
2021-10-20 cs.SI physics.soc-ph
Community Detection with Node Attributes and its Generalization
社区发现算法是理解社交网络中组织原则的基本工具。随着社交媒体平台的日益强大，当检测社区时，存在可以用途：社交网络的结构和节点属性的两个可能的信息源。然而，在社区发现的研究中，社交网络的结构和节点属性往往被分开解释。当这两个来源同时解释，一个共同的假设共享以前的研究是，节点属性与社区。本文提出了一种模型，该模型能够将拓扑信息和节点属性信息相结合，而无需假设相关性。该模型在节点属性与社区不相关的情况下，仍能以较高的精度恢复社区。我们推导出该模型的可检测性阈值，并使用置信传播（BP）进行推理。该算法是最佳的，因为它可以恢复社区的所有方式下降到阈值。这种新模型也有可能处理边缘内容和动态设置。
2016-04-12 cs.SI physics.soc-ph stat.ML
Permanence and Community Structure in Complex Networks
社区发现算法的目标是识别大型网络中的密集连接单元。一个隐含的假设是，所有的组成节点都平等地属于它们相关联的社区。然而，在社区中，一些节点比其他节点更重要。到目前为止，主要是将社区作为一个整体来识别，而不是了解单个节点在多大程度上属于其社区。因此，大多数评估社区的指标，例如模块化，都是全局的。这些指标为每个社区而不是每个单独的节点生成一个分数。在本文中，我们认为，社区中的节点的相似性是不均匀的。持久性的中心思想是基于这样的观察：一个顶点对社区的成员资格的强度取决于两个因素：（i）社区内与社区外的顶点连接的程度，以及（ii）顶点内部连接的紧密程度。我们讨论持久性如何可以帮助我们理解和利用社区的结构和演化，证明它可以用来-（一）衡量社区中的顶点的持久性，（二）设计策略，以加强社区结构，（三）探索社区内的核心外围结构，（四）选择合适的发起人进行消息传播。我们证明了最大化持久性的过程产生有意义的社区，同意与地面真相的网络社区结构更准确地比其他八个流行的社区发现算法。最后，我们证明了用这种方法得到的社区（i）受点序变化的影响较小，（ii）对分辨率限制，解的退化和值的渐近增长更具弹性。
2016-06-05 cs.SI physics.soc-ph
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
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
Immunization of networks with non-overlapping community structure
虽然社区结构在复杂网络中普遍存在，但很少有研究利用这种拓扑性质来控制流行病。在这项工作中，致力于非重叠社区结构的网络（即，一个节点属于一个单一的社区），我们提出并研究了三个确定性免疫策略。为了表征节点的影响，使用各种信息，例如节点在一跳中可以到达的社区的数量、链路的性质（社区内链路、社区间链路）、社区的大小以及社区之间的互连密度。在真实网络和合成网络上进行了易感-感染-移除（SIR）流行病模型的数值模拟。实验结果表明，所提出的策略是更有效的比经典的确定性的替代品是不可知的社区结构。此外，它们优于为模块化网络设计的随机和确定性策略。
2018-06-14 cs.SI physics.soc-ph
Community Detection in Networks with Node Features
网络中的社区检测已经提出了许多方法，但大多数方法都没有考虑到在实践中通常可用的节点上的附加信息。在本文中，我们提出了一个新的联合社区检测标准，使用网络的边缘信息和节点的功能来检测社区结构。与现有的联合检测方法相比，我们的方法的一个优势是学习不同特征的影响的灵活性，这些特征在社区中可能会有所不同。另一个优点是选择特征信息对社区的影响量的灵活性。该方法在块模型下是渐近一致的，并对特征分布做了额外的假设，在模拟和真实网络上都有很好的表现。
2015-09-03 cs.SI physics.soc-ph stat.ML
