Bridging the Gap between Community and Node Representations: Graph Embedding via Community Detection
University of Fribourg（弗里堡大学）
图嵌入已成为许多数据采掘和分析系统的关键组成部分。当前的图嵌入方法要么从图中采样大量的节点对以经由随机优化来学习节点嵌入，要么经由计算上昂贵的矩阵分解技术来分解图的高阶邻近/邻接矩阵。这些方法通常需要大量资源用于学习过程，并依赖于多个参数，这限制了它们在实践中的适用性。此外，大多数现有的图嵌入技术仅在一个特定度量空间中有效地操作（例如，用余弦相似性产生的一个），不保留输入图的高阶结构特征，并且不能自动确定有意义的嵌入维数的数目。通常，产生的嵌入不容易解释，这使得进一步的分析复杂化并限制了其适用性。为了解决这些问题，我们提出了DAOR，一种高效且无参数的图嵌入技术，可以在不进行任何手动调整的情况下生成度量空间鲁棒，紧凑且可解释的嵌入。与十几种最先进的图嵌入算法相比，DAOR在节点分类（受益于高阶邻近度）和链接预测（主要依赖于低阶邻近度）方面都产生了竞争性结果。然而，与现有技术不同，DAOR不需要任何参数调整，并将嵌入生成速度提高了几个数量级。因此，我们的方法有野心，大大简化和加快数据分析任务，涉及图表示学习。
2019-12-17 cs.LG cs.SI stat.ML
Adversarial Attack on Community Detection by Hiding Individuals
The Chinese University of Hong Kong（香港中文大学）；Georgia Institute of Technology（佐治亚理工学院）；Tencent AI Lab（腾讯人工智能实验室）
已经证明，对抗图，即，添加了不可感知的扰动的图可能导致深度图模型在节点/图分类任务上失败。在本文中，我们扩展对抗图的问题，社区发现，这是困难得多。我们专注于黑盒攻击，旨在隐藏目标个体，使其无法被深度图社区发现模型检测到，这在现实世界中有很多应用，例如，保护社交网络中的个人隐私和理解交易网络中的伪装模式。我们提出了一个迭代学习框架，轮流更新两个模块：一个作为约束图生成器，另一个作为代理社区发现模型。我们还发现，我们的方法生成的对抗图可以转移到其他基于学习的社区发现模型。
2020-01-22 cs.CR cs.LG cs.SI
Significant-attributed Community Search in Heterogeneous Information Networks
针对现有社区搜索方法无法适配多类型顶点构成的异质信息网络的问题，本文提出异质显著社区模型及对应的在线算法、两级索引与紧凑索引，在真实数据集上验证了方法的有效性与高效性。
2023-08-25 cs.DB cs.SI
Community-Invariant Graph Contrastive Learning
Tokyo Institute of Technology（东京工业大学）；The University of Tokyo（东京大学）；RIKEN（理化学研究所）；Tohoku University（东北大学）
本文针对图对比学习中随机增强破坏图社区结构的问题，提出社区不变的图对比学习框架，通过最大化谱变化统一拓扑与特征增强约束，在21个基准数据集上验证了其鲁棒性和优越性。
2024-05-02 cs.LG cs.SI
The Role of Community Detection Methods in Performance Variations of Graph Mining Tasks
University of North Carolina Charlotte（北卡罗来纳大学夏洛特分校）
本研究探讨社区检测算法选择对下游图挖掘任务性能的影响，提出集成框架进行系统比较，发现方法选择显著影响性能。
2025-09-10 cs.LG cs.SI
Modularity of the ABCD Random Graph Model with Community Structure
SGH Warsaw School of Economics（华沙经济学院）；Ryerson University（瑞尔森大学）；Tutte Institute for Mathematics and Computing（塔特数学与计算研究所）
人工社区发现基准图（ABCD）是一个具有社区结构的随机图模型，其度和社区大小均服从幂律分布。该模型生成的图形具有与著名的LFR图形相似的特性，并且其主要参数$ξ$可以被调整以模仿LFR模型中的对应物，即混合参数$μ$。本文研究了ABCD模型的各种理论渐近性质。特别是，我们分析的模块化功能，可以说，最重要的图形属性的网络中的背景下，社区发现。事实上，模块度函数经常被用来衡量网络中社区结构的存在。它也被用作许多社区发现算法中的质量函数，包括广泛使用的Louvain算法。
2022-03-03 cs.LG cs.SI math.CO
