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
Fuzzy overlapping communities in networks
网络通常表现出社区结构，其中顶点组彼此之间的连接比与其他顶点之间的连接更密集。通常这些社区重叠，使得每个顶点可以出现在多于一个社区中。然而，两种不同类型的重叠是可能的：清晰（每个顶点完全属于它是成员的每个社区）和模糊（每个顶点在不同程度上属于每个社区）。我们调查了群落重叠的影响。我们发现，它对社区检测方法的性能有很大的影响：一些算法在模糊重叠的情况下表现更好，而另一些算法则倾向于清晰重叠。我们还评估了一些算法的性能，当重叠是模糊的，恢复属于系数。最后，我们调查是否真正的网络包含模糊或清晰的重叠。
2011-02-10 cs.SI physics.soc-ph
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
Ensemble-Based Discovery of Disjoint, Overlapping and Fuzzy Community Structures in Networks
虽然数据采掘中的集成聚类已经做了大量的工作，但集成方法在网络社区发现中的应用还处于起步阶段。在本文中，我们提出了两种集成方法：ENDISCO和MEDOC。ENDISCO执行不相交的社区发现。相比之下，MEDOC执行不相交，重叠，和模糊社区发现，并代表了第一次集成方法模糊和重叠社区发现。我们运行广泛的实验，这两种算法对合成和几个真实世界的数据集，社区结构是已知的。我们表明，ENDISCO和MEDOC都击败了最著名的现有独立的社区发现算法（虽然我们强调，他们利用他们）。在不相交的社区发现的情况下，我们表明，ENDISCO和MEDOC击败现有的集成社区发现算法无论是在多个准确性措施和运行时间。我们进一步表明，我们的集成算法可以帮助探索网络社区的核心-外围结构，识别动态网络中的稳定社区，并帮助解决“解的退化”问题，产生强大的结果。
2017-12-06 cs.SI physics.soc-ph
Overlapping Community Detection Using Neighborhood-Inflated Seed Expansion
社区发现是网络分析中的一项重要任务。社区（也称为集群）是一组内聚顶点，其内部连接多于外部连接。在许多社会和信息网络中，这些社区自然重叠。例如，在社交网络中，图中的每个顶点对应于通常参与多个社区的个人。在本文中，我们提出了一个有效的重叠社区发现算法，使用种子扩展方法。我们的算法的核心思想是找到好的种子，然后根据社区度量对这些种子进行greenly扩展。在这种种子扩展方法中，我们研究了如何在图中确定好的种子节点的问题。特别是，我们开发了新的播种策略的个性化PageRank聚类方案，优化电导社区得分。实验结果表明，我们的种子扩展算法优于其他国家的最先进的重叠社区发现方法产生的凝聚力集群和识别地面真理社区。我们还表明，我们的新播种策略比现有的策略更好，因此在现实世界的网络中找到良好的重叠社区是有效的。
2015-04-03 cs.SI physics.soc-ph
Detecting overlapping community structure: Estonian network of payments
揭示真实网络所表现出的社区结构是全面理解复杂系统的一个基本阶段，超越了其组件的局部组织。社区检测技术有助于深入了解网络组件的本地组织。在这项研究中，我们确定和调查的重叠社区结构的一个有趣的和独特的案例研究：爱沙尼亚的支付网络。为了进行研究，我们使用团渗流方法，并探讨社区的统计分布函数，在大多数情况下，我们发现无标度属性。在这个网络中，节点代表爱沙尼亚公司，链接代表公司之间的支付。我们的研究通过对一个国家的支付网络进行首次重叠社区检测分析，增加了复杂网络的文献。
2018-12-11 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
Using Model-based Overlapping Seed Expansion to detect highly overlapping community structure
随着对社交网络中社区发现的研究的进展，需要能够检测重叠社区结构的算法。近年来，已经提出了许多算法，能够将每个节点分配给多个社区。这些算法的性能往往会下降时，地面实况包含一个更高度重叠的社区结构，与节点分配到两个以上的社区。这种高度重叠的结构很可能存在于许多社交网络中，例如Facebook的友谊网络。在本文中，我们提出了一个可扩展的算法，MOSES，基于统计模型的社区结构，这是能够检测高度重叠的社区结构，特别是当有方差的社区数量的每个节点是在。在合成数据的评价中，发现MOSES优于现有的算法，特别是在高水平的重叠。我们通过分析五所美国大学的学生之间的友谊联系网络，在真实的社交网络数据上展示了MOSES。