Node Embedding via Word Embedding for Network Community Discovery
神经节点嵌入最近已经成为涉及图结构数据的监督学习任务的强大表示。我们利用这一最新进展，开发了一种新的算法，在图中的无监督社区发现。通过大量的实验研究模拟和真实世界的数据，我们证明，所提出的方法不断改善目前的最先进的。具体来说，我们的方法经验上达到的信息理论限制下的基准随机块模型图生成的社区恢复，并表现出更好的稳定性和准确性在谱聚类和非循环的信念传播的社区恢复限制。
2017-06-28 cs.SI physics.soc-ph stat.ML
Centrality Measures for Networks with Community Structure
在大型网络中，了解网络结构，找出有影响力的节点是一个具有挑战性的问题。识别网络中最有影响力的节点在许多应用中可能是有用的，例如在流行病传播的情况下，在复杂网络的故意攻击期间对节点进行免疫。大量的研究是为了设计中心性的措施，可以有效地识别网络中最有影响力的节点。有两种主要的方法来解决这个问题：一方面，确定性策略，利用整个网络拓扑的知识，以找到有影响力的节点，而另一方面，随机策略是完全不可知的网络结构。中心性的措施，可以处理有限的知识的网络结构是必需的。事实上，在实践中，关于整个网络的全球结构的信息很少或难以获得。即使可用，网络的结构也可能太大，以至于计算全局中心性度量的计算成本太高。为此，提出了一个中心性的措施，只需要在社区一级的信息，以确定网络中的有影响力的节点。事实上，大多数现实世界的网络都表现出一种社区结构，可以有效地利用这种结构来发现有影响力的节点。我们进行了一个比较评估，突出的全球确定性的战略，以及随机策略与现有的和建议的确定性的社区为基础的战略。通过在具有社区结构的合成网络和真实网络上进行实验，评估了所提出方法的有效性。
2016-01-26 cs.SI physics.soc-ph
Accelerating Community Detection by Using K-core Subgraphs
社区检测是昂贵的，并且成本通常至少线性地取决于图中的顶点的数量。我们建议使用一个简化的图，它具有更少的节点，但仍然可以捕获关键的社区结构。图的K-核心是每个节点至少有K个连接的最大子图。我们提出了一个框架，通过应用昂贵的算法（模块化优化，鲁汶方法，谱聚类等）加速社区检测。到K-核心，然后使用廉价的启发式（如本地模块化最大化）来推断剩余节点的社区标签。我们的实验表明，该框架可以减少80%以上的运行时间，同时保持解决方案的质量。最近的理论研究提供了支持使用K-核心作为一个简化的表示。
2014-10-13 cs.SI physics.soc-ph
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
Community Detection from Location-Tagged Networks
许多真实世界系统或web服务可以被表示为诸如社交网络和运输网络之类的网络。在过去的十年中，已经开发了许多算法来使用节点之间的连接来检测网络中的社区。然而，在现实世界中的许多网络中，节点的位置对社区结构有很大的影响。例如，在社交网络中，在地理上接近的用户之间建立更多的连接。研究文献还没有充分研究地点对社区的影响。在本文中，我们提出了一个社区发现方法，考虑到节点的位置。目标是检测具有地理邻近性和网络紧密性的社区。我们分析了连接和非连接节点之间的距离分布，以衡量位置对两个真实的位置标记的社交网络的网络结构的影响。我们提出了一种方法来确定是否基于位置的社区发现方法是适合于一个给定的网络。我们提出了一种新的社区发现算法，将位置信息推到社区发现。我们测试我们提出的方法在合成数据和现实世界的网络数据集。实验结果表明，与传统方法相比，该方法检测出的社区分布范围更小，网络连接紧密度相近或更高。
2015-01-19 cs.SI physics.soc-ph
Group-Node Attention for Community Evolution Prediction
George Mason University（乔治梅森大学）
