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
Comparative Evaluation of Community Detection Algorithms: A Topological Approach
社区发现是复杂网络分析中最活跃的研究领域之一,具有潜在的应用价值。许多作品的灵感来自于不同的范例,致力于算法解决方案的发展,允许揭示网络结构,在这样的凝聚子群。文献中报道的比较研究通常依赖于将社区结构视为分区的性能度量(兰德指数,归一化互信息等)。然而,这种类型的比较忽略了社区的拓扑性质。在这篇文章中,我们提出了一个全面的比较研究的一组有代表性的社区发现方法,我们采用这两种类型的评价。面向社区的拓扑措施被用来限定社区,并评估其偏离参考结构。为了模拟真实世界的系统,我们使用人工生成的真实网络。事实证明,这两种方法之间并不等价:高性能不一定对应于正确的拓扑性质,反之亦然。因此,它们可以被认为是互补的,我们建议同时使用它们,以便进行完整和准确的评估。
2012-06-21 cs.SI physics.soc-ph
Detecting Stable Communities in Link Streams at Multiple Temporal Scales
链接流模型在广泛的领域中随着时间的推移进行交互。在这种模式下,面临的挑战是有效地挖掘时间和拓扑结构。社区发现和变化点检测是分析这种不断变化的相互作用的最有力的工具之一。在本文中,我们建立在这两个检测稳定的社区结构,确定有意义的社区内的变化点。与现有的动态社区发现算法不同,该方法能够在多个时间尺度上有效地发现稳定的社区。我们测试了我们的方法在合成网络上的有效性,以及从真实社交网络中提取的高分辨率时变网络的联系人。
2019-07-24 cs.SI physics.soc-ph
Challenges in Community Discovery on Temporal Networks
社区发现是网络科学研究的热点问题之一。近年来,许多工作都集中在发现社区的时间网络,从而确定动态社区。有趣的是,动态社区不仅仅是静态社区的序列;新的挑战来自其动态性质。在本章中,我们将讨论其中的一些挑战以及最近的解决方案。我们将讨论在逐渐发展的网络中的社区事件的问题,通过变化的身份的概念,在链接流中的动态社区,动态社区的平滑度,以及不同类型的算法的复杂性。
2019-07-26 cs.SI physics.soc-ph
Dynamic Hawkes Processes for Discovering Time-evolving Communities' States behind Diffusion Processes
NTT Corporation(日本电信电话株式会社);Kyoto University(京都大学)
包括传染病爆发、社交网络活动和犯罪在内的一系列事件无处不在,关于这些事件的数据携带了关于社区之间潜在扩散过程的基本信息(例如,区域、在线用户组)。对扩散过程进行建模和预测未来事件在许多应用中至关重要,包括流行病控制、病毒营销和预测性警务。Hawkes过程提供了一个模拟扩散过程的中心工具,其中来自过去事件的影响由触发核描述。然而,控制每个社区如何受到过去事件影响的触发内核参数被假设为随时间推移是静态的。在现实世界中,扩散过程不仅取决于过去的影响,而且还取决于社区的当前(时间演变)状态,例如,人们对疾病的认识和人们当前的兴趣。在本文中,我们提出了一种新的霍克斯过程模型,能够捕捉背后的扩散过程的社区状态的基本动力学和预测的基础上发生的事件的动力学。具体来说,我们的潜在的动态功能,编码这些隐藏的动态混合神经网络。然后利用潜在动态函数及其积分设计触发核。所提出的方法,称为DHP(动态霍克斯过程),提供了一种灵活的方式来学习复杂的表示的时间演变社区的状态,而在同一时间,它允许计算的确切的可能性,这使得参数学习听话。在四个真实事件数据集上的大量实验表明,DHP优于五种广泛采用的事件预测方法。
2021-06-06 cs.LG cs.SI
A Spectral Framework for Tracking Communities in Evolving Networks
University of Cambridge(剑桥大学);University of Michigan(密歇根大学)
本研究提出一种基于格拉斯曼流形子空间追踪的谱框架,将静态谱社区检测方法推广到时变网络场景,通过块黎曼优化方案实现,在多种类型的合成与真实时序网络中均大幅提升了动态社区检测性能。
2024-12-10 cs.LG cs.SI stat.ML
Hierarchical-Graph-Structured Edge Partition Models for Learning Evolving Community Structure