Community-based anomaly detection using spectral graph filtering
Universidade Federal de São Paulo (UNIFESP)（圣保罗联邦大学）；Instituto Tecnológico de Aeronáutica (ITA)（航空技术研究所）
一些应用程序具有社区结构，其中相同社区的节点共享相似的属性。网络中异常或离群点检测是一个相关的和广泛研究的研究课题，在各个领域的应用。尽管有大量的异常检测框架，但缺乏同时考虑属性图和网络社区结构的方法。本文提出了一种基于社区的异常检测算法，使用基于谱图的过滤器，包括网络社区结构到拉普拉斯矩阵作为傅立叶变换的基础。此外，滤波器的截止频率的选择考虑社区的数量found. In计算实验中，所提出的策略，称为SpecF，成功地识别即使是离散的异常表现出色。SpecF优于不考虑社区结构的基线，特别是对于社区重叠度较高的网络。此外，我们提出了一个案例研究，以验证所提出的方法来研究COVID-19在巴西圣若泽多斯坎波斯不同地区的传播。
2022-01-24 cs.LG cs.SI
Revisiting Spectral Graph Clustering with Generative Community Models
社区发现的方法可以分为两个原则：在给定的图上施加网络模型，或优化设计的目标函数。前者提供了理论上的可检测性的保证，但当图形与基础模型不一致时，前者就不足了。后者是无模型的，但不能为检测到的社区提供质量保证。在本文中，我们提出了一个新的统一框架，结合这两个原则的优点。SGC-GEN方法不仅考虑了由于模型与给定图不匹配而导致的检测误差，而且通过分析生成社区模型（GCMs）下的谱图聚类（SGC），从理论上保证了社区的可检测性. SGC-GEN将正确的社区检测的可预测性与社区适应GCM的措施相结合。它通过启用各种社区检测损失函数和模型失配度量来模拟监督学习问题的制定。在GCM下，我们进一步建立了利用归一化图Laplacian矩阵进行正确社区检测的理论条件，为SGC-GEN提供了一种新的数据驱动损失函数，并给出了SGC-GEN的有效实现算法，其计算复杂度与基线方法相当.我们在18个真实数据集上的实验表明，SGC-GEN在7个有代表性的聚类指标下，与6个基线方法相比，具有优越和鲁棒的性能。
2017-10-05 cs.SI stat.ML
Understanding Community Bias Amplification in Graph Representation Learning
Fudan University（复旦大学）；Ant Group（蚂蚁集团）
本文从谱视角揭示图表示学习中的社区偏差放大机制，提出随机图粗化及 RGCCL 对比学习模型以缓解该偏差。
2023-12-08 cs.LG cs.SI
Principal Graph Encoder Embedding and Principal Community Detection
University of Delaware（特拉华大学）；Temple University（天普大学）；Microsoft Research at Redmond（微软研究院雷德蒙分部）
本文提出主成分图编码嵌入方法，用于同时检测主成分社区并实现顶点嵌入，通过理论分析和实验验证其在社区检测和顶点分类中的有效性。
2025-07-02 cs.SI stat.ML
Unsupervised Constrained Community Detection via Self-Expressive Graph Neural Network
Amazon Science（亚马逊科学）；IBM Research（IBM研究院）；Indian Institute of Science（印度科学院）
图神经网络（GNN）能够在多个图下游任务（例如节点分类和链接预测）上实现有希望的性能。相对较少的工作已经完成，设计GNN，可以直接操作的社区发现图。传统上，GNN是在半监督或自监督损失函数上训练的，然后应用聚类算法来检测社区。然而，这种解耦的方法本质上是次优的。设计一个无监督的损失函数来训练GNN并以综合的方式提取社区是一个根本的挑战。为了解决这个问题，我们在文献中首次将自表达原理与自监督图神经网络框架相结合，用于无监督社区发现。我们的解决方案以端到端的方式进行训练，并在多个公开可用的数据集上实现最先进的社区发现性能。
2021-10-19 cs.LG cs.SI
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
Incremental Community Detection in Distributed Dynamic Graph