2010-11-17 cs.SI physics.soc-ph stat.ML
Overlapping Community Structure in Co-authorship Networks: a Case Study
社团结构是现实世界复杂网络的重要性质之一。它在它们的行为和拓扑结构中起着至关重要的作用。虽然在社区发现问题上已经做了重要的工作，但很少关注社区结构的分析。在本文中，我们提出了一个广泛的调查重叠社区网络推导出一个大规模的合著网络。重叠社区网络的节点代表了合著网络的功能社区，链接说明了社区共享合著网络中的一些节点。对这两种网络拓扑性质的比较分析表明，它们具有相似的拓扑性质。这些结果非常有趣。事实上，社区网络似乎是原始合著网络的一个很好的代表。由于其较小的尺寸，它可能更实用，以便实现在大规模现实世界网络中无法轻松执行的各种分析。
2015-04-01 cs.SI physics.soc-ph
Ensemble-Based Algorithms to Detect Disjoint and Overlapping Communities in Networks
给定一组社区检测算法${\cal AL}$和一个图$G$作为输入，我们提出了两个集成方法$\mathtt{EnDisCO}$和$\mathtt{MeDOC}$，（分别）确定不相交和重叠的社区$G$。$\mathtt{EnDisCO}$通过利用多个基本解决方案将图转换为潜在特征空间，并发现不相交的社区结构。$\mathtt{MeDOC}$将相似的基本社区分组为元社区，并检测不相交和重叠的社区结构。实验在不同的规模上进行的合成生成的网络，以及在几个现实世界的网络，其底层的地面真相社区结构是可用的。我们广泛的实验表明，这两种算法优于国家的最先进的非集成算法的显着保证金。此外，我们比较了$\mathtt{EnDisCO}$和$\mathtt{MeDOC}$与最近的集成方法不相交的社区发现，并表明我们的方法取得了优异的性能。据我们所知，$\mathtt{MeDOC}$是第一个集成方法重叠社区发现。
2016-09-16 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
GenPerm: A Unified Method for Detecting Non-overlapping and Overlapping Communities
非重叠社区和重叠社区的检测本质上是同一个问题。然而，目前的算法集中在寻找重叠或不重叠的社区。我们提出了一个通用的框架，可以识别非重叠和重叠的社区，没有任何事先输入的网络或其社区分布。为此，我们引入了一个基于顶点的度量，GenPerm，量化的顶点属于它的每个组成社区。我们的社区发现算法是基于最大化网络中所有顶点的GenPerm。我们证明，通过实验合成和真实世界的网络，GenPerm是更有效的比其他指标在评估社区结构。此外，我们表明，由于其以顶点为中心的属性，GenPerm可以用来展开几个推理超越社区发现，如核心-外围分析和消息传播。我们用于最大化GenPerm的算法在准确预测地面实况标签方面优于六种最先进的算法。最后，我们讨论了重叠社区中的分辨率限制问题，并证明了最大化GenPerm可以缓解这个问题。
2016-04-12 cs.SI physics.soc-ph
Uncovering Complex Overlapping Pattern of Communities in Large-scale Social Networks
当每个顶点参与多个社区时，传统的社区概念倾向于内部边缘与外部边缘的高比率变得无效。这种行为在社交网络中是常见的。社区之间的显著重叠使得大多数现有的社区发现算法无效。缺乏有效和高效的工具，导致很少有实证研究的大规模检测和分析重叠的社区结构在真正的社交网络。我们最近开发了一个可扩展的和准确的方法称为部分社区合并算法（PCMA）的线性复杂度，并证明了其有效性，通过分析两个在线社交网络，新浪微博和Facebook，分别为79.4和65.6万顶点。在这里，我们报告了对PCMA检测到的290万个社区的深入分析，以揭示它们复杂的重叠结构。每个社区通常与大量其他社区重叠，并且具有比内部边缘多得多的向外边缘。然而，这些社区仍然彼此隔离。社区中的大多数顶点是多成员顶点，它们可以位于核心或外围。几乎整个网络的一半可以由一个极其密集的社区网络来占据，社区是顶点，重叠是边。实证研究结果要求我们重新思考社区的概念，尤其是社区的边界。意识到边缘是如何组织的问题，f-核心建议作为一个合适的概念重叠社区在社交网络。研究结果为理解重叠群落提供了新的思路。
2019-06-02 cs.SI physics.soc-ph