社交网络中的社区随着人们进入和离开网络以及他们的活动行为的改变而随着时间而发展。预测群落结构随时间变化的任务被称为群落进化预测。这一领域的现有工作侧重于制定界定事件的框架，同时使用传统的分类方法进行实际预测。我们提出了一种新的图神经网络预测社区演化事件的结构和时间信息。该模型（GNAN）包括一个组节点关注组件，该组件支持可变大小的输入，并基于成员和邻居节点特征学习组的表示。与标准的基线方法进行比较评估，我们证明，我们的模型优于基线。此外，我们还展示了网络趋势对模型性能的影响。
2021-07-09 cs.LG cs.SI physics.soc-ph
Community Detection via Random and Adaptive Sampling
在本文中，我们考虑由有限数量的非重叠社区组成的网络。为了提取这些社区，可以从大的可用数据集中采样节点对之间的交互，这允许对给定的节点对进行多次采样。当对节点对进行采样时，观察到的结果是一个二进制随机变量，如果节点相互作用，则等于1，否则等于0。如果节点属于相同的社区，则结果更有可能是积极的。对于给定的节点对样本或观测预算，我们希望联合设计一个采样策略（采样节点对的序列）和一个聚类算法，以尽可能高的准确度恢复隐藏的社区。我们考虑非自适应和自适应采样策略，并为这两类策略，我们得到的基本性能限制满足任何采样和聚类算法。特别是，我们提供了必要的条件，准确地恢复社区的网络规模越来越大的算法的存在。我们还设计了简单的算法，准确地重建社区时，这是在所有可能的，因此证明了准确的社区发现的必要条件也是足够的。随机块模型中的经典社区发现问题可以看作是这里考虑的问题的一个特例。但是我们的框架涵盖了更一般的场景，其中采样节点对的序列可以以自适应的方式设计。本文对随机区组模型给出了新的结果，并将分析推广到自适应抽样的情况。
2014-02-19 cs.SI physics.soc-ph
A Modular Multiscale Approach to Overlapping Community Detection
在这项工作中，我们解决了在社交网络中检测重叠社区的问题。由于“社区”一词含义模糊，因此有必要在特定类型问题的背景下量化社区的含义。我们的解释是，这种量化必须在至少三个尺度上进行。这些尺度是在以下层面上的：单个节点、单个社区和整个网络。这些尺度中的每一个都涉及到在其他尺度中无法准确表示的群落结构的数量特征，但对于定义特定的群落概念很重要。我们的工作重点是提供合理的方法来量化在每个尺度上适用于社交网络的社区概念，并使用这些模型来开发一个社区发现算法。我们的方法的吸引人的特点是，它自然地允许节点属于多个社区，并且对于具有低整体边缘密度的大型网络来说，计算效率很高。该算法的尺度是$O(N~\overline{k^2} + \overline{N_{com}^2})$，其中$N$是网络中的节点数，$\overline{N_{com}^2}$是平均平方社区大小，$\overline{k^2}$是节点度平方的期望值。虽然我们的工作重点是开发一个计算效率高的算法重叠社区发现的背景下，社交网络，我们的主要贡献是开发一种方法，是高度模块化的，可以很容易地适应特定的社区概念。
2015-01-22 cs.SI physics.soc-ph
Centrality in Modular Networks
由于网络的广泛应用，如加速信息扩散或阻止病毒传播，识别网络中的有影响力的节点是一个基本问题。多年来，出现了许多基于网络拓扑结构的度量方法来识别有影响力的节点，如介数、接近度和特征值中心性。然而，尽管大多数现实世界的网络都是模块化的，但很少有措施利用这一特性。最近的工作表明，它对网络上的动力学有显着的影响。在模块化网络中，节点有两种类型的影响力：通过其社区内链接的局部影响力（对其社区的节点）和通过其社区间链接的全局影响力（对其他社区中的节点）。根据社区结构的强度，这两个组成部分或多或少都有影响力。基于这一思想，我们提出了扩展所有的标准中心性措施定义的网络没有社区结构的模块化网络。所谓的“模块中心性”是一个二维的向量。它的第一个组件量化了节点在其社区中的局部影响力，而第二个组件量化了其对网络其他社区的全球影响力。为了说明模块中心性扩展的有效性，与标量对应的传染病过程设置进行比较。模拟结果使用易感-感染-被感染（SIR）模型的合成网络与控制的社区结构，可以得到一个清晰的想法社区结构的强度和主要类型的影响（全球/本地）之间的关系。此外，在真实网络上的实验证明了这种方法的优点。