社区发现是图分析领域的一个重要研究课题，具有广泛的应用前景。在过去的几年中，开发了各种静态社区发现算法和质量度量。然而，大多数真实世界的图形不是静态的，经常会随着时间的推移而变化。在流数据的情况下，相关联的图中的社区需要被连续地更新或者每当新的数据流被添加到图中时被更新，这在设计良好的社区发现算法以用于在流数据上维护动态图方面提出了大得多的挑战。在本文中，我们提出了一个增量式的社区发现算法，用于维护流数据的动态图。本研究的贡献包括：（a）分布式加权社区聚类（DWCC）算法的实现，（b）一种新的增量分布式加权社区聚类（IDWCC）算法的设计和实现，以及（c）一个实验研究，我们的IDWCC算法与DWCC算法的性能进行比较。我们验证了我们的框架在处理流数据和执行大型内存中的分布式动态图分析的功能和效率。结果表明，我们的IDWCC算法的执行速度比DWCC算法的三倍相似的精度。
2021-10-12 cs.DC cs.LG cs.SI
A Community-Enhanced Graph Representation Model for Link Prediction
School of Computer Science and Engineering（计算机科学与工程学院）；School of Computer Science（计算机科学学院）
本文提出CELP框架，通过结合社区结构，改进图表示模型以提升链接预测的准确性。
2025-12-24 cs.LG cs.SI
How Low Can You Go? Searching for the Intrinsic Dimensionality of Complex Networks using Metric Node Embeddings
Yale University（耶鲁大学）；Technical University of Denmark（丹麦技术大学）
本研究提出一种基于欧几里得度量嵌入的高效对数搜索方法，证明复杂网络的内在维度远低于以往认知，首次实现百万节点大规模网络的低维精确重建与无损表示。
2025-03-03 cs.LG cs.SI
A Comprehensive Review of Community Detection in Graphs
School of Information Science and Engineering, Lanzhou University（兰州大学信息科学与工程学院）；Hong Kong University of Science and Technology(Guangzhou)（香港科技大学（广州））；School of Information Science and Engineering, Shandong University（山东大学信息科学与工程学院）；School of Big Data and Software Engineering, Chongqing University（重庆大学大数据与软件学院）；School of Mathematics and Statistics, Lanzhou University（兰州大学数学与统计学院）；National University of Singapore（新加坡国立大学）；School of Mechanical and Electrical Engineering, Guangzhou University（广州大学机械与电气工程学院）；Hongshen Honors School & School of Mathematics and Statistics, Chongqing University（重庆大学弘深学院与数学与统计学院）
本文是一篇图社区检测的全面综述，从多类方法角度梳理现有技术，提出一种新检测方法并对比其在不同数据集上的性能，为该领域研究提供深入认知。
2024-07-12 cs.LG cs.SI
Advances in Scaling Community Discovery Methods for Signed Graph Networks
社区发现是社会网络分析（SNA）中的一项常见任务，其应用于包括医学、犯罪学和商业在内的各种领域。尽管社区发现很流行，但对于签名网络的最有效方法还没有明确的共识。在本文中，我们总结了社区发现在签署网络的发展和评估当前国家的最先进的技术在几个现实世界的数据集。首先，我们给出了一个全面的背景下，社区发现在签署图。接下来，我们比较了拉普拉斯矩阵的各种适应性，通过在小的有符号图数据集中进行谱聚类来恢复地面实况社区标签。然后，我们评估了领先的算法在小型，大型，密集和稀疏的真实世界的签名图网络上的可扩展性。最后，我们讨论了我们的新发现和建议，以扩展和改进现实世界中签名图社区发现的最先进技术。{Sign图聚类，社区发现，稀疏网络
2022-05-25 cs.SI
High-order Order Proximity-Incorporated, Symmetry and Graph-Regularized Nonnegative Matrix Factorization for Community Detection