Great Bay Institute for Advanced Study(大湾区高等研究院);Great Bay University(大湾区大学);School of Computing and Information Technology(计算与信息技术学院)
提出一种基于 Poisson-gamma 边划分和层次图先验的动态网络模型,通过层次转移核建模潜在社区的演化与交互,在链路预测和社区检测任务上优于现有方法。
2024-11-18 cs.LG cs.SI
Finding and testing network communities by lumped Markov chains
识别社区(或集群),即具有相对较强内部连通性的节点组,是深入理解网络结构和功能的基本任务。然而,缺乏界定社区和检验其重要性的正式标准。我们提出了一个尖锐的定义,这是基于一个显着性阈值。通过一个集总马尔可夫链模型的随机步行者,一个质量度量称为“持久性概率”相关联的集群。然后,如果这样的概率不小于$α$,则将集群定义为“$α$ -社区”。一致地,由$α$ -社区组成的分区是“$α$ -分区”。这些定义对于寻找和测试社区非常有效。如果一组候选分区可用,则设置期望的$α$级别允许立即选择具有最精细分解的$α$分区。同时,持久性概率量化了每个社区的重要性。鉴于其单独评估每个集群的质量的能力,这种方法也可以揭示单个定义明确的社区,即使在网络中,总体上不具有明确的集群结构。
2011-06-03 cs.SI physics.soc-ph
Probabilistic Graphical Models for Credibility Analysis in Evolving Online Communities
Max-Planck-Institut für Informatik(马克斯·普朗克信息学研究所);Universität des Saarlandes(萨尔大学)
妨碍充分利用在线社区信息的主要障碍之一是对用户贡献内容的质量和可信度的普遍关切。该领域的先前工作基于社区的静态快照进行操作,对数据的结构做出强有力的假设(例如,关系表),或者仅考虑用于文本分类的浅特征。为了解决上述局限性,我们提出了概率图形模型,可以利用在线社区中的多个因素之间的联合相互作用-如用户交互,社区动态和文本内容-自动评估用户贡献的在线内容的可信度,以及用户的专业知识及其演变与用户可解释的解释。为此,我们设计了基于条件随机场的新模型,用于不同的设置,如将部分专家知识用于半监督学习,并处理离散标签以及细粒度分析的数字评级。这使得应用程序能够从健康论坛中的用户贡献的帖子中提取可靠的药物副作用,并识别新闻社区中的可信内容。在线社区是动态的,随着用户的加入和离开,适应不断变化的趋势,并随着时间的推移而成熟。为了捕捉这种动态,我们提出了基于隐马尔可夫模型,潜在狄利克雷分配和布朗运动的生成模型,以跟踪用户专业知识及其语言模型随时间的不断演变。这使我们能够识别专家用户和可信的内容随着时间的推移,提高国家的最先进的推荐系统,明确考虑用户的成熟度。这也使应用程序,如识别有用的产品评论,并检测虚假和异常评论与有限的信息。
2017-07-26 cs.AI cs.CL cs.IR
Model-Based Clustering of Time-Evolving Networks through Temporal Exponential-Family Random Graph Models
动态网络是描述时变复杂系统的通用语言,离散时间网络模型为各种应用提供了一种新兴的统计技术。在时变网络中检测社团结构是一个基础性的研究问题。然而,由于时间演化网络的社区建模的显着的计算挑战和困难,在目前的文献中,有效地发现社区的时间演化网络几乎没有进展。在这项工作中,我们提出了一种新的基于模型的聚类框架的时间演化网络的基础上离散时间指数族随机图模型。为了选择社区的数目,我们使用条件似然来构造一个有效的模型选择准则。此外,我们提出了一个有效的变分期望最大化(EM)算法,找到近似的最大似然估计的网络参数和混合比例。通过使用变分方法和最小化-最大化(MM)技术,我们的方法具有吸引力的大规模时间演化网络的可扩展性。我们的方法的力量是证明在模拟研究和实证应用国际贸易网络和合作网络的一个大型美国研究型大学。
2017-12-20 cs.SI stat.AP stat.CO
Benchmark model to assess community structure in evolving networks
检测网络社区结构的时间演化对于识别许多复杂系统内部组织的重大变化至关重要,这些系统可能经历重要的内源性或外源性事件。这种分析可以通过两种方式来完成:将每个快照视为独立的社区检测问题,或者考虑网络的整个演化。在第一种情况下,可以在时间快照上应用静态方法,其对应于短时间窗口中的系统配置,并且之后跨层匹配社区。或者,可以开发专用的动态过程,以便在检测社区时同时考虑多个快照,这使我们能够保持流的记忆。为了检验任何一种方法能在多大程度上捕捉到社区的演变,都需要合适的基准。在这里,我们提出了一个模型,用于生成简单的动态基准图,基于随机块模型。在它们中,时间演化由系统结构在具有内置社区结构的配置之间的周期性振荡组成。我们还提出了扩展的质量比较指数的动态场景。