2018-10-12 cs.SI physics.soc-ph
Distance-Based Network Partitioning
提出了一种识别网络社区的新方法。参考节点，使用先验信息选择的网络或根据相关的节点测量，获得，以便指示推定的社区。然后，每个网络节点和参考节点之间的距离向量用于定义表示在许多不同尺度上的网络的社区结构的坐标系。对于模块化网络，节点在这个空间中的分布通常会导致一个分离良好的集群结构，每个集群对应一个社区。一个有趣的特点，社区发现的方法报告的是，由种子定义的坐标系允许一个直观和直接的解释每个节点的情况相对于所考虑的社区。相对于社区发现基准，空间网络模型和城市街道网络的方法的潜力说明。
2019-11-04 cs.SI physics.soc-ph
Large network community detection by fast label propagation
许多网络表现出某种社区结构。存在各种各样的方法来检测网络中的社区，每种方法都提供不同的解释和相关算法。对于大型网络，还有额外的速度要求。在这种背景下，提出了所谓的标签传播算法（LPA），它在近线性时间内运行。在LPA未覆盖的分区中，确保每个节点具有到其分配的社区的大多数链接。在这里，我们提出了一个快速的变体LPA（FLPA），是基于处理的邻居最近发生变化的节点的队列。我们在基准网络和经验网络上对FLPA进行了详尽的测试，发现它的运行速度比LPA快700倍。在分区发现FLPA，我们证明了每个节点再次保证有最多的链接到其分配的社区。我们的研究结果表明，FLPA通常优于LPA。
2023-02-14 cs.SI physics.soc-ph
Deep Community Detection
图中的深度社区是一个连接的组件，只有在从图的其余部分删除节点或边后才能看到。本文将检测深度社区的问题表述为多阶段节点移除，在每个阶段最大化一个新的中心性度量，称为局部Fiedler向量中心性（LFVC）。LFVC与代数连通性对节点或边移除的敏感性相关联。我们证明了一个贪婪的节点/边缘删除策略，连续最大化的LFVC的基础上，有界的性能损失相对于最佳的，但棘手的，组合批量删除策略。在一个随机块模型框架下，我们证明了贪婪LFVC策略可以在观测数量变大时以概率1提取深度社区。我们将贪婪LFVC策略应用于现实世界的社交网络数据集。与传统的社区发现方法相比，我们证明了改进的能力，以确定网络中的重要社区和关键成员。
2015-07-15 cs.SI physics.soc-ph
Interplay between $k$-core and community structure in complex networks
在一个最大的一组节点中的网络的组织，至少有$k$邻居的集合内，被称为$k$核心分解，已被用于研究各种现象。研究表明，最内层$k$壳层中的节点在传染过程、共识的出现和系统的弹性中起着至关重要的作用。众所周知，许多经验网络的$k$ -核心分解不能单独用每个节点的度来解释，或者等价地，不能用保持每个节点的度的随机图模型来解释（即，配置模型）。在这里，我们研究的$k$核心分解的一些经验网络，以及一些随机的同行，并检查在何种程度上的$k$壳结构的网络可以解释的社区结构。我们发现，在随机化过程中保持社区结构是至关重要的生成网络的$k$核心分解是接近的经验。我们还强调存在，在一些网络中，集中的节点在最里面的$k$ -壳到少数社区。
2020-09-07 cs.SI physics.soc-ph
The impact of partially missing communities~on the reliability of centrality measures