社区描述了网络的运行机制，使得社区发现成为社交圈发现等各种实际应用的基础图工具。到目前为止，对称和非负矩阵分解（SNMF）模型已被频繁采用，以解决这个问题，由于其高度的可解释性和可扩展性。然而，大多数现有的基于SNMF的社区发现方法忽略了网络中的高阶连接模式。基于这一发现，本文提出了一种结合高阶邻近度（HOP）、对称性和图正则化的NMF（HSGN）模型，该模型采用以下三个方面的思想：a）采用基于加权逐点互信息（PMI）的方法来测量网络中节点之间的HOP索引; b）利用迭代重建方案将捕获的HOP编码到网络中;以及c）引入对称和图正则化NMF算法来精确地检测社区。对八个真实网络的广泛实证研究表明，基于HSGN的社区检测器在提供高准确度的社区发现结果方面明显优于基准和最先进的社区检测器。
2022-03-08 cs.AI cs.LG cs.SI
Community Detection: Exact Recovery in Weighted Graphs
在社区发现中，主要研究了边缘取自Bernoulli分布的一般随机块模型下社区（簇）的精确恢复问题。本文考虑了完全图中社区的精确恢复，其中图的边来自一组具有社区依赖均值和方差的高斯分布，或一组具有社区依赖均值的指数分布。对于每种情况下，我们引入了一个新的半度量，描述了充分和必要条件的精确恢复。充分必要条件是渐近紧的。分析也扩展到不完全的，完全连接的加权图。
2021-02-08 cs.IT cs.SI eess.SP
Deep graph convolution neural network with non-negative matrix factorization for community discovery
社区发现是图挖掘的一个重要任务。由于图数据的非结构性、高维性和稀疏性，很难得到合适的社区划分。提出了一种基于非负矩阵分解的深度图卷积神经网络（DGCN-NMF）用于社区发现。DGCN-NMF采用多个图卷积层来获得低维嵌入。在每一层中，最后一个输出和前一个输出的非负矩阵分解的结果被输入到当前层。输入图的社区划分可以通过端到端的方法输出。在实验数据集上对所提出的算法和比较算法进行了验证。实验结果表明，该算法优于比较算法的实验数据集。实验结果表明，DGCN-NMF是一种有效的社区发现算法。
2021-03-08 cs.SI
Non-Dissipative Graph Propagation for Non-Local Community Detection
School of Engineering Mathematics and Technology（工程数学与技术学院）；Technology University of Bristol Bristol, UK（布里斯托尔技术大学（英国））；Dept. of Computer Science University of Pisa Pisa, Italy（计算机科学系，帕尔米斯大学（意大利））
针对异质性图中社区检测的挑战，提出无监督反对称图神经网络（uAGNN），利用非耗散动力系统和反对称权重矩阵捕获局部与全局结构，在十个数据集的高/中等异质性场景中表现优于传统方法。
2025-08-15 cs.AI cs.LG cs.SI
CSGCL: Community-Strength-Enhanced Graph Contrastive Learning
Huazhong University of Science and Technology（华中科技大学）
提出CSGCL框架，通过定义社区强度并设计两种增强方法和动态对比学习方案，在图对比学习中保留社区强度，在节点分类、聚类和链接预测上达到最先进性能。
2023-05-08 cs.AI cs.LG cs.SI
EntropyWalker, a Fast Algorithm for Small Community Detection in Large Graphs
这份报告提出了一个非常简单的算法，用于在大型图中进行社区检测，例如允许的最小和最大成员数。该算法是基于随机游走的模拟和测量的熵，每个随机游走检测社区的发现。
2015-05-10 cs.SI physics.soc-ph
Community Detection Using Slow Mixing Markov Models
图中的\emph{community detection}的任务形式化了将顶点子集分组在一起的直观任务，使得集群内的顶点比不同集群中的顶点连接得更紧密。本文通过在图上构造马尔可夫随机游动来研究图中的社区发现问题。然后，随机游走的混合特性被用来识别社区。我们使用过去的耦合作为算法原语，将行走的混合属性转化为揭示图的社区结构。我们分析了我们的算法在特定图结构上的性能，包括随机块模型（SBM）和LFR随机图。
2015-10-09 cs.SI
Properties and Performance of the ABCDe Random Graph Model with Community Structure
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）