2015-07-19 cs.SI physics.data-an 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
Hate speech and hate crimes: a data-driven study of evolving discourse around marginalized groups
本研究利用自然语言处理与知识图谱技术分析推文话语与仇恨犯罪的相关性,揭示了黑人和LGBTQ+群体在线话语的演变模式,强调监测仇恨言论以预防仇恨犯罪的必要性。
2023-11-18 cs.SI stat.AP stat.CO
Social Status and Communication Behavior in an Evolving Social Network
个人在多大程度上可以对在线社区中的信息传播和意见动态施加影响,这在很大程度上取决于他们的社会地位。因此,通过预测社区中有影响力的用户的社会地位来识别该社区中有影响力的用户的需求很高。此外,了解不同社会地位的人的行为,可以揭示社交网络中的互动动态。在本文中,我研究了一个不断发展的在线社交网络起源于一个在线社区的大学生和我解决的问题,预测用户的社会地位,表示为他们的PageRank,根据观察到的行为,即行为图案的重复出现的时间序列的频率。我表明,具有不同值的PageRank的个人表现出不同的行为,即使在最初的几周,因为在线社区的成立,它是可以预测未来的PageRank值的行为图案的频率与高精度。
2018-10-23 cs.SI physics.soc-ph
Multi-Platform Aggregated Dataset of Online Communities (MADOC)
Institute of Physics Belgrade, University of Belgrade(贝尔格莱德物理研究所,贝尔格莱德大学);Vinča Institute of Nuclear Sciences, University of Belgrade(文查核科学研究所,贝尔格莱德大学);Faculty of Philosophy, University of Novi Sad(新萨德大学哲学系)
MADOC是一个整合多平台在线社区数据的数据集,用于研究跨平台社交动态及内容审核影响。
2025-01-22 cs.CY cs.SI physics.soc-ph
A Quantitative Study of Social Organisation in Open Source Software Communities
开源项目的成功关键取决于足够大的用户社区的自愿贡献。除了单纯的社区规模,有趣的问题出现时,在社区成员之间的合作的结构特征的演变。在本文中,我们讨论了几个网络分析代理,可用于量化社会协作网络中社会组织的不同方面。我们特别注重与社区凝聚力、责任分配和社区成员流动复原力有关的措施。我们对一个大规模的数据集进行了比较分析,该数据集涵盖了14个主要开源软件社区用户之间的完整合作历史。我们的分析涵盖了总体和时间演变的措施,并强调了不同社区的社会组织的差异。我们认为,我们的研究结果是一个有前途的一步,合适的,潜在的多维,弹性和风险指标的定义开源软件社区。
2013-03-04 cs.SE cs.SI nlin.AO
Urban Analytics: Multiplexed and Dynamic Community Networks
在过去的十年中,城市经历了快速的增长,扩张和社区结构的变化。关键城市基础设施的许多方面都与其所服务的人类社区密切相关。城市社区是由多重重叠的因素组成的,这些因素可以分为文化、宗教、社会经济、政治和地理层面。在本文中,我们回顾了如何利用越来越多的异构移动大数据集来检测社区的互动结构,使用自然语言处理和机器学习技术。一些社区层和交互检测算法,然后审查,特别关注的鲁棒性,稳定性和因果关系的不断发展的社区。更好地了解结构动态和多重关系可以提供有用的信息,为城市规划政策提供信息,并塑造社会耦合的城市基础设施系统的设计。
2018-12-11 cs.SI physics.soc-ph
Detecting Community Structure in Dynamic Social Networks Using the Concept of Leadership