Overlapping community detection using superior seed set selection in social networks
社会网络中的社区发现是近十年来引起研究者极大兴趣的领域之一。已经有许多算法。然而，新的种子为基础的算法建立了一个新兴的漂移在这方面。这些策略背后的基本思想是识别给定网络中的特殊节点，称为种子，社区可以围绕这些节点定位。本文提出了一种混合策略，通过应用各种中心性措施，并使用它们来找到重叠社区定位合适的优秀种子集。该算法的检查已被执行的善良的社区的帮助下，内集群密度和集群间密度。最后，将该算法与现有的社区发现算法进行了比较，结果表明该算法在运行时间上有明显的改善。
2018-08-10 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
Overlapping Community Detection by Online Cluster Aggregation
我们提出了一个新的在线算法检测重叠社区。主要成分是修改的在线k-均值算法和一种新的方法来模拟社区重叠。大型基准图的评价表明，发现的社区的质量相比，在最近的文献中的几种方法，而运行时间显着改善。
2015-04-26 cs.LG cs.SI physics.soc-ph
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
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
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
Overlapping Community Discovery Methods: A Survey
重叠社区的检测是一个具有挑战性的问题，近年来越来越受到关注，因为在现实世界的网络中观察到的个人的自然态度，同时参与多个组。本审查报告介绍了该领域的主要建议。除了为静态网络设计的方法之外，还描述了一些新的方法，这些方法处理随着时间变化的网络中重叠社区的检测。方法根据指导它们在共享其节点的一部分的组中获得网络划分的基本原则进行分类。对于其中的每一个，我们还报告，当可用时，计算复杂性和网站地址，从那里可以下载实现该方法的软件。
2014-11-14 cs.SI physics.soc-ph
An edge density definition of overlapping and weighted graph communities
网络中的社区检测是指寻找内部连接强而外部连接弱的节点组的过程。在这项工作中，我们介绍和研究的社区定义的基础上，内部边缘密度。从一个简单的概念，边缘密度等于边缘数除以最大边缘数，我们应用这个定义的各种节点和社区的安排表明，我们的定义产生合理的结果。我们的社区定义相当于绝对波茨模型社区检测方法（Phys.Rev.E81，046114（2010）），该方法的性能验证了我们的定义在各种网络类型中的有用性。我们将讨论如何将此定义扩展到加权和多重图，以及如何定义能够处理重叠的社区和本地算法。我们进一步验证了我们的定义对最近提出的隶属图模型（arXiv：1205.6228 [cs.SI]），并表明我们可以精确地解决这些基准。除了提出一个最终的社区定义之外，我们还解释了研究社区定义的详细属性是如何重要的，以便验证定义不具有负分析属性。我们敦促社区定义从社区检测算法中分离出来，并建议通过这些标准进一步评估社区定义。
2013-01-14 cs.SI physics.soc-ph
Overlapping Community Detection in Networks: the State of the Art and Comparative Study
本文回顾了重叠社区发现算法、质量度量和基准测试的最新进展。提供了不同算法（共14种）的全面比较。除了社区级别的评估，我们提出了一个评估算法的能力，以检测重叠节点，这有助于评估过度检测和检测不足的框架。在考虑了由归一化互信息、Omega指数测量的社区级检测性能和由F分数测量的节点级检测性能之后，我们得出以下结论。对于低重叠密度的网络，SLPA，OSLOM，游戏和COPRA提供更好的性能比其他测试算法。对于具有高重叠密度和高重叠分集的网络，SLPA和Game都提供相对稳定的性能。然而，测试结果也表明，这种网络中的检测仍然没有完全解决。在现实世界的网络中，各种算法观察到的一个共同特征是重叠节点的比例相对较小（通常小于30%），每个节点只属于2或3个社区。
2012-07-03 cs.DS cs.SI physics.soc-ph
Immunization Strategies Based on the Overlapping Nodes in Networks with Community Structure