网络数据通常不是无误差的，某些节点的缺失是一种非常常见的测量误差。研究表明，缺失节点会严重影响中心性度量的可靠性。本文研究了当缺失节点可能属于同一社区时中心性测度的可靠性。我们研究了五种常用的中心性度量在均匀网络和无标度网络中的行为。我们发现，中心性措施通常更可靠的情况下，失踪的节点很可能属于同一个社区比在节点失踪均匀随机。然而，在无标度网络中，当缺失节点更有可能属于同一社区时，介数中心性变得不那么可靠。此外，无标度网络中的中心性度量在社区结构较强的网络中更可靠。相比之下，我们没有观察到均匀网络的这种效应。我们的观察结果表明，缺失节点对中心性度量的可靠性的影响可能不像文献中所说的那样严重。
2017-09-20 cs.SI physics.soc-ph
Overlapping Community Detection in Complex Networks using Symmetric Binary Matrix Factorization
发现重叠的社区结构是理解许多网络的结构和动态的关键一步。在本文中，我们开发了一个对称的二元矩阵分解模型（SBMF），以确定重叠社区。我们的模型允许我们不仅明确地分配社区成员的节点，但也区分离群重叠的节点。此外，我们提出了一个修改的分区密度来评估社区结构的质量。我们使用它来确定最合适的社区数量。我们使用合成基准和真实世界的网络来评估我们的方法，证明了我们方法的有效性。
2013-03-23 cs.SI physics.soc-ph
A generative model for community types in directed networks
本文提出一种网络演化生成模型，可复现有向网络中四种成对社区类型，通过平均场解揭示了模型参数对社区关系的影响，阐明了不同社区类型转变的机制及观测背后的原理。
2024-05-23 cs.SI physics.soc-ph
Community detection with node attributes in multilayer networks
网络中的社区发现通常使用关于节点之间的交互的信息来执行。最近的进展已纳入多种类型的相互作用，从而将标准方法推广到多层网络。但是，通常可以访问有关单个节点、属性或协变量的其他信息。因此，一个相关的问题是如何将这些额外的信息适当纳入此类框架。在这里，我们开发了一种方法，结合了拓扑结构的相互作用和节点属性，以提取社区的多层网络。我们提出了一个原则性的概率方法，不假设属性和社区之间的任何先验相关结构，而是从数据推断。这导致了一个有效的算法实现，利用数据集的稀疏性，并可用于执行多个推理任务;我们在线提供了代码的开源实现。我们证明了我们的方法在合成和真实世界的数据和比较性能的方法，不使用任何属性信息。我们发现，包括节点信息有助于预测丢失的链接或属性。它还导致更可解释的社区结构，并允许量化输入中给定的节点属性的影响。
2020-09-10 cs.SI physics.data-an physics.soc-ph
Multi-scale analysis of the European airspace using network community detection
我们表明，欧洲空域可以表示为一个多尺度的交通网络，其节点是机场，部门，或导航点和链接的定义和加权，根据节点之间的航班流量。通过使用一个独特的数据库，在欧洲空域的空中交通，我们调查这些网络的架构，特别强调他们的社区结构。我们提出，无监督网络社区检测算法可以用来监控当前的空域使用，并通过指导新的设计来改进它。具体来说，我们比较了三个社区检测算法的性能，也通过使用一个空模型，考虑到节点之间的空间距离，我们讨论了他们的能力，找到社区，可用于定义新的控制单元的空域。
2013-06-17 cs.SI physics.soc-ph
Uncovering nodes that spread information between communities in social networks
