Detecting the optimal number of communities in complex networks
社区数目的确定是社区结构检测中的一个重要问题。在本文中，我们扩展了社区发现算法的测量，以找到最佳的社区数。基于归一化互信息指数，这已被用来作为一个衡量社区的相似性，一个统计$Ω(c)$提出了检测的最佳社区数目。一般来说，当$Ω(c)$达到其局部最大值时，特别是第一个时，相应的社区数\emph{c}在社区检测中可能是最优的。此外，统计量$Ω(c)$还可以度量复杂网络中社团结构的重要性，这一点近年来受到了广泛的关注。数值和实验结果表明，该指标$Ω(c)$在人工网络和真实世界网络中都是有效的。
2011-03-30 cs.SI physics.soc-ph stat.AP
Characters and patterns of communities in networks
在本文中，我们提出了一些新的概念来描述和分析社区。这些新的概念是网络的社区或局部结构的一般特征。首先，我们引入了社区的内部支配集和外部支配集的概念。我们证明了真实网络中的大多数社区都有一个小的内部支配集和一个小的外部支配集，并且社区的内部支配集保留了社区的大部分信息。其次，基于内支配集和外支配集的概念，定义了内斜率（ISlope）和外斜率（ESlope），分别用来度量群落的内部异质性和外部异质性。我们发现，社区的内部斜率（ISlope）在很大程度上决定了社区的结构，大多数社区在真实的网络是异质的，这意味着大多数社区有一个核心/外围结构，和ISlope和ESlope（反映社区的结构）的所有社区的网络近似遵循正态分布。因此，给定网络的所有社区的ISlopes和ESlopes的典型值都在一个狭窄的区间内，并且只有少数社区具有在网络的ISlopes和ESlopes的典型值范围之外的ISlopes或ESlopes。最后，我们证明了我们所研究的真实网络的所有社区都具有三度分离现象，即社区的平均距离约为3，这意味着许多真实网络的真实社区具有一般性质，并且对于许多真实网络，良好的社区发现算法可以找到放大网络聚类系数的社区。
2013-01-14 cs.SI physics.soc-ph
Communities unfolding in multislice networks
发现复杂网络中的社区有助于理解网络的行为。在这个有前途的研究领域存在一些工作，但社区发现的时间依赖和/或多路复用网络尚未深入研究。本文提出了一种基于模块度优化的多层网络社区发现方法。我们首先提出了一种方法来减少网络的大小，仍然保留模块化。然后，我们介绍了一种算法，近似模块化优化（通常采用）的多层网络，从而找到社区。网络大小的减少使我们能够保持可接受的性能，而不影响所提出的方法的有效性。
2016-04-02 cs.SI physics.soc-ph
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
Complex Networks, Communities and Clustering: A survey
本文是对复杂网络社区和聚类文献的广泛调查。复杂网络描述了自然界和社会中广泛存在的各种系统，特别是由大量高度互联的动态实体组成的系统。像真实网络一样，复杂网络也可以有社区结构。复杂网络中社团的发现和识别有多种方法和算法。一些复杂网络具有聚类性或网络传递性。复杂网络领域的一些重要概念是小世界和规模鲁棒性，度分布，聚类，网络相关性，随机图模型，网络增长模型，网络动力学过程等。当前复杂网络社区的一些研究领域是社区演化，重叠社区，有向网络社区，社区表征和解释，为通过聚类进行网络社区发现而提出的许多算法或方法是基于最小割的算法、基于分层连通性的算法、原始GirvanNewman算法、模块化最大化的概念、利用来自信息和编码理论的度量的算法以及基于团的算法的修改版本或从这些概念中得到启发。
2015-03-21 cs.SI
Evaluating the effect of topic consideration in identifying communities of rating-based social networks
Mazandaran University of Science and Technology（马赞达兰科技大学）
在社会网络中寻找有意义的社区已经引起了许多研究者的关注。复杂网络的社团结构揭示了复杂网络的组织结构及其成员之间的隐藏关系。社区发现领域的大多数研究主要集中在网络的拓扑结构上，没有进行任何内容分析。如今，现实世界的社交网络包含了大量的信息，包括共享对象，评论，以下信息等，在最近几年，一些研究已经提出的方法，考虑在网络中交换的内容和网络的拓扑结构，以找到更有意义的社区。在本研究中，主题分析的效果，发现更有意义的社区在社交网站中，用户表达他们的感情对不同的对象（如电影）通过评级的手段进行了广泛的实验证明。
2016-04-26 cs.LG cs.SI stat.ML
Estimating the number of communities in weighted networks