在本文中，我们研究了具有内置社区结构的合成随机图模型的性质和性能。这样的模型对于评估和调整自然无监督的社区发现算法是重要的。我们提出了ABCDe，ABCD（人工基准社区发现）图形生成器的多线程实现。我们讨论了该算法的实现细节，并将其与以前可用的顺序版本的ABCD模型和并行实现的标准和广泛使用的LFR（Lancichinetti--Raganato-Radicchi）生成器进行比较。我们表明，ABCDe是超过10倍的速度和规模比NetworkKit中提供的LFR的并行实现更好。此外，该算法不仅速度更快，而且ABCD生成的随机图与原始LFR算法生成的随机图具有相似的属性，而LFR的并行化NetworkKit实现生成的图具有明显不同的特征。
2022-09-16 cs.LG cs.SI math.CO
Blind Community Detection from Low-rank Excitations of a Graph Filter
本文考虑了一个新的框架来检测社区的图从观察信号在其节点。我们将观察到的信号建模为未知网络过程的噪声输出，表示为由一组未知的低秩输入/激励的图形滤波器。该模型的应用场景包括扩散动态，定价实验和意见动态。我们的目标不是学习图本身的精确参数，而是直接检索社区结构。本文表明，社区可以通过应用频谱方法的协方差矩阵的图形信号检测。我们的分析表明，社区发现的性能取决于一个“低通”属性的图过滤器。我们还表明，性能可以通过低秩矩阵加稀疏分解方法时，潜在的参数向量是已知的。数值实验证明了该方法的有效性。
2019-04-13 cs.SI eess.SP stat.ML
Edge Augmentation on Disconnected Graphs via Eigenvalue Elevation
提出了基于不连通子图的社区内连通度来确定最可能社区间边的图论任务。提出了一种基于提升图的谱零特征值的边缘增强算法。上界的特征值仰角幅度和相应的增广边缘密度的推导和验证随机图上的模拟。该算法在合成网络和真实网络中一致地工作，在连接图组件时产生理想的性能。边缘增强在不同的社区发现方法（Girvan-Newman方法、贪婪模块化最大化、标签传播、Louvain方法和流体社区）下对图分区进行反向工程，在大多数情况下以>50%的频率产生社区间边缘。
2022-07-12 cs.SI physics.data-an physics.soc-ph
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
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
The Right to Hide: Masking Community Affiliation via Minimal Graph Rewiring
针对社交图中节点社区归属的隐私保护，提出基于梯度的$\ abla$-CMH方法，通过最小图重连在预算内隐藏成员身份，实验证明其优于现有方法，平衡了隐藏效果与重连成本。
2025-09-08 cs.SI
Publishing Community-Preserving Attributed Social Graphs with a Differential Privacy Guarantee
我们提出了一种新的方法发布差异私人合成属性图。与以前的方法不同，我们的方法能够保留原始图的社区结构，而不牺牲捕获全局结构属性的能力。我们的建议依赖于C-AGM，一个新的社区保持属性图的生成模型。我们配备C-AGM与有效的方法，属性图采样和参数估计。对于后者，我们引入差分私有计算方法，这使我们能够发布具有强大的正式隐私保证的社区保护合成属性社交图。通过全面的实验，我们表明，我们的新模型优于其最相关的同行在合成差异私人属性的社会图，保留社区结构的原始图，以及度序列和聚类系数。
2019-08-31 cs.CR cs.SI physics.soc-ph
Community-based Outlier Detection for Edge-attributed Graphs
网络的研究已经出现在不同的学科，作为分析复杂关系数据的一种手段。除了像图查询处理、链接分析、影响传播等图分析任务之外，最近在信息网络数据的离群点检测领域中也有一些工作。虽然各种各样的离群点已经研究了图数据，有没有太多的工作，从边缘属性图的异常检测。在本文中，我们介绍了一种方法，检测新的离群图节点，同时考虑到节点数据和边缘数据检测异常。我们将问题建模为社区发现任务，其中离群值形成单独的社区。我们提出了一种方法，使用概率图模型（隐马尔可夫随机场）在网络中的节点和边缘的联合建模计算整体社区离群值（HCOutliers）。因此，我们的模型为两个节点之间具有多个边/关系的异构图提供了一个自然的设置。EM（期望最大化）用于学习模型参数，并推断隐藏的社区标签。在合成数据集和DBLP数据集上的实验结果表明，该方法可以有效地从网络中发现新的离群点。
2017-11-11 cs.SI
Community detection in networks using graph embeddings
Luddy School of Informatics, Computing and Engineering, Indiana University（印第安纳大学勒迪信息学、计算与工程学院）；King Abdulaziz University（阿卜杜勒阿齐兹国王大学）；Indiana University Network Science Institute (IUNI)（印第安纳大学网络科学研究所）