在社交网络中检测社区结构是一个基本问题,使我们能够识别具有相似兴趣的行为者群体。在静态网络中寻找社区已经有了大量的工作,然而,在现实中,由于社交网络的动态性质,它们是不断发展的。忽略社交网络的动态方面,既不能让我们捕捉网络的进化行为,也不能预测个人的未来状态。除了是动态的,现实世界的社交网络的另一个重要特征是领导者的存在,即具有高度中心性的节点具有高吸引力来吸收其他成员,从而形成一个本地社区。在本文中,我们设计了一种有效的方法来增量检测社区在高度动态的社交网络使用的重要性和持久性的社区领导人随着时间的推移直观的想法。我们提出的方法能够根据网络的先前结构找到新的社区,而无需从头开始重新计算它们。这个独特的功能使我们能够随着时间的推移快速有效地检测和跟踪社区。在合成和真实社交网络上的实验结果表明,该方法在动态社交网络中发现社区是有效的。
2017-11-06 cs.SI physics.soc-ph
Direct Comparative Analysis of Nature-inspired Optimization Algorithms on Community Detection Problem in Social Networks
National Institute of Technology, Silchar(锡尔查尔国家理工学院);Université Paris-Saclay(巴黎萨克雷大学);INRAE(法国国家农业、食品与环境研究院)
自然启发优化算法(NIOAs)是当今社交网络中社区发现的流行选择。社会网络中的社区发现问题被视为优化问题,其目标是最大化社区内的连接或最小化社区之间的连接。为了应用NIOA,对这两个目标中的一个或两个目标都进行了探讨。由于NIOA在其策略中主要利用随机性,因此有必要针对特定应用分析其性能。针对社区发现问题,分析了NIOA算法。遵循直接比较方法来执行NIOA的成对比较。根据prasatul矩阵和平均隔离度设计的五个分数来衡量性能。三个广泛使用的现实世界的社交网络和四个NIOA被认为是分析NIOA所产生的社区的质量。
2022-12-21 cs.CV cs.NA cs.NE
Community structure: A comparative evaluation of community detection methods
IMT Atlantique;Lab-STICC CNRS UMR 6285
发现复杂网络中的社团结构是一个成熟的领域,因为大量的社区发现方法已经在文献中被介绍。然而,对于实践者来说,确定哪种方法适合深入了解他们所研究的网络的结构信息仍然是非常具有挑战性的。最近的许多努力已经致力于调查社区结构的各种质量分数,但区分不同类型的社区的问题仍然是开放的。在本文中,我们提出了一项比较、广泛和实证的研究,以调查许多最先进和众所周知的社区发现方法正在产生哪些类型的社区。具体来说,我们提供了全面的分析计算时间,社区规模分布,根据他们的优化方案的方法的比较评估,以及比较他们的分割策略,通过验证指标。我们对来自五个不同网络类别的数百个网络的非常大的语料库进行了分析,并提出了对社区发现方法进行分类的方法,帮助潜在用户浏览社区发现的复杂景观。
2019-11-04 cs.LG cs.SI stat.ML
Metrics for Community Analysis: A Survey
在过去的十年里,从社会和信息网络中检测和分析密集群体或社区引起了人们的极大关注,因为它在不同领域具有巨大的适用性。社区发现是一个定义不清的问题,因为社区的性质事先并不知道。这个问题已经被证明是甚至复杂的,由于社区出现在网络中的各种形式-不相交的,重叠的,分层的等,已经提出了各种不同的算法取决于在手的应用程序。所有这些生态学已经具体化的形式,在大多数情况下,作为优化功能,用于检测社区结构,或提供一个良好的检测社区在评估过程中的指示。有必要对社区发现和评价方面提出的衡量标准进行有组织的详细调查。在这项调查中,我们提出了一个全面的和结构化的概述,用于检测和评估社区结构的最先进的指标。我们还对合成网络和真实网络进行了实验,以比较分析这些指标在衡量底层社区结构的良好性方面的作用。
2016-04-12 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
Network-Based Delineation of Health Service Areas: A Comparative Analysis of Community Detection Algorithms
University of California, Davis(加州大学戴维斯分校);University of Exeter(埃克塞特大学)
卫生服务区(Health Service Area,HSA)是一组由类似卫生保健设施提供服务的地理区域。HSAs的划分在描述一个地区的医疗服务方面起着关键作用,可以更好地规划和监管医疗服务。虽然达特茅斯HSA已经是标准的划定了几十年,以前的工作最近显示了一种改进的HSA划定使用基于网络的方法,其中HSA是由医院患者出院网络中的鲁汶算法提取的社区。鉴于不同社区发现算法提取的社区存在异质性,缺乏对用于最佳HSA划定的社区发现算法的比较分析。在这项工作中,我们比较了HSA描绘的社区发现算法使用大规模的数据集,包含不同类型的医院,病人出院跨越7年的时间在美国。我们的研究结果复制了在以前的工作中发现的社区发现算法之间的异质性,通过基于网络的方法获得了改进的HSA描绘,并表明Infomap可能是一种更适合于HSA描绘的社区发现,因为它发现了大量具有高定位指数和低网络电导的HSA。