针对加权网络社区检测中社区数量已知假设的局限，提出结合加权模块度与谱聚类的方法，适用于含负边权重和符号网络，数值与实验证明其估计社区数量更准确。
2022-11-29 cs.SI physics.data-an
Finding overlapping communities in multiplex networks
我们定义了一种方法来识别重叠社区的多重网络，扩展了流行的团渗流方法简单的图形。扩展需要重新考虑集团渗透算法所基于的基本概念，包括集团和集团邻接，以允许存在多种类型的边缘。
2016-03-07 cs.SI physics.soc-ph
Efficient Detection of Communities with Significant Overlaps in Networks: Partial Community Merger Algorithm
在大规模网络中，当每个顶点可能属于多个社区时，检测社区是一项具有挑战性的任务，这在社交网络中是常见的情况。顶点的多个成员资格以及社区之间的强重叠使得许多检测算法无效。我们开发了一个部分社区合并算法（PCMA）检测社区有显着重叠，以及轻微重叠和不相交的。它是一种自下而上的方法，通过对顶点的自我网络中的部分信息进行适当的重组来重建完整的社区。噪声控制和合并秩序是实施这一理念的两个关键问题。我们提出了一种新的相似性度量两个合并的社区，可以抑制噪声和一个有效的算法，递归合并最相似的社区对。PCMA的有效性和准确性进行了测试，对两个基准和四个现有的算法相比。它是最有效的一个线性复杂度，它优于比较算法时，顶点有多个成员。PCMA被应用于两个巨大的在线社交网络，Facebook和新浪微博。检测到数百万个社区，它们的质量高于相应的元数据组。我们发现，后者不应该被视为结构社区的基础真理。在检测到的社区中发现的显著重叠模式证实了需要新的算法，如PCMA，来处理社交网络中的顶点的多个成员资格。
2017-09-28 cs.SI physics.soc-ph
Modeling and Analysis of Information Communities
社区是社交网络的一个重要特征。事实上，社区似乎是社交网络高效的必要条件。然而，对于社区在社交网络中的实际作用、社区如何出现以及社区如何构建的正式研究却很少。本文的目标是提出一个数学模型来研究社交网络中的社区。为此，我们考虑社会网络的一个特殊情况，即信息网络。我们假设有一群对获取内容感兴趣的代理。代理在他们感兴趣的内容类型方面有所不同。代理的目标是形成社区，以最大限度地提高其获取和生产内容的效用。我们使用这个模型来描述在这种情况下出现的社区的结构。虽然所提出的模型非常简单，但所获得的结果表明，它确实能够捕获信息社区的关键属性。
2019-01-31 cs.GT cs.SI
Constant Communities in Complex Networks
社区结构识别是网络分析中的一个基本问题。大多数社区检测算法是基于优化组合参数，例如模块化。这种优化通常是NP困难的，因此仅仅改变顶点的顺序就可以改变它们对社区的分配。然而，关于顶点排序如何影响社区发现算法结果的研究却很少。在这里，我们确定和研究的性质不变的顶点（常数社区），其分配给社区是，相当显着，不受顶点排序。恒定社区的百分比可以在不同的应用程序和经验的结果，我们提出的指标来评估这些社区。使用常数社区作为预处理步骤，可以显着减少结果的变化。最后，我们提出了一个音素网络的案例研究，并说明恒定的社区，相当引人注目的是，形成更大的社区的核心功能单位。
2013-02-23 cs.SI physics.soc-ph
Vulnerable Connectivity Caused by Local Communities in Spatial Networks
本文通过平面基础设施建模研究空间网络中局部社区对连通鲁棒性的影响，发现强局部社区会削弱鲁棒性，并指出长距离链路可缓解其负面影响。
2025-04-23 cs.SI physics.soc-ph
Nodal domain partition and the number of communities in networks
在复杂网络中，社区数量的检测和评估是一个困难的问题，特别是当社区内部和社区之间的密度边界模糊时。本文利用离散节点域理论，通过网络的拓扑结构和几何特征，给出了一个判断网络中有多少个社团以及如何划分社团的标准。通过捕获某些拉普拉斯特征向量的符号，我们可以将网络分成几个合理的簇。该方法导致了一个快速和有效的算法与应用程序的各种实际网络数据集。
2012-01-27 cs.SI physics.soc-ph
A generalised significance test for individual communities in networks