从在线社交网络中收集的许多数据集中，已经观察到定义明确的社区结构。大量的用户参与这些网络，所产生的图形的大小带来了计算上的挑战。在识别负责社区之间信息流的节点方面有特别的需求;例如，在时间Twitter网络中，当社区之间的连接稀疏并且不同节点集群之间存在很少的边缘时，社区之间的边缘在传播活动峰值方面发挥着关键作用。这里提出的新算法的目的是通过测量一个节点到另一个社区节点的邻近程度来揭示这些关键连接。我们看看在一个以上的社区和他们周围的节点，影响接收到的信息和广播给他们的地方的边缘的节点。该方法依赖于一个选定的固定数量的步骤，从一个以上的社区与边缘的节点起源的独立随机游走。对于我们所考虑的大型网络，现有的度量（如介数中心性）很难计算，即使使用最新的方法来近似所需的大量操作。因此，我们设计了一种算法，可扩展到当前的大数据需求的需求，并有能力利用并行处理能力。新算法在合成数据上进行了说明，可以仔细判断结果，也可以在真实的大规模Twitter活动数据上进行说明，可以获得新的见解。
2014-01-14 cs.SI physics.soc-ph
A Bayesian Framework for Community Detection Integrating Content and Link
Michigan State University（密歇根州立大学）；NEC Laboratories America（美国 NEC 实验室）
针对网络数据中的社区发现问题，提出了一种结合链接分析和内容分析的社区发现方法。大多数现有的工作结合链接和内容信息的生成模型。现有方法有两个主要缺点。首先，他们假设在两个节点之间创建链接的概率仅由节点的社区成员身份决定;然而其他因素（例如流行度）也可能影响链接模式。其次，他们使用生成模型来模拟单个节点的内容，而这些生成模型容易受到与社区无关的内容属性的影响。我们提出了一个贝叶斯框架相结合的链接和内容信息的社区发现，明确解决这些缺点。提出了一种新的链接模型，该模型在决定两个节点之间的链接时引入一个随机变量来获取节点的流行度，并使用一个判别模型根据节点的内容来确定节点的社区成员资格。提出了一种有效的贝叶斯近似推理算法。我们的实证研究表明，该框架优于几个国家的最先进的方法相结合的链接和内容信息的社区发现。
2012-05-09 cs.AI cs.SI physics.soc-ph
Joint community and anomaly tracking in dynamic networks
大多数真实世界的网络表现出社区结构，其特征在于存在节点簇，其边内连接性强于属于不同簇的节点之间的边连接性。除了有助于更好地理解网络行为，社区检测在不同的环境中发现了许多实际应用。在线社交网络中的社区表明共享的功能角色，或隶属于共同的社会经济地位，了解这一点对于有针对性的广告至关重要。在买方-卖方网络中，社区检测有助于更好地推荐产品。不幸的是，社区分配的可靠性受到异常用户行为的阻碍，这些异常用户行为通常被视为不公平的自我推销，或为促进欺诈而创建的“虚假”高连接帐户。本文提出了一种新的方法，用于联合跟踪社区，同时检测时变网络中的异常节点。通过假设边的产生是节点对共同参与社区的结果，提出了一种通过稀疏离群矩阵捕获异常成员关系的动态因子模型。有效的跟踪算法，适用于在线和分散操作。在合成和真实网络时间序列上进行的实验成功地揭示了潜在的社区和异常节点。
2015-06-25 cs.SI physics.soc-ph stat.ML
Overlapping community detection in signed networks
在过去的几年里，考虑到积极和消极的联系的复杂网络得到了相当大的关注。社区发现是复杂网络分析的主要挑战之一。现有的社区发现算法大多数都是针对签名网络的一个硬划分，即网络中的任意节点是否属于某个社区。然而，他们不能检测重叠的社区，其中一个节点被允许属于多个社区。重叠社区广泛存在于许多现实世界的网络中。本文提出了一种符号概率混合（SPM）模型，用于符号网络中的重叠社区发现。与已有的模型相比，该方法的优点在于：（i）为签名网络提供了软划分方案;（ii）提供了节点的软成员资格。在多个签名网络上的实验表明，我们的SPM模型：（i）可以识别与其他最先进的模型相同的重叠结构或不重叠结构;（ii）可以检测重叠社区;（iii）在揭示合成签名网络中的社区发现方面优于其他最先进的模型。
2014-03-27 cs.SI physics.soc-ph
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