了解网络拓扑结构如何影响流行病的传播是一个主要的问题，以制定有效的免疫策略。虽然有大量的工作处理网络的宏观拓扑性质，很少有研究致力于社区结构的影响。此外，虽然在许多现实世界的网络社区可能会重叠，在这些研究中，非重叠的社区结构被认为是。为了深入了解重叠节点在传染过程中的影响，我们进行了实证评估的基本确定性免疫策略的重叠节点的基础上。使用经典的SIR模型在真实网络上与地面真理重叠的社区结构，我们分析如何免疫的基础上重叠节点的成员数（这是社区的节点所属的数量）影响最大的连接组件的大小。与随机免疫策略设计的网络与非重叠的社区结构的比较表明，重叠的节点在流行病的过程中发挥了重要作用。
2022-12-30 cs.SI
Non-overlapping community detection
社区检测问题的定义和特征的丰富性导致了令人印象深刻的文献。事实上，近年来已经引入了许多社区检测方法和调查。这里的目标是提出一个国家的最先进的最成熟的研究在这一领域。因此，我们将集中在非重叠社区发现与基本图形模型。在本章中，我们将概述最有影响力的社区发现方法，其中包括大多数主要方法和技术。还将特别重视社区评价。
2018-05-29 cs.SI
IEDC: An Integrated Approach for Overlapping and Non-overlapping Community Detection
社区发现是社会网络分析中的一项重要任务，可用于各种基于知识的领域。虽然存在许多基于连通性结构的社区发现的工作，但它们受到考虑重叠或非重叠社区的影响。在这项工作中，我们提出了一种新的方法，一般社区发现通过一个综合的框架，提取重叠和非重叠的社区结构，而不假设事先结构连接的网络。我们的一般框架是基于一个主要的节点为基础的标准，其中包括内部关联度以及外部关联度。通过大量的仿真实验和几个基准真实网络数据集的评估所提出的方法进行了研究。实验结果表明，该方法优于早期的国家的最先进的算法的基础上众所周知的评价标准。
2017-02-13 cs.SI stat.ML
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
High-Quality Disjoint and Overlapping Community Structure in Large-Scale Complex Networks
在本文中，我们提出了一个改进版本的凝聚层次聚类算法，执行不相交的社区发现在大规模复杂网络。该算法将原算法中采用的局部结构相似度替换为最近提出的动态结构相似度，从而实现了对原算法的改进。此外，改进算法被扩展到检测模糊和清晰的重叠社区结构。扩展算法利用自身生成的不相交社区结构和动态结构相似性度量，计算定义模糊社区的隶属度概率函数。此外，为了比较所提出的算法与国家的最先进的参考基准图进行实验评估。
2018-05-30 cs.DS cs.SI physics.soc-ph
Detecting Overlapping Temporal Community Structure in Time-Evolving Networks
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Raytheon BBN Technologies（雷神BBN技术公司）
我们提出了一个原则性的方法来检测重叠的时间社区结构的动态网络。我们的方法是基于以下框架：找到重叠的时间社区结构，最大化的质量函数与网络的每个快照的时间平滑约束。提出了一种新的质量函数和光滑性约束来处理重叠，并使用一种新的凸松弛来解决由此产生的组合优化问题。我们提供了理论保证以及实验结果，揭示了真实和合成网络中的社区结构。我们的主要观点是，某些结构可以确定只有当时间相关性被认为是当社区被允许重叠。一般来说，发现这种重叠的时间社区结构可以通过揭示其看似混乱的演化背后的潜在稳定性来增强我们对现实世界复杂网络的理解。
2013-03-28 cs.LG cs.SI physics.soc-ph
Community Detection Across Multiple Social Networks based on Overlapping Users
随着互联网技术的飞速发展，在线社交网络（OSNs）得到了快速发展，并日益流行。同时，跨多个社交网络的研究也越来越受到研究者的关注，而社区发现是跨OSN的网络安全问题的重要研究内容，主要用于分析用户行为和发现异常社区。提出了一种基于用户重叠的多社交网络社区发现方法。首先定义了重叠用户的概念，然后设计了一种基于社会相关性的重叠用户存根社区发现算法CMN NMF。在此基础上，通过添加具有较强相似性的用户，扩展不同社交网络中的存根社区，最终挖掘出不同的社区。在真实数据集上的实验结果表明了该方法的有效性。