许多经验网络具有社区结构，其中节点在每个社区内密集互连（即，一组节点）并且稀疏地跨越不同的社区。像其他的局域和中尺度网络结构一样，社区通常在各个方面都是异质的，例如规模，边缘密度，与其他社区的连接和重要性。在本研究中，我们提出了一种方法来统计测试在给定的网络中的单个社区的显着性。与以前的方法相比，本算法的独特之处在于，它接受不同的社区检测算法和相应的质量函数的单个社区。本方法要求每个社区的质量可以被量化，并且社区检测被执行为在社区上求和的这种质量函数的优化。各种社区检测算法，包括模块化最大化和图划分满足这一标准。我们的方法估计随机网络的质量函数的分布，以计算给定网络中每个社区的可能性。我们说明我们的算法合成和经验网络。
2018-05-09 cs.SI physics.soc-ph
Ubiquitousness of link-density and link-pattern communities in real-world networks
社区结构似乎是许多复杂现实世界网络的内在属性。然而，最近的工作表明，现实世界的网络揭示了比经典的凝聚力（链接密度）社区更复杂的模块。特别是，网络也可以根据节点之间的相似连接模式自然地划分，揭示链接模式社区。在这里，我们提出了一个基于传播的算法，可以提取链接密度和链接模式社区，没有任何先验知识的真实结构。该算法首先在不同类别的具有社团结构的合成基准网络和随机网络上进行了验证。我们进一步将该算法应用于不同的社会，信息，技术和生物网络，在那里它确实揭示了有意义的（复合）链接密度和链接模式社区。因此，结果似乎意味着，类似的链接密度对应物，链接模式社区似乎无处不在的性质和设计。
2011-10-24 cs.SI physics.data-an physics.soc-ph
Modeling Social Networks with Overlapping Communities Using Hypergraphs and Their Line Graphs
我们提出超图可以用来建模具有重叠社区的社交网络。超图的节点表示社区。超图的超链接表示可以参与多个社区的个人。超图不容易分析，而超图的线图是简单图或赋权图，因此可以应用网络理论。我们定义的重叠深度$k$的个人的社区，在该个人重叠的数量，我们证明了相应的线图的最小邻接特征值不小于$-k_{max}$，这是整个网络的最大重叠深度。基于具有优先连接的超图，建立了一个包含重叠社区的网络模型，其中重叠参数$k$和$w$可调.通过与Hyves社会网络的比较，我们发现，我们的社会网络模型具有高度的聚类性，混合性，幂律度分布和短的平均路径长度。
2010-12-13 cs.SI physics.soc-ph
Non-Parametric Detection of Network Communities; The Natural Way; A Cascaded Stackelberg Game
现实世界的网络具有内在的动态结构，通常由成员不断变化的社区组成。识别这些社区在分析网络的结构特性时非常重要。因此，近年来已经见证了密集的研究，以解决检测这种不断变化的社区的挑战性问题。朝向社区发现的主流方法涉及在网络上优化全局分区质量度量（例如，模块化）。另一种技术，谱聚类，涉及在低维空间中映射原始数据点，其中图的聚类属性更加明显，然后应用标准聚类技术来识别社区。然而，传统的谱聚类技术不能自然地学习网络中社区的数量。这些技术是基于外部社区连接属性，往往无法识别密集网络中较小的社区结构。在这篇文章中，我们提出了一个算法，即级联Stackelberg社区发现算法（CASCODE）的启发Stackelberg双寡头博弈。该算法使用节点之间的领导者-追随者关系的概念来影响任何一个节点的行为。该算法的直观性是基于网络中进化社区的自然预期内部结构。因此，该算法能够自然地学习网络中的社区数量，而其他技术，如谱聚类，需要社区的预期数量作为输入。由于这种基于Stackelberg模型的社区发现算法是通过社区的内部结构来检测社区的，因此我们能够在密集网络中获得更精细的社区结构解析。
2018-01-18 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
Estimating the number of communities in a network
社区发现是将网络划分为密集的子网络，而子网络之间只有稀疏的连接，是近年来研究的热点。然而，虽然存在一系列强大而灵活的方法将网络划分为指定数量的社区，但如何确定应该使用多少社区仍然是一个悬而未决的问题。在这里，我们描述了一个数学原理的方法，使用最大似然方法找到网络中的社区数量。我们展示了一系列的真实世界的例子与已知的社区结构的方法，发现它是能够正确地确定社区的数量在每一种情况下。
2016-08-23 cs.SI physics.soc-ph
Multilink Communities of Multiplex Networks
多重网络描述了大量复杂的社会、生物和交通网络，其中一组节点通过不同性质和内涵的链接连接在一起。在这里，我们揭示了丰富的社区结构的多路复用网络相关联的社区，每个多链路的特点之间存在的任何两个节点的多路复用网络的连接。我们的社区检测方法揭示了丰富的多重网络的中尺度结构和它们的多样性之间的相互作用。例如，一些节点可以属于许多层和少数社区，而其他节点可以属于少数层但许多社区。此外，多链路社区可以由不同数量的相关层形成。这些结果指出，在中观上，复用网络的可压缩性可能存在很大的差异。