Identifying Community Structures in Dynamic Networks
大多数现实世界的社交网络本质上是动态的，由成员不断变化的社区组成。为了跟踪这些不断发展的社区，我们需要动态的社区发现技术。本文评估了一组博弈论方法在动态网络中识别社区的性能。我们的方法，D-GT（动态博弈论社区发现），模型的每个网络节点作为一个理性的代理定期发挥社区成员的游戏与邻居。在游戏过程中，节点通过加入或离开网络邻居的社区来寻求最大化其本地效用。社区结构在博弈达到纳什均衡后出现。与基准社区发现方法相比，D-GT更准确地预测社区的数量，并发现具有更高的归一化互信息的社区分配，同时保持良好的模块化。
2016-09-12 cs.SI physics.soc-ph
Community consistency determines the stability transition window of power-grid nodes
电功率系统的同步对于维持稳定的电力供应是重要的。最近，测量盆稳定性被引入到量化的节点的能力，以恢复其同步扰动时。在这项工作中，我们专注于流域稳定性如何依赖于节点之间的耦合强度。我们使用智利电网作为案例研究。一般来说，盆地稳定性从零到一耦合强度的增加。然而，对于不同的节点，这种转换不会在相同的值处发生。通过理解单个节点的过渡，我们可以进一步描述它们在电力传输动态中的作用。我们发现，具有非常大的过渡窗口的节点也具有较低的社区一致性。换句话说，当应用社区检测算法时，它们很难分类到一个社区。这也提供了一种有效的方式来识别具有长转换窗口的节点（这在计算上是耗时的）。最后，为了证实这些结果，我们提出了一个程式化的例子网络与规定的社区结构，捕捉上述特征的盆地稳定性过渡，并重新创建我们的观察。
2015-04-28 nlin.CD physics.soc-ph
A linear streaming algorithm for community detection in very large networks
在本文中，我们介绍了一种新的社区发现算法，称为SCoDA（流社区发现算法），基于边缘流设置的图。该算法具有极低的内存占用和闪电般的执行时间，因为它每个节点只存储两个整数，并且严格地处理每条边一次。该方法基于以下简单的观察：如果我们在网络中随机均匀地选择一条边，则该边更有可能连接同一社区的两个节点，而不是不同社区的两个节点。我们利用这个想法来建立社区的本地变化在每个边缘到达。使用理论参数，我们与SCoDA的能力，以检测社区通常的质量指标，这些社区，如电导。在从一百万到十亿多条边的大规模现实网络上进行的实验结果表明，SCoDA的运行速度比现有算法快十倍以上，并且在最大的图上获得类似或更好的检测分数。
2017-03-08 cs.SI physics.soc-ph
A New Comparative Definition of Community and Corresponding Identifying Algorithm
本文提出了一种新的网络社区比较定义，并给出了相应的检测算法。社区被定义为一组节点，这些节点满足社区内每个节点的度不应小于该节点对任何其他社区的度。在该算法中，社区对节点的吸引力被定义为它们之间的连接。然后采用基于吸引力的自组织过程，不需要任何额外的参数，可以检测出最佳社区。分析了几个人工网络和真实世界的网络，包括扎卡里空手道俱乐部网络和大学足球网络。该算法在发现社区方面效果良好，并且对网络划分和群体形成也给出了很好的描述。
2008-02-02 physics.soc-ph
NISQ-ready community detection based on separation-node identification
LMU Munich（慕尼黑大学）；Aqarios GmbH（Aqarios有限公司）；University of Bayreuth（拜罗伊特大学）；Delft University of Technology（代尔夫特理工大学）
本文提出一种基于分离节点识别的NISQ就绪量子社区检测方法，通过仅需与节点数相同的量子比特和稀疏QUBO矩阵，显著降低硬件需求，并在实验中验证了其可行性。