2019-10-08 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
Quadratic Optimization based Clique Expansion for Overlapping Community Detection
社区发现是分析社会和生物网络的关键，在过去的二十年里，已经提出了全面的方法。然而，在大型网络中找到所有重叠的社区，可以准确地近似地面真相社区仍然具有挑战性。在这项工作中，我们提出了QOCE（基于二次优化的团扩展），重叠的社区发现算法，可以扩展到大型网络的数十万个节点和数百万的边缘。QOCE算法遵循当前流行的种子集扩展策略，以每个高质量的最大团作为初始种子集，采用二次优化的方法进行扩展。我们广泛评估我们的算法28合成LFR网络和6个真实世界的网络的各个领域和规模，并比较QOCE与四个国家的最先进的重叠社区发现算法。实验结果表明，所提出的方法在检测精度，效率和可扩展性方面具有竞争力的性能。
2020-11-03 cs.SI
Growing networks of overlapping communities with internal structure
我们引入了一个直观的模型，描述了社区结构的出现和社区内部结构的演变不断增长的社交网络。该模型包括两个互补的机制：一个机制占一个单一的社区的内部链接结构的演变，第二个机制协调多个重叠的社区的增长。第一种机制是基于这样的假设，即每个节点与其邻居建立链路，并以不同的速率向社区引入新节点。我们证明，这个简单的机制，产生了有效的最大程度的社区内。这一观察与人类学理论邓巴数有关，即，对一个普通个体在其社会群体中所能维持的最大数量的联系的经验性观察。第二种机制是基于最近提出的对社区结构的偏好附着的概括，适当地称为结构偏好附着（SPA）。将这两种机制结合到一个模型（SPA+）中，使我们能够再现真实网络的一些全局统计数据：社区大小、节点成员和度的分布。SPA+模型还预测了（a）重叠社区内度分布的三种定性制度，以及（b）节点所属社区数量与每个社区内连接数量之间的强相关性。我们提出的经验证据，支持我们的研究结果在真正的复杂网络。
2016-08-25 cs.SI physics.soc-ph
Overlapping Community Detection Optimization and Nash Equilibrium
同时使用图和社交网络的社区发现是许多算法的焦点。最近的方法，旨在优化所谓的模块化功能进行社区内的关系最大化，同时最大限度地减少社区间的关系。然而，由于问题的NP完全性，这些算法是不保证最优的算法。在本文中，我们介绍了一个新的算法，以及一个函数，需要一个近似的解决方案，并修改它，以达到最佳。这个重新分配函数被认为是一个“潜在的功能”，并成为一个必要条件，断言计算的最佳确实是一个纳什均衡。我们还使用此功能同时显示分区和重叠社区，这两种检测和可视化模式在揭示社交网络的有趣功能方面具有重要价值。我们的方法是成功地说明通过几个实验，无论是真正的单部，多部或有向图的中型和大型数据集。
2014-06-26 cs.SI physics.soc-ph stat.ML
Markov random walk under constraint for discovering overlapping communities in complex networks
复杂网络中重叠社区的检测是近年来相关领域研究的热点。针对这个问题，我们提出了一个基于马尔可夫动力学的算法，称为UEOC，这意味着，“展开和提取重叠社区”。在UEOC中，当识别每个自然社区重叠，马尔可夫随机游走方法结合约束策略，这是基于相应的退火网络（度守恒随机网络），执行展开的社区。然后，一个截断标准的援助的当地社区功能，称为电导，它可以被认为是社区内的边缘和那些离开它的数量之间的比率，提出了从整个网络中提取这个新兴的社区。UEOC算法只依赖于一个参数，其值可以很容易地设置，它不需要隐藏的社区结构的先验知识。建议的UEOC已在合成基准和一些现实世界的网络进行了评估，并与一组竞争算法进行了比较。实验结果表明，UEOC是非常有效的和高效的发现重叠社区。
2013-03-22 cond-mat.stat-mech cs.SI physics.soc-ph
Seeding for pervasively overlapping communities
在一些社会和生物网络中，大多数节点属于多个社区。它最近被证明，一些算法，旨在检测重叠的社区不执行，以及在这种高度重叠的设置。在这里，我们考虑一类这些算法，那些优化的本地适应度的措施，通常通过使用贪婪的启发式扩展到一个社区的种子。我们执行合成基准表明，适当的播种策略变得越来越重要的程度，社区重叠的增加。我们发现不同的派系提供了最好的种子。我们发现进一步支持这种播种策略与基准上的Facebook网络和酵母相互作用。