2017-06-27 cs.SI physics.soc-ph
Finding overlapping communities in networks using evolutionary method
社团结构是现实网络的一个典型性质，已成为理解网络系统动力学的关键。在这些网络中，大多数节点显然位于一个社区中，但往往存在一些节点跨越几个社区。一个理想的社区发现算法是最好的，它可以识别这种网络中的重叠社区。为了表示重叠的划分，我们开发了由两个部分组成的编码模式，第一个部分表示不相交的分区，第二个部分表示允许多个成员资格的分区的扩展。我们给出了一个衡量一个节点的信息量，并提出了一个进化的方法来检测网络中的重叠社区。
2013-02-27 cs.SI physics.soc-ph
Discovering link communities in complex networks by exploiting link dynamics
复杂网络中社区的发现是一个基本的数据分析问题，在许多领域都有应用。大多数现有的方法都集中在发现社区的节点，而最近的研究表明，网络中的链接社区的知识有很大的优势和效用。从这个新的角度来看，我们提出了一个基于链接动态的算法，称为UELC，用于识别网络的链接社区。在UELC中，链路-节点-链路随机游动的随机过程被用来展开网络中链路的嵌入式二分结构。然后，利用马尔可夫链的随机游走的局部混合属性来提取两个出现的链接社区。此外，随机游走和二分区过程被包裹在迭代细分策略中，以递归地识别将网络链路隔离成多个细分的链路分区。我们评估了新方法在合成基准上的性能，并在现实世界的网络上展示了其实用性。我们的实验结果表明，我们的方法是非常有效的发现复杂网络中的链接社区。作为比较，我们还扩展了UELC来提取节点的社区，并表明它是有效的节点社区识别。
2013-03-19 cond-mat.stat-mech cs.SI physics.soc-ph
Generalized communities in networks
大量的研究致力于研究网络中的社区结构，但社区并不是大规模网络结构的唯一可能形式。在这里，我们描述了社区结构的广泛扩展，包括传统社区，但也包括广泛的广义结构模式。我们描述了一种在经验网络数据中检测这种广义结构的原则性方法，并通过真实世界的例子演示了如何使用它来学习有关网络形状和意义的新知识。
2015-05-27 cond-mat.stat-mech cs.SI physics.soc-ph
Minimal paths between communities induced by geographical networks
在这项工作中，我们研究了地理网络的介数中心性及其与网络社区的关系。我们发现，具有大介数的顶点定义了我们所谓的特征介数路径，在建模和现实世界的地理网络。我们定义了一个地理网络模型，拥有一个简单的拓扑结构，同时仍然能够提出这样的介数路径。使用这个模型，我们表明，这样的路径代表的入口和出口点之间的路径高度连接的区域，或社区，地理网络。通过定义一个新的网络，包含在原始网络中的社区邻接的信息，我们描述了一种手段来表征这种特征介数路径提供的中尺度连接。
2015-10-19 cs.SI physics.soc-ph
Comparing Network Structures of Commercial and Non-commercial Biohacking Online-communities
本文比较了两个生物黑客组织，防弹执行和DIY生物，其不同的目标导致社会网络结构，活动和切入点的差异。
2015-03-11 cs.SI
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
OLCPM: An Online Framework for Detecting Overlapping Communities in Dynamic Social Networks
社团结构是复杂网络最显著的特征之一。社区结构检测对于深入了解网络结构和功能具有重要意义。大多数建议都集中在静态网络上。然而，在动态网络中寻找社区更具挑战性，特别是当社区彼此重叠时。在这篇文章中，我们提出了一个在线算法，称为OLCPM，基于团渗流和标签传播方法。OLCPM可以检测重叠社区，并以细粒度在时间网络上工作。通过局部更新社区结构，OLCPM提供了显着的改善，在运行时间相比，以前的团渗透技术。在人工网络和真实网络上的实验结果表明了该方法的有效性。
2018-04-11 cs.DS cs.SI physics.soc-ph
Identifying communities by influence dynamics in social networks