2023-06-24 cs.LG cs.SI physics.soc-ph
Hide and Seek: Outwitting Community Detection Algorithms
IIIT-Delhi（德里印度信息技术学院）
节点的社区归属在确定其在网络中的上下文位置方面起着重要作用，这可能会在敏感节点想要在网络中隐藏其身份时引起隐私问题。通常，目标社区寻求保护自己免受对手的攻击，以便其组成成员仍然隐藏在网络中。目前的研究重点是隐藏这样的敏感社区，使社区成员的目标节点可以被隐藏。这导致了社区欺骗的问题，该问题调查了网络中最小化重新布线节点的途径，使得给定的目标社区最大限度地隐藏于社区发现算法之外。我们正式的社区欺骗的问题，并介绍神经，一种新的方法，greetly优化以节点为中心的目标函数，以确定重新布线策略。理论设置对可用于优化目标函数的策略的数量进行了限制，这反过来又减少了从多个选项中选择最佳策略的开销。我们还表明，我们的目标函数是次模和单调。当在合成网络和7个真实网络上进行测试时，NEURAL能够欺骗6个广泛使用的社区发现算法。我们将其性能与4个评估指标上的4种最先进的方法进行基准测试。此外，我们对其他3个真实世界网络的定性分析表明，NEURAL非常引人注目地捕获了关于边的重要元信息，这些信息无法通过仅观察其拓扑结构来推断。
2021-02-22 cs.LG cs.SI physics.soc-ph
Modularity based community detection in heterogeneous networks
异构网络是由不同类型的节点和链接这些节点的多种类型的边组成的网络。虽然社区发现已被广泛开发为分析仅包含一种类型节点的网络的有用技术，但针对异构网络开发的社区发现技术却很少。在本文中，我们提出了一个基于模块化的社区发现框架的异构网络。与现有的方法不同，所提出的方法具有灵活性，可以将社区的数量视为未知量。我们描述了一个Louvain型的最大化方法找到社区结构，最大化的模块化功能。我们的仿真结果表明，所提出的方法优于现有的方法。此外，所提出的模块度函数是一致的异构随机块模型框架下。DBLP四区域数据集和MovieLens数据集的分析证明了该方法的有效性。
2018-03-21 cs.SI physics.soc-ph stat.ME
Growing community networks with local events
社区网络的研究近年来引起了广泛的关注。在本文中，我们提出了一个不断发展的社区网络模型的基础上，本地进程，增加新的节点内的社区和新的链接内或社区间。采用增长和优先连接机制，我们生成的网络具有广义幂律分布的节点的度。
2009-02-04 physics.soc-ph
Impact of Dynamic Interactions on Multi-Scale Analysis of Community Structure in Networks
为了发现网络中有趣的结构，社区发现算法不仅要考虑网络拓扑结构，还要考虑节点之间的动态交互。我们调查这一说法使用的范式在网络中的耦合振荡器的同步。随着网络演化到全局稳定状态，属于同一社区的节点比属于不同社区的节点同步得更快。传统上，网络同步模型中的节点通过一对一或保守交互耦合。然而，社交互动通常是一对多的，例如，在社交媒体中，用户向所有追随者广播消息。我们制定了一个新的模型中的网络耦合振荡器的同步，其中的振荡器耦合通过一对多，或非保守的相互作用。我们研究了不同相互作用模型的动力学，并对比了它们的光谱特性。为了在交互节点的网络中找到多尺度社区结构，我们定义了一个相似性函数，该函数测量节点同步的程度，并使用它来分层聚类节点。我们研究现实世界的社交网络，包括两个社交媒体提供商的网络。为了评估在社交媒体网络中发现的社区的质量，我们提出了一个基于用户活动的社区质量度量。我们发现，保守和非保守的互动模式导致显着不同的意见，社区结构，即使在同一个网络。我们的工作提供了一个新的数学框架，探索网络结构，拓扑结构和动力学之间的关系。
2012-03-16 cs.SI physics.comp-ph physics.data-an