2019-12-08 cs.LG cs.SI stat.ML
Mosaic benchmark networks: Modular link streams for testing dynamic community detection algorithms
针对现有动态社区检测评估方法不适用于高细节链接流的问题,研究提出可生成带预定义社区的合成模块化链接流的新型框架,评估发现各成熟检测方法无绝对优胜者但存在显著差异。
2023-10-04 cs.SI
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
Patterns of Emotional Blogging and Emergence of Communities: Agent-Based Model on Bipartite Networks
背景资料:本文利用基于主体的建模方法和从相关实证数据中推断出的参数,对博客群体情绪行为的机制进行了研究。方法/主要发现:一个双边网络的情感代理和职位的发展,通过添加代理和他们的行动的职位。代理的情绪状态,量化的唤醒和效价,波动的时间,由于事件上的连接职位,并在代理的行动的时刻,它被转移到一个选定的职位。我们声称,间接沟通的情感模型规则,结合行动延迟时间和昼夜节律提取的经验数据,可以解释的成因流行的博客和类似的门户网站上的用户的情绪爆发。该模型还确定了参数以及它们如何影响动态过程。结论:在这里,集体行为被网络上社区的出现和他们的情绪评论的分形时间序列所认可,这些评论由负面情绪(批评)提供动力。不断发展的代理社区在唤醒-效价变量的相空间中留下活动的特征模式,其中每个片段代表心理学中描述的共同情感。
2011-10-23 cs.HC cs.SI physics.soc-ph
Seeing through the smoke : a world-wide comparative study of e-cigarette flavors, brands and markets using data from Reddit and Twitter
电子烟作为香烟的替代品越来越受欢迎,促使我们使用Reddit和Twitter上的帖子来研究品牌,口味和在线市场活动的趋势。这项全球性研究的主要动机是强调法律法规对不同国家不同口味和品牌的vapes的使用和可用性的差异。数据来自澳大利亚、加拿大、欧洲和英国的电子烟社区。广泛的数据清理和严格的文本挖掘操作为不同的国家提供了不同的结果。从Reddit和Twitter获得了不同的结果,因为它们为用户提供了不同的氛围。
2020-02-04 cs.SI
Evaluating Community Detection Algorithms for Progressively Evolving Graphs
Univ de Lyon(里昂大学);CNRS(法国国家科学研究中心);Université Lyon 1(里昂第一大学);Université Mohamed Seddik Benyahia de Jijel(吉杰勒穆罕默德·塞迪克·本叶海亚大学);Italian National Research Council(意大利国家研究委员会)
在过去的十年中,已经提出了许多算法来发现动态社区。然而,这些方法很少相互比较。在这篇文章中,我们提出了一个动态图与种植不断发展的社区结构的生成器,作为一个基准来比较和评估这样的算法。与以前提出的基准不同,它能够通过描述性语言指定任何期望的进化社区结构,然后生成相应的渐进进化网络。我们经验性地评估现有的六种算法的动态社区发现的瞬时和纵向的相似性与种植地面真相,平滑的动态分区,和可扩展性。我们特别注意到不同类型的弱点,这取决于他们确保流畅性的方法,即毛刺,过度简化和身份丢失。虽然没有一种方法是明显的赢家,但我们观察到了方法之间的明显差异,我们确定了最快的方法,即在每一步产生最平滑或最准确的解决方案的方法。
2020-07-16 cs.LG cs.SI physics.soc-ph
A Comparative Analysis of Community Detection Algorithms on Artificial Networks
为了揭示复杂网络的介观特性,人们提出了许多社团检测算法。然而,一个算法在准确性和计算时间方面有多好,仍然是开放的。在真实网络上测试算法有一定的限制,这使得他们的见解可能会有偏差:网络通常很小,并且底层社区没有客观定义。在这项研究中,我们采用了Lancichinetti-Radicchi基准图来测试八个最先进的算法。我们量化的准确性,使用互补措施和算法的计算时间。基于简单的网络属性和上述结果,我们提供了指导方针,帮助选择最合适的社区检测算法为给定的网络。此外,这些规则允许在给定宏观网络属性的情况下发现特定算法的使用限制。我们的贡献有三个方面:首先,我们提供了实际的技术,以确定哪一个是最合适的算法在大多数情况下,根据可观察的性质的网络正在考虑。其次,我们使用的混合参数作为一个容易测量的指标,找到不同算法的可靠性范围。最后,我们研究了网络规模的依赖关系,重点是算法的预测能力和有效的计算时间。