社区不是静态的;它们进化、分裂和合并、出现和消失，即它们是支配网络进化的动态过程的产物。一个好的社区发现算法不仅要量化网络的拓扑结构，而且要考虑网络中发生的动态过程。我们提出了一种新的算法，社区检测，结合网络结构的过程，支持创建和/或进化的社区。该算法并没有采用通用的方法，而是试图专注于社交网络，并对这些网络上发生的动态社交互动进行建模。它识别领导者，以及围绕这些领导者形成的社区。它通过将每个节点与描述节点在每个社区中的参与的成员关系向量相关联来自然地支持重叠社区。通过这种方式，除了重叠的社区之外，我们还可以识别出作为其领导者的良好追随者的节点，以及没有明确社区参与的节点，这些节点作为多个社区之间的代理，并且同样重要。我们运行的算法，几个真正的社交网络，我们认为代表了一个很好的一部分，广泛的身体社交网络和讨论的结果，包括其他可能的应用。
2011-11-23 cond-mat.stat-mech cs.SI physics.soc-ph
Small Number of Communities in Twitter Keyword Networks
我们调查网络形成的关键字在推文和研究他们的社区结构。基于从美国和加拿大的700多个政治人物中挖掘的推文数据集，我们假设这样的Twitter关键字网络展示了少量的社区。通过考虑随机生成的所谓伪推文和使用基于AI的语言生成软件，我们的结果得到了进一步加强。我们推测小社区假说的可能起源，并进一步尝试验证它。
2021-08-30 cs.SI
Shared Nodes of Overlapping Communities in Complex Networks
Aalto University（阿尔托大学）
本文提出了一种基于阈值规则识别复杂网络中重叠社区共享节点的方法，通过分析节点在重叠社区中的角色以减少噪声影响，并在多个真实网络中验证了方法的鲁棒性。
2025-12-15 cs.SI
Overlapping Communities in Social Networks
复杂网络通常可以分解为组或模块。发现这种“社区结构”是研究网络大规模结构的重要一步。许多算法已经被提出用于社区发现，并且已经创建了基准来评估它们的性能。通常，用于社区发现的算法或者划分图（非重叠社区）或者找到节点覆盖（重叠社区）。在本文中，我们提出了一个特别简单的半监督学习算法发现社区。本质上，给定少量“种子节点”的社区信息，该方法使用从种子节点的随机游走来揭示整个网络的社区信息。该算法按时间$O(k \cdot m \cdot \log n)$运行，其中$m$是边的数量; $n$是链路的数量;以及$k$是网络中的社区的数量。在具有$m = O(n)$和恒定数量社区的稀疏网络中，该运行时间几乎与网络大小成线性关系。我们的算法的另一个重要特点是，它可以用于非重叠或重叠的社区。我们测试我们的算法使用LFR基准创建的Lancichinetti，Raviato，和Radicchi专门用于评估这些算法的目的。我们的算法可以竞争的最好的算法，为两个非重叠和重叠的社区，发现在全面的研究Lancichinetti和Ravinato。
2014-12-18 cs.SI physics.soc-ph
Defining and Evaluating Network Communities based on Ground-truth
真实世界网络中的节点组织成紧密相连的社区，其中边缘在社区成员中高度集中。识别这样的节点社区已被证明是一项具有挑战性的任务，主要是由于社区的定义过多，算法难以处理，评估问题以及缺乏可靠的黄金标准真值。在本文中，我们研究了一组230个大型的现实世界的社会，协作和信息网络，其中节点显式地说明他们的组成员。例如，在社交网络中，节点明确地加入各种基于兴趣的社交群组。我们使用这样的群体来定义可靠和强大的真值社区概念。然后，我们提出了一种方法，使我们能够比较和定量评估如何不同的结构定义的网络社区对应于真值社区。我们选择了13种常用的网络社区结构定义，并研究了它们在识别真值方面的敏感性、鲁棒性和性能。我们发现，13个结构的定义是高度相关的，自然分为四类。我们发现，这些定义中的两个，电导和三合会参与比，始终给出最好的性能，在确定真值社区。我们还研究了一个任务，检测社区给定一个单一的种子节点。我们将局部谱聚类算法扩展为一种启发式的无参数社区发现方法，该方法可以轻松扩展到具有超过一亿个节点的网络。所提出的方法实现了30%的相对改善，目前的局部聚类方法。
2012-11-06 cs.SI physics.soc-ph
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
Bayesian Overlapping Community Detection in Dynamic Networks
在社交网络中检测社区结构近年来得到了相当大的关注。然而，缺乏关于社区数量的先验知识，以及它们的重叠性质使得社区发现成为一个具有挑战性的问题。此外，许多现有的方法只考虑静态网络，而大多数现实世界的网络是动态的，并随着时间的推移而演变。因此，在没有任何关于社区数量的先验知识的情况下，在动态网络中找到一致的重叠社区仍然是一个有趣的开放式研究问题。本文提出了一种动态网络中的重叠社区发现方法--动态贝叶斯重叠社区检测器（DBOCD）。DBOCD假设在网络的每个快照中，社区的重叠部分是密集区域，并使用链接社区而不是公共节点社区。使用递归中餐馆过程和社区结构的网络在最后一个快照，DBOCD同时提取社区的数量和软社区成员的节点，同时保持社区的一致性随着时间的推移。我们评估了DBOCD合成和真实的动态数据集，以评估其在不同类型的网络演化中找到重叠社区的能力。结果表明，DBOCD优于目前最先进的动态社区发现方法。