2011-04-29 cs.SI physics.soc-ph
Overlapping community detection algorithms using Modularity and the cosine
针对节点可同时属于多个社区的重叠社区检测问题，本文提出两种基于两步法、利用扩展模块度和余弦函数的算法，适用于无向和有向图，并通过真实数据实验验证了其可行性和有效性。
2024-03-12 cs.DM cs.SI
Overlapping Network Community Detection Using Sparse Backbones
University of Toronto（多伦多大学）
研究针对重叠社区检测算法在质量与可扩展性平衡上的不足，提出Highway算法，利用网络稀疏骨干进行社区推理。通过与10种算法在728个基准网络上比较，Highway在重叠归一化互信息上领先，其他指标也居前列，实现了准确性与效率的较好权衡。
2026-07-17 cond-mat.stat-mech cs.SI physics.soc-ph
Normalized Mutual Information to evaluate overlapping community finding algorithms
鉴于重叠聚类算法的日益普及，特别是在社会网络分析中，需要定量措施来衡量方法的准确性。给定一组真正的聚类，以及通过算法找到的聚类集，必须比较这些聚类集，以查看这些集合有多相似或不同。标准化的度量在许多情况下都是可取的，例如，当两个集合完全不相似时赋值为0，当它们相同时赋值为1。基于归一化互信息的度量[1]最近变得流行。我们证明了这种措施的不直观的行为，并显示如何可以通过使用更传统的归一化来纠正。我们将结果与其他测量方法进行比较，例如Omega指数[2]。
2013-08-02 cs.SI physics.data-an physics.soc-ph
Percolation Computation in Complex Networks
K-clique percolation是一种重叠社区发现算法，它从复杂网络中提取由重叠集团组成的特定结构。虽然它在概念上很简单，并且可以用团图来优雅地表达，但k团渗流的某些方面在实践中在计算上具有挑战性。在本文中，我们调查方面的经验社交网络，如大量的重叠最大集团内，使集团渗透，集团图表示，计算昂贵。我们激励一个简单的算法进行团渗流，并研究其性能相比，目前最好的同类算法。我们对该算法进行了改进，使我们能够在更大的经验数据集上执行k-团渗流。我们的方法比现有的算法表现出普遍重叠的社区结构的网络，特别是对于较高的k值。然而，团渗透仍然是一个很难的计算问题;当前的算法仍然比其他一些重叠社区发现算法的扩展性更差。
2012-04-30 cs.SI physics.soc-ph
Detecting Overlapping Communities from Local Spectral Subspaces
基于局部谱子空间的定义，提出了一种新的局部重叠社区发现方法LOSP。我们没有使用整个网络的主导特征向量所覆盖的不变子空间，而是运行幂方法来近似描述感兴趣种子周围局部邻域结构嵌入的主导特征向量。然后，我们寻求一个稀疏的近似指示向量在本地的频谱子空间，这些向量所跨越的种子是在其支持。我们评估LOSP在不同领域的五个大型现实世界的网络与标记的地面真相社区，并比较结果与国家的最先进的社区发现方法。LOSP从非常少的种子成员中以高准确度识别目标社区的成员，并且优于局部Heat Kernel或PageRank扩散以及全局基线。两个候选定义的局部谱子空间进行了分析，不同的社区评分函数，用于确定社区边界，包括两个新的度量，进行了彻底的评估。不同的种子集的结构特性和种子集大小的影响进行了讨论。我们观察到低度种子表现更好，即使从单个随机种子开始，LOSP也是鲁棒的。使用LOSP作为一个子程序，从每个自我连接组件开始，我们尝试更难但重要的任务，即识别单个顶点所在的所有社区。实验表明，该方法在检测到的包含种子顶点的多个局部重叠社区上实现了较高的F1测度。
2015-09-27 cs.SI physics.soc-ph
Deep Overlapping Community Search via Subspace Embedding
针对重叠社区搜索缺乏个性化且机器学习模型训练效率低的问题，提出SSF框架与轻量SMN模型，实现个性化重叠社区搜索，并显著提升F1和效率。
2025-01-09 cs.DB cs.SI physics.soc-ph
LazyFox: Fast and parallelized overlapping community detection in large graphs