图嵌入方法在机器学习社区中越来越受欢迎，它们被广泛用于节点分类和链接预测等任务。在几何空间中嵌入图也应该有助于识别网络社区，因为同一社区中的节点应该在几何空间中相互靠近，在那里它们可以通过标准的数据聚类算法检测到。在本文中，我们测试了几种图嵌入技术在基准图上检测社区的能力。我们比较他们的表现对传统的社区检测算法。我们发现，性能是可比的，如果适当地选择嵌入技术的参数。然而，最佳参数集随基准图的具体特征而变化，如它们的大小，而流行的社区检测算法不需要任何参数。因此，它是不可能的，以事先指出良好的参数集的分析实际网络。这一发现，以及嵌入网络和分组点的高计算成本，表明，对于社区检测，目前的嵌入技术并不代表网络聚类算法的改进。
2021-03-05 cs.LG cs.SI physics.data-an
Permanence based Hidden Community and Graph Recovery in Social Networks
针对 NEURAL 基于 permanence 隐藏社区带来的恢复问题，本文提出 R-NEURAL 算法，同时恢复被隐藏社区和经边修改的原始图结构，并在真实图上验证其有效性。
2023-04-25 cs.SI
DMCS : Density Modularity based Community Search
社区搜索，或者在社交网络中找到包含给定查询节点的连通子图（称为社区），是一个基本问题。现有的社区搜索模型大多只关注社区内部的凝聚力。然而，高质量的社区通常具有高模块性，这意味着社区内部的连接密集，而社区外部的节点连接稀疏。在本文中，我们进行了一个开拓性的研究，寻找一个社区与高模块化。我们指出，虽然模块化已被广泛用于社区发现（无查询节点），它还没有被采用的社区搜索，令人惊讶的是，它的应用在社区搜索（相关的查询节点）带来了新的挑战。我们通过设计一个新的图模块度函数密度模块度来解决这些挑战。据我们所知，这是第一个使用图模块化的社区搜索问题的工作。基于密度模块度的社区搜索，简称DMCS，是在一个包含所有查询节点的社会网络中寻找一个密度模块度高的社区。我们证明了DMCS问题是NP-困难的。为了有效地解决DMCS，我们提出了新的算法，运行在对数线性时间的图的大小。我们在真实世界和合成网络中进行了广泛的实验研究，从而深入了解我们算法的效率和有效性。特别是，我们的算法实现高达8.5倍的精度NMI比基线算法。
2022-04-16 cs.SI
Community Detection of Complex Network Based on Graph Convolution Iterative Algorithm
本文提出一种结合随机采样、节点距离属性矩阵与图卷积迭代的复杂网络社区发现方法，并通过模块度及多类网络实验验证其有效性。
2024-11-28 cs.SI
Exact Community Recovery in Correlated Stochastic Block Models
Northwestern University（西北大学）；Princeton University（普林斯顿大学）
我们考虑从多个相关网络中学习潜在社区结构的问题。研究了具有两个平衡社区的边相关随机块模型，重点研究了平均度与顶点数成对数关系的情形。我们的主要结果得出了精确的信息理论的阈值，使用多个相关图的确切社区恢复。该阈值捕获社区恢复和图匹配任务之间的相互作用。特别是，我们发现和表征的参数空间，其中精确的社区恢复是可能的，使用多个相关的图形，即使（1）这是信息理论上不可能使用一个单一的图形和（2）精确的图形匹配也是信息理论上不可能的。在这个制度中，我们开发了一种新的算法，仔细综合算法从社区恢复和图匹配文献。
2022-03-29 cs.IT cs.LG 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
On converting community detection algorithms for fuzzy graphs in Neo4j
大规模自由图的一个基本特征，如网络，蛋白质与蛋白质的相互作用，大脑连接和社交媒体图，是它们倾向于形成递归社区。后者是密集连接的顶点簇，表现出快速的本地信息传播和处理。在模糊图模型下，顶点是固定的，而每条边根据隶属函数以给定的概率存在。本文提出了模糊Walktrap和模糊纽曼-Girvan，模糊版本的两个既定的社区发现算法。所提出的算法已被应用到合成图生成的克罗内克模型与不同的终止标准和结果进行了讨论。
2017-02-22 cs.SI
UCoDe: Unified Community Detection with Graph Convolutional Networks
本文提出 UCoDe，利用图卷积网络和宏观节点相似性对比损失，在属性图中统一完成重叠与非重叠社区检测，并在真实数据上取得稳定领先性能。
2023-11-02 cs.SI