2016-05-08 cs.SI physics.soc-ph
Significant communities in large sparse networks
研究人员使用社区检测算法来揭示生物和社交网络中的大规模组织，但社区检测只有在社区重要且不是噪声数据的结果时才有用。为了评估网络社区的统计显著性或检测到的结构的鲁棒性，一种方法是通过移除链接来扰动网络结构并测量社区的变化程度。然而，扰动稀疏网络是具有挑战性的，因为它们本质上是敏感的;如果删除链接，它们很容易破碎。在这里，我们提出了一个简单的方法来扰动稀疏网络，并评估其社区的重要性。我们通过基于局部信息添加额外的链接来生成重采样网络，然后我们聚合来自多个重采样网络的信息，以找到重要聚类的粗粒度描述。除了在基准网络上测试我们的方法外，我们还在欧洲法院（ECJ）判例法的稀疏网络上使用我们的方法来检测重要和不重要的法律领域。我们使用我们的显著性分析绘制了一张欧洲法院判例法网络图，揭示了法律领域之间的关系。
2013-02-01 cs.SI physics.soc-ph
Core of communities in bipartite networks
我们使用存在于二分网络中的信息来检测二分系统的每个集合的社区的核心。社区的核心是通过调查统计验证的预测网络中使用的二分网络中存在的信息。社区的核心是高度信息化的，并且对于二分网络中存在的错误或缺失条目是鲁棒的。我们通过研究人工基准网络、合著网络和演员电影网络来评估核心的统计鲁棒性。相对于参考分区获得的分区的准确度和精确度分别根据经调整的Rand索引和经调整的Wallace索引来测量。核的检测是高度精确的，尽管该方法的准确性在某些情况下可能是有限的。
2017-03-06 cs.SI physics.data-an physics.soc-ph
Detecting hierarchical and overlapping network communities using locally optimal modularity changes
凝聚聚类是一种确定网络社区的成熟策略。社区逐渐合并为更大的社区，使行为者网络粗化为更易于管理的社区网络。合并发生的顺序一般不清楚，因此需要选择要合并的社区对。我们描述了一个层次聚类算法的基础上的局部最优属性。对于网络中的每个边缘，我们将模块化变化与其链接的社区合并相关联。对于每一个社区顶点，我们称之为首选的边缘的模块化变化是最大的。当一条边被它所链接的两个顶点所偏好时，从局部观点来看，它似乎是最佳选择。我们使用局部最优边缘来定义算法：同时合并由局部最优边缘连接的所有社区对，这将增加模块化，在每一步之后重新确定局部最优边缘，并继续只要模块化可以进一步增加。我们将该算法应用于模型和经验网络，证明它可以有效地产生高质量的社区解决方案。我们将性能和实现细节与由此产生的社区层次结构相关联。我们还考虑了一个互补的局部聚类算法，描述了如何识别重叠社区的局部最优条件的基础上。
2013-09-04 cond-mat.dis-nn cs.SI physics.soc-ph
Micro, Meso, Macro: the effect of triangles on communities in networks
中尺度结构（社区）用于理解复杂网络的宏观尺度特性，例如其功能和形成机制。已知微尺度结构存在于大多数复杂网络中（例如，大量的三角形或图案），但是它们在所考虑的简单随机图模型中不存在（例如，作为空模型）。在本文中，我们研究的微观结构上的社区在网络中的外观的效果。我们发现，单独的三角形的存在导致社区的外观，即使在设计，以避免在随机网络中的社区检测的方法。这表明，社区可以自发地从发生在微观层面的简单的motiff生成过程中出现。我们的研究结果是基于四个广泛使用的社区检测方法（随机块模型，谱方法，模块化最大化，和Infomap算法）和三种不同的生成网络模型（三元封闭，广义配置模型，和随机图与三角形）。
2019-07-15 cs.SI physics.soc-ph
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
Detectability of communities in heterogeneous networks
社区是刻画真实网络结构的基本实体。识别网络中社区的标准方法是基于被称为“模块性”的质量函数的优化。虽然模块化一直是一个激烈的研究活动的中心，并提出了许多方法，其最大化，它还没有太多的必要条件，社区需要满足，以检测与模块化最大化的方法。在这里，我们开发了一个简单的理论来建立这些条件，并成功地将其应用于各种网络模型。我们的主要结果是，在度分布的异质性有助于模块正确地恢复网络的社区结构，在现实的情况下，度指数$γ< 2.5$的无标度网络，模块总是能够检测社区的存在。