图数据集中的社区检测提供了对图的底层结构的洞察，并且是社会科学、营销、流量预测和药物发现等各个领域的重要工具。虽然大多数现有的算法提供了快速的方法来社区发现，他们的结果通常包含严格分离的社区。然而，大多数数据集在语义上允许甚至需要重叠的社区，这些社区只能以更高的计算成本来确定。我们建立在一个有效的算法，福克斯，检测这种重叠的社区。Fox通过近似节点与社区形成的三角形的数量来衡量节点与社区的接近程度。我们提出了LazyFox，一个多线程版本的福克斯算法，它提供了更快的检测，而不会对社区质量的影响。这允许分析更大和更复杂的数据集。LazyFox可以在几天内而不是几周内对具有数百万节点和数十亿条边的复杂图形数据集进行重叠社区发现。作为这项工作的一部分，LazyFox的实现已经发布，并在https://github.com/TimGarrels/LazyFox上作为MIT许可证下的工具提供。
2022-10-06 cs.DS cs.SI
Partitioning Breaks Communities
考虑一个集团作为一个保守的社区结构的定义，我们研究图划分算法如何与集团互动。许多流行的社区发现算法将整个图划分为不重叠的社区。我们表明，在广泛的经验网络，从不同的领域，大量的集团分裂在这些算法产生的单独的分区。然后，我们研究的最大连通组成部分的子图只保留边缘集团，并应用分区策略，明确减少分裂集团的数量。我们进一步研究了几个现代的重叠社区发现算法，在集团和他们找到的社区之间的相互作用，并在他们找到的社区集的全球重叠。我们的结论是，由于许多网络的连通性，任何社区发现算法，产生分区必须无法找到至少一些重要的结构。此外，与传统的直觉相反，在一些经验网络中，强联系和派系经常跨越社区边界;许多社区结构本质上是重叠和不可分割的。
2012-05-12 cs.SI physics.soc-ph
Using Overlapping Methods to Counter Adversaries in Community Detection
本文将社区检测对抗问题建模为Stackelberg博弈，在七个真实网络上评估发现，攻击者预算充足时重叠社区检测方法显著优于非重叠方法，并分析了鲁棒性与无攻击性能的权衡。
2023-08-06 cs.SI
A Noise-Resilient Semi-Supervised Graph Autoencoder for Overlapping Semantic Community Detection
Laboratoire des Mathématiques et Sciences Appliquées (LMSA), Université de Ghardaia（应用数学和科学实验室（LMSA），加兹达亚大学）；Faculty of Sciences and Technology, Université de Ghardaia（科学与技术学院，加兹达亚大学）
本文提出一种结合图多头注意力与模块度最大化的抗噪半监督图自编码器，通过融合结构、属性和先验知识，在60%特征损坏下仍能稳健检测重叠社区并优于现有方法。
2025-05-09 cs.AI cs.SI
Overlapping Community Detection with Graph Neural Networks
Technical Univeristy of Munich（慕尼黑工业大学）
社区发现是机器学习中的一个基本问题。虽然深度学习在许多与图形相关的任务中表现出了巨大的潜力，但开发用于社区发现的神经模型却很少受到关注。现有的几种方法集中在检测不相交的社区，即使社区在真正的图是众所周知的重叠。我们针对这个缺点，提出了一个基于图神经网络（GNN）的重叠社区发现模型。尽管它的简单性，我们的模型优于现有的基线，在社区恢复的任务，由一个很大的利润。我们建立通过广泛的实验评估，该模型是有效的，可扩展的和强大的超参数设置。我们还进行了一项消融研究，证实GNN是该模型的关键因素。
2019-09-26 cs.LG cs.SI stat.ML
Identifying Influential Nodes Using Overlapping Modularity Vitality
发现网络中有影响力的节点对控制网络中的扩散现象至关重要。在最近的作品中，有一个越来越多的趋势，调查社区结构的作用，以解决这个问题。到目前为止，绝大多数所谓的社区意识的中心性措施依赖于非重叠的社区结构。然而，在诸如社交网络的许多现实世界网络中，社区重叠。换句话说，一个节点可以属于多个社区。为了克服这一缺陷，我们提出并研究了“重叠模块活力”中心性度量。这种扩展的“模块活力”量化社区结构强度的变化时，删除一个节点。它允许基于节点对网络的重叠模块化的贡献将节点识别为集线器或桥接器。一个比较分析，其非重叠版本使用易感-感染-传播（SIR）流行病扩散模型已进行了一组六个现实世界的网络。总体而言，重叠模块化活力优于其替代品。这些结果说明了将知识的重叠社区结构，以有效地识别有影响力的节点的重要性。此外，可以使用多个排名策略，因为这两个措施是有符号的。结果表明，选择具有最大正值或最大绝对中心度值的节点比选择具有最大负值的节点更能有效地传播疫情。