Non-backtracking spectrum of random graphs: community detection and non-regular Ramanujan graphs
图上的非回溯行走是一条有向路径，使得没有边是其前一条边的逆边。图的非回溯矩阵由其有向边索引，并且可以用于计数给定长度的非回溯行走。它已被用于最近在社区检测的背景下，并已出现在以前与Ihara zeta函数和一些推广的拉马努金图。在这项工作中，我们研究了Erdos-Renyi随机图和随机块模型在边数与顶点数成正比的情况下的非回溯矩阵的最大特征值。我们的研究结果证实了“频谱赎回”猜想，社区检测可以在领先的特征向量的基础上，可行性阈值以上。
2015-04-22 cs.SI math.PR
ComPAS: Community Preserving Sampling for Streaming Graphs
在大数据时代，图形采样在许多设置中不可或缺。现有的抽样方法大多是针对静态图设计的，目的是保持原始图的基本结构性质（如度分布、聚类系数等）。在样品中。我们认为，对于任何采样方法，它是不可能产生一个普遍的代表性的样本，可以保持所有的原始图形的属性，而采样应该是特定的应用程序（如保存枢纽-信息扩散所需）。在这里，我们考虑社区发现作为一个应用场景。我们提出了ComPAS，一种新的采样策略，与以前的方法不同，不仅是为流图（这是一个更现实的现实世界的情况下表示），但也保留了社区结构的原始图中的样本。综合和不同的现实世界的图的实证结果表明，ComPAS是最好的保持底层社区结构的平均性能达到73.2%的静态图的最知情的算法。
2018-02-05 cs.SI physics.soc-ph
Community structure and scale-free collections of Erdös-Rényi graphs
社区结构在社交网络和类似图的分析中起着重要的作用，但这种结构很少被理解，大多数模型都没有很好地捕捉到。我们正式定义一个社区是一个内部高度连接的子图，没有更深的子结构。我们使用组合学的工具，以表明任何这样的社区必须包含一个密集的Erdös-Rényi（ER）子图。基于数学论证，我们假设任何具有重尾度分布和社区结构的图都必须包含一个稠密ER子图的无标度集合。这些理论上的观察与经验上的证据相吻合。由此，我们提出了块两级Erdös-Rényi（BTER）模型，并证明它准确地捕捉到许多现实世界的社交网络的可观察属性。
2011-12-15 cs.SI physics.soc-ph
Streaming Local Community Detection through Approximate Conductance
社区是各种复杂网络中普遍存在的一种结构，社区发现是网络分析的一项基本任务。随着网络规模的快速增长，网络规模庞大，变化迅速，可以很自然地建模为图流。由于图流中存储空间和访问约束的限制，现有的非流社区发现方法不再适用。这就产生了对在线方法的新需求。在这项工作中，我们考虑的问题，发现本地社区包含几个查询节点的图形流，称为流本地社区发现。这是最近提出的一个新问题，对于社区发现来说更具挑战性，并且只有少数作品解决了这种在线设置。相应地，我们设计了一种在线的单通道流媒体本地社区发现方法。受社区“局部”属性的启发，我们的方法对图流中查询节点周围的局部结构进行采样，并使用我们提出的称为近似电导的度量在采样子图上提取目标社区。综合实验表明，我们的方法显着优于流基线的有效性和效率，甚至达到类似的准确性相比，最先进的非流本地社区发现方法，使用静态和完整的图。
2021-10-28 cs.SI
Matching Graphs with Community Structure: A Concentration of Measure Approach
本文研究了随机图在社团结构模型下的匹配问题。这个问题在诸如隐私、图像处理和DNA测序的各种应用中自然地出现。考虑一对随机生成的具有两两相关边的标号图。假设图的边是基于社区结构模型生成的。给定第一个图的边的标签，目标是恢复第二个图中的标签。该问题被认为是在两种情况下：i）与边信息的社区成员在两个图中的节点是已知的，和ii）没有边信息的社区成员是未知的。提出了一种基于图的邻接矩阵的典型性进行操作的匹配方案。可扩展性的结果，从而提供理论保证，在特定的假设下，图参数的成功匹配。据观察，对于所提出的匹配方案，成功匹配的条件不改变边信息的存在。此外，推导出一个逆结果，它表征了一组图参数的匹配是不可能的。
2018-10-31 cs.CR cs.SI q-bio.QM
FirmTruss Community Search in Multilayer Networks