2013-07-04 cond-mat.stat-mech cs.SI physics.soc-ph
On the Behaviour of Deviant Communities in Online Social Networks
在线社交网络是相互联系的社区的复杂集合体，这些社区就不同的主题进行交互。一些社区的特点是通常被称为越轨行为，通常被认为是不适当的行为，就社会规范或道德标准。饮食失调，药物使用和成人内容消费只是几个例子。我们把这样的社区称为异常网络。人们普遍认为，这种异常网络是利基，孤立的社会群体，其活动与主流社交媒体生活分离。根据这一假设，研究大多孤立地考虑它们。在这项工作中，我们专注于成人内容消费网络，这是目前在许多在线社交媒体和一般的网络。我们发现，很少有小型和密集连接的社区负责大部分内容的生产。与以前的工作不同，我们研究了这样的社区如何与整个社会网络互动。我们发现，制作的内容主要直接或通过桥接社区流向网络的其他部分，达到至少450倍以上的用户。我们还表明，很大一部分用户可以通过间接的内容再共享无意中接触到这些内容。我们还讨论了生产者和消费者网络的人口统计分析。最后，我们表明，这是很容易找到几个核心用户从根本上根除扩散过程。我们的目标是为在情境中研究偏差社区奠定基础。
2016-10-26 cs.SI physics.soc-ph
Literature Survey on Finding Influential Communities in Large Scale Networks
社区或模块结构被认为是大规模现实世界图（如社交或信息网络）的重要属性。在这些图中检测有影响力的集群或社区是一个相当感兴趣的问题，因为它通常占系统的功能。我们的目的是提供一个全面的阐述，包括问题的主要元素，现有的研究的简要介绍，分离和重叠的社区搜索，有影响力的社区的想法，其含义和目前的艺术状态，最后提供一些见解，为未来的研究可能的方向。
2019-02-05 cs.SI
Efficient method for estimating the number of communities in a network
网络中社区发现的有效方法很多，但大多数方法都需要事先知道要寻找多少个社区。在这里，我们提出了一种方法，用于估计社区的数量在网络中使用贝叶斯推理与一个新的先验和一个有效的蒙特卡罗抽样方案相结合。我们在真实网络和计算机生成的网络上广泛测试了该方法，结果表明，即使在群体大小或结构差异很大的情况下，该方法也能准确且一致地执行。
2017-06-07 cs.SI physics.soc-ph
Emergence of network communities driven by local rules
本文通过数值模拟引入 Ramsey 社区数，证明在随机块模型和 Infomap 方法下，网络社区是由局部规则驱动的涌现属性，无需节点异质性。
2025-06-09 cond-mat.dis-nn cs.DM cs.SI
Recognizing number of communities and detecting community structures in complex networks
本文讨论了复杂网络中社团数目的识别和社团结构的检测问题。块模型作为一种直观可行的算法，已成功应用于复杂网络社团结构的检测。为了衡量块模型的质量，我们首先定义一个目标函数WQ值。为了得到网络的块模型B，采用GSA算法，在随机密钥的帮助下优化WQ。在块模型B上执行过程AO（Adding Ones）和RO（Removing Ones）之后，可以清楚地识别网络的社区数量。此外，基于块模型节点排序与社团排序一致的优点，提出了一种新的模糊边界社团结构检测算法，并成功地应用于一些典型网络。最后通过实验验证了该算法的可行性。
2018-03-18 cs.SI physics.soc-ph
Discovering Polarized Communities in Signed Networks
签名网络包含边注释，以指示每个交互是友好的（正边）还是敌对的（负边）。该模型简单但功能强大，可以捕捉真实世界现象的新颖有趣的结构特性。对签名网络的分析有许多应用，从社交媒体中的建模讨论，到挖掘用户评论，以及在电子商务网站中推荐产品。在本文中，我们考虑的问题，发现极化社区签署的网络。特别是，我们搜索两个社区（网络顶点的子集），其中社区内大多数是正边，而社区之间大多数是负边。我们制定这个新的问题作为一个“离散特征向量”的问题，我们证明是NP-难的。然后，我们开发了两个直观的谱算法：一个确定性，一个随机的质量保证$\sqrt{n}$（其中$n$是图中的顶点数），紧到常数因子。我们验证我们的算法对现实世界的签名网络上的非平凡基线。我们的实验证实，我们的算法产生更高质量的解决方案，速度更快，可以扩展到比基线更大的网络，并且能够检测地面实况极化社区。
2019-10-06 cs.DS cs.SI
Ensembles based on the Rich-Club and how to use them to build soft-communities