2022-01-30 cs.SI
Evading Overlapping Community Detection via Proxy Node Injection
Department of Computer Science（计算机科学系）；Sapienza University of Rome（罗马萨皮恩扎大学）
针对重叠社区检测中的隐私保护，提出基于深度强化学习的代理节点注入方法，有效隐藏目标节点社区归属，显著优于现有基线。
2025-09-25 cs.AI cs.SI
Evaluating Overlapping Communities with the Conductance of their Boundary Nodes
通常，网络中社区的边界是在节点之间画出的，因此穿过了它的输出链路。如果我们通过应用链接聚类方法构建重叠社区，节点和链接交换它们的角色。因此，必须通过两个或多个社区共享的节点来划分边界。为了社区评估的目的，我们定义了一个电导的边界节点的重叠社区类似的图形电导的边界交叉链接用于划分一个图形到不相交的社区。我们证明了边界节点的电导（或归一化节点切割）可以从Evans和Lambiotte（2009）引入的网络加权线图中不相交簇的普通图电导推导出来，以获得原始网络中节点的重叠社区。我们测试我们的定义是否可以用来构建有意义的重叠社区与本地贪心算法的链接聚类。在本说明中，我们提出了令人鼓舞的结果，我们获得了扎卡里的空手道俱乐部网络。
2013-10-13 cs.SI physics.soc-ph
WOCD: A Semi-Supervised Method for Overlapping Community Detection Using Weak Cliques
针对现有基于GNN的重叠社区检测方法存在的信息整合难、感受野有限等问题，提出融合先验信息、基于弱团初始化伪标签的半监督方法WOCD，结合单层Graph Transformer与GNN，在8个真实数据集上精度显著优于现有最优半监督方法。
2025-07-30 cs.SI
Overlapping community detection in weighted networks
本文提出加权度修正混合成员（WDCMM）生成模型，将DCMM扩展到加权网络，结合谱算法与重叠加权模块度，实现重叠社区检测并确定社区数，在模拟和真实网络中验证优势。
2025-10-07 cs.SI physics.data-an
Identifying overlapping communities in social networks using multi-scale local information expansion
大多数现有的社区检测方法需要特定尺度下的图的完整信息，这对于许多社交网络来说是不切实际的。我们提出了一种新的算法，不包括通用的方法，而是试图专注于本地的社会关系和建模多尺度的社会互动发生在这些网络。我们的方法第一次优化了网络的拓扑熵，并通过一个新的动态系统收敛到局部最小值，通过简单地更新成员向量，以非常低的计算复杂度揭示社区。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向量相关联来自然地支持重叠社区。这样，除了发现重叠的社区外，我们还可以通过调整最佳分区的模块特征大小来描述不同的多尺度分区。由于该算法的高效性和准确性，将其用于真实网络中社团结构的精确检测是可行的。
2015-03-27 cs.SI physics.soc-ph
Diffusion-Induced Spatial Attention Overlapping Community Detection
Aalto University School of Science（阿尔托大学理学院）；Lockheed Martin（洛克希德·马丁公司）
针对现有图神经网络在重叠社区检测中因局部消息传递导致的边界模糊和长程依赖缺失问题，提出DISCO框架，融合扩散结构先验、稀疏注意力与非负社区学习，在基准上表现优异，并在网络安全异常检测中验证了实用性。
2026-09-23 cs.LG cs.SI
Overlapping Community Detection by Local Decentralised Vertex-centred Process
本文重点介绍了重叠社区的识别，允许节点同时属于几个社区，在一个分散的方式。为此，它提出了LOCNeSs，一种专门设计用于在分散环境中运行并限制传播的算法，这是移动网络中应用的两个基本特征。它是基于网络中的优先连接机制的开发。实验结果表明，LOCNeSs是稳定的，并取得了良好的重叠顶点识别。
2017-02-13 cs.DM cs.DS cs.SI