在生物、社会和交通网络等应用中，对象之间的交互跨越多个方面。为了准确地建模这样的应用，已经提出了多层网络。社区搜索允许个性化的社区发现，在大型现实网络中有广泛的应用。虽然社区搜索已被广泛探索单层图，多层图的问题最近才引起注意。现有的社区模型在多层图有几个局限性，包括断开连接，搭便车效应，分辨率限制，和效率低下。为了解决这些限制，我们研究了大型多层图上的社区搜索问题。我们首先介绍FirmTruss，多层网络中的一种新的稠密结构，它将桁架的概念扩展到多层图。我们表明，FirmTrusses具有良好的结构和计算性能，并带来了许多优势相比，现有的模型。在此基础上，我们提出了一个新的社区模型的基础上FirmTruss，称为FTCS，并表明，找到一个FTCS社区是NP-难的。我们提出了两个有效的2-近似算法，并表明，没有多项式时间算法可以有一个更好的近似保证，除非P = NP。我们提出了一个基于索引的方法，以进一步提高算法的效率。然后，我们考虑属性的多层网络，并提出了一个新的社区模型的基础上，网络同质性。我们证明了属性多层图的社团搜索是NP难的，并给出了一个有效的近似算法。真实世界的图与地面真实社区的实验研究验证了我们获得的解决方案的质量和所提出的算法的效率。
2022-11-17 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
Large-Scale Graphs Community Detection using Spark GraphFrames
针对社区检测算法在大规模图上计算密集、性能下降的问题，本文基于 Apache Spark GraphFrames 实现 K-Cliques、Louvain 和 Fast Greedy，并在两个真实数据集上验证其性能、可扩展性与可行性。
2024-08-06 cs.DC cs.SI
Fast Butterfly-Core Community Search For Large Labeled Graphs
Central South University of Forestry and Technology（中南林业科技大学）；State University of New York New Paltz（纽约州立大学新帕尔茨分校）
针对异构图社区搜索难以识别跨组社区且效率不足的问题，提出基于BCC结构、结合RWR与蝴蝶度的快速搜索模型，并通过优化距离更新提升大图处理性能。
2024-01-19 cs.AI cs.SI
Classic Graph Structural Features Outperform Factorization-Based Graph Embedding Methods on Community Labeling
University of California, Santa Cruz（加州大学圣克鲁兹分校）；Google（谷歌）
图表示学习（也称为图嵌入）是一种将网络结构整合到机器学习模型中的流行技术。无监督图嵌入方法旨在通过学习每个节点的低维向量表示（嵌入）来捕获图结构。尽管这些嵌入被广泛用于各种下游转导机器学习任务，但很少有对这种方法在常见任务中的有效性进行原则性分析。在这项工作中，我们提供了一个经验和理论分析的一类嵌入对成对社区标记的共同任务的性能。这是经典社区发现问题的二进制变体，该问题寻求构建分类器以确定一对顶点是否参与社区。根据我们的基础理解目标，我们专注于一类流行的无监督嵌入技术，这些技术学习顶点邻近矩阵的低秩因子分解（该类包括GraRep，DeepWalk，node2vec，NetMF等方法）。我们进行了详细的实证分析，在各种真实的和合成的图形与地面真理的社区标签。在我们研究的所有情况下，从嵌入特征训练的模型在社区标记上表现不佳。在组播中，具有经典图结构特征的简单逻辑模型轻松地优于嵌入模型。对于一个更原则性的理解，我们提供了一个理论分析，这些嵌入在捕捉社区结构的有效性。我们正式证明了流行的低维分解方法要么不能产生社区结构，要么只能产生"不稳定”社区。这些社区在小扰动下本质上是不稳定的。
2022-01-20 cs.AI cs.DS 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
ComGPT: Detecting Local Community Structure with Large Language Models
Guangdong Provincial Key Laboratory of Novel Security Intelligence Technologies（广东省新型安全智能技术重点实验室）
ComGPT通过结合大语言模型与局部模块度算法，提升社区检测任务的性能，有效解决种子依赖和社区扩散问题。
2025-12-08 cs.SI
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
Community Recovery in Graphs with Locality
Stanford University（斯坦福大学）；KAIST（韩国科学技术院）
受社交网络和计算生物学等领域应用的启发，我们研究了具有局部性的图中的社区恢复问题。在这个问题中，两个节点是否在同一社区或不同社区的成对噪声测量主要或专门来自附近的节点，而不是在所有节点对之间均匀采样，如在大多数现有的模型。我们提出了一种算法，运行在测量的数量几乎线性，并达到了精确恢复的信息理论极限。
2016-06-01 cs.IT cs.LG cs.SI