网络系综被用作零模型来区分网络结构。提出了一种基于最大熵方法的网络集成生成算法，该算法由度序列和富俱乐部系数定义。该方法适用于无权无向网络。该集成用于生成真实网络的相关和不相关零模型。这些集成可以用来定义网络划分为软社区。
2015-04-21 cs.SI physics.data-an
Detecting network communities via greedy expanding based on local superiority index
社区发现是网络科学中一个重要而又具有挑战性的课题。近年来，社区发现的局部方法受到了广泛的关注。贪婪扩展算法是一种流行而有效的局部算法，它通常从选定的中心节点开始，通过优化某个质量函数来扩展这些节点以获得临时社区。在本文中，我们提出了一种新的指数，称为本地优势指数（LSI），以确定中心节点。在扩展过程中，我们应用适应度函数来估计临时社区的质量，并确保所有临时社区必须是弱社区。基于归一化互信息的评价结果表明：（1）在考虑最多的网络上，LSI优于全局最大度指标和局部最大度指标;（2）在考虑最多的网络上，基于LSI的贪婪算法优于经典的快速算法。
2022-02-12 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
Finding communities in sparse networks
基于网络矩阵表示的谱算法常被用来检测社区，但基于邻接矩阵及其变体的经典谱方法不能检测稀疏网络中的社区。基于非回溯随机游走的新谱方法最近被引入，成功地在许多稀疏网络中检测社区。然而，非回溯随机游走的频谱忽略了网络中的悬挂树，这些树可以包含关于网络社区结构的信息。我们引入了不情愿的回溯算子，明确占挂树，因为他们承认一个小的概率返回到前一个节点不像非回溯算子，禁止立即返回。我们发现，不情愿的回溯算子可以检测社区在某些稀疏网络中的非回溯算子不能，同时执行基准随机块模型网络和现实世界的网络。我们还表明，频谱的不情愿回溯算子近似优化的标准模块化功能类似的流矩阵。有趣的是，对于这个非回溯和非回溯回溯算子家族，在现实网络中性能的主要决定因素是它们是否被归一化以保持每个节点的概率。
2015-09-22 cs.SI physics.soc-ph
Estimating the number of communities in networks by spectral methods
社区发现是网络分析中的一个基本问题，有许多方法可以用来估计社区。大多数这些方法都假设社区的数量是已知的，但实际情况往往并非如此。我们研究了一种简单而快速的方法，用于估计社区的数量的基础上的某些图算子的谱特性，如非回溯矩阵和Bethe Hessian矩阵。我们表明，该方法在几种模型和广泛的参数范围内表现良好，并保证在几个渐近制度下是一致的。我们比较了这种方法，估计社区的数量现有的几种方法，并表明它是更准确和更有效的计算。
2019-11-15 cs.SI math.ST stat.ML
Neighborhoods are good communities
社交网络的社区是顶点的集合，集合内部的连接比外部的连接多。我们从理论上证明了社交网络的两个常见的性质，重尾度分布和大的聚类系数，意味着存在顶点邻域（也称为egonet），它们本身就是良好的社区。我们评估这些社区社区的一系列图。我们发现，社区社区的电导率通常与费德勒切割一样好。此外，附近社区的电导表现出类似的行为，网络社区配置文件计算与个性化的PageRank社区发现方法。后者需要扫过大量的起始顶点，这可能是昂贵的。然而，通过使用一个小的且易于计算的邻域社区集作为这些PageRank社区的种子，我们发现当在图中的任何地方播种时，社区都可以精确地捕获网络社区配置文件的行为，并且总工作量显着减少。
2011-11-30 cs.DM cs.DS cs.SI
Fast unfolding of communities in large networks: 15 years later
本文回顾Louvain方法提出15年来的发展，概述其推广、改进及除模块度外的质量函数，总结其在社区检测中的核心贡献。
2023-11-10 cs.SI physics.soc-ph
Multiple Hybrid Phase Transition: Bootstrap Percolation on Complex Networks with Communities
Bootstrap渗流模型是研究社交网络上的谣言、新产品或创新传播的著名模型。实证研究表明，社区结构在各种社交网络中普遍存在。因此，研究具有社区的复杂网络上的自举渗流，可以为我们理解社交网络上的传播动力学提供新的、重要的视角。近年来，它引起了许多科学家的关注。在这篇文章中，我们研究了具有社区的Erdens-Rényi网络的自举渗流，观察到了自然系统中罕见的二阶、混合（二阶和一阶）和多重混合相变。此外，我们还解析求解了该系统，得到了相图，并通过相应的模拟得到了进一步的证明。
2014-07-01 cs.SI physics.soc-ph