2017-08-26 cs.SI physics.soc-ph
Evolving Hate Speech Online: An Adaptive Framework for Detection and Mitigation
University of Washington Bothell(华盛顿大学博塞尔分校);Binghamton University(宾汉姆顿大学);Boston University(波士顿大学)
针对现有仇恨言论检测方法依赖固定词表、自适应不足的问题,提出结合词嵌入更新词表的BERT与词表技术混合模型,在多数先进数据集上达95%准确率,助力构建更安全的线上环境。
2025-02-21 cs.CL cs.SI
Spectral clustering of time-evolving networks using spatio-temporal random walks
Zuse Institute Berlin(柏林祖斯研究所);Heriot–Watt University(赫瑞-瓦特大学)
提出基于多视角典型相关分析(mCCA)的框架,通过增广时空网络上的时间可逆随机游走谱特征实现时间网络社区检测,并分析谱性质与时空效应,导出降阶模型提升计算效率。
2026-11-05 cs.SI math.DS
Relay-Linking Models for Prominence and Obsolescence in Evolving Networks
在不断发展的社交网络中,节点获取链接(朋友、引用)的速率表现出复杂的时间动态。优先连接和链接复制模型虽然能够进行优雅的分析,但只能捕捉到富人越来越富的效应,而不能捕捉到衰老和衰退。最近的老化模型是复杂的和高度参数化的;大多数涉及每个节点估计1-3个参数。这些参数是固有的:他们用同一节点过去的事件来解释衰退,但没有用网络来解释链接注意力可能会去哪里。我们认为,传统的连接动力学特征是不够的,以判断模型的忠实性。我们提出了一个新的时间草图的演变图,并介绍了几个新的表征网络的时间动态。在此基础上,我们提出了一类新的节俭老龄化模型,该模型没有每节点参数,只有两个全局参数。我们的模型是基于一个令人惊讶的反转或撤销三角形完成,其中一个老节点中继引用一个年轻的追随者在其附近。尽管参数很少,但新的模型家族显示出与真实数据的更好拟合。在结束之前,我们分析了各种研究团体的时间签名,进一步了解它们的比较动态。为了促进可重复的研究,我们将很快在公共领域提供所有代码和处理过的数据集。
2017-09-06 cs.SI physics.soc-ph
Link Prediction in Complex Networks: A Survey
复杂网络中的链路预测问题越来越受到物理学界和计算机科学界的关注。本文综述了链路预测算法的最新进展,重点介绍了基于随机游走的方法和极大似然方法等物理方法对链路预测算法的贡献。介绍了三个典型的应用:网络重构、网络演化机制评价和部分标号网络分类。最后,我们介绍了一些应用程序,并概述了未来的挑战,链接预测算法。
2010-10-04 cs.SI physics.comp-ph physics.soc-ph
Local Community Detection in Dynamic Networks
给定一个随时间演化的网络,我们如何在内部互动高而外部互动低的时期内发现社区?为了解决这个问题,我们将传统的局部社区发现在图中的动态网络的设置。采用现有的静态网络的方法在一个“聚合”的所有时间的相互作用的图是不适合的问题,因为动态社区可能是短暂的,从而失去了混合互动时,在很长一段时间。因此,动态社区挖掘需要检测社区节点和它们积极交互的最佳时间间隔。我们提出了一个过滤和验证的动态社区发现框架。为了扩展到长时间间隔的图形演化,我们采用了新的动态社区电导谱界,并采用它们来过滤近线性时间的次优周期。我们还设计了一个时间和图形感知的局部敏感哈希家族,以有效地发现有前途的社区核心。我们的方法PHASR发现社区的质量始终高于基线(2至67倍)。同时,我们的边界允许修剪之间的$55\%$和$95\%$的搜索空间,从而显着节省运行时间相比,即使是温和的时间间隔的图形进化的穷举的替代品。
2017-09-12 cs.SI physics.soc-ph
Community detection and tracking on networks from a data fusion perspective
网络中的社区结构已经从许多角度进行了研究,通常有相同的最终结果:某种社区检测算法。最近的研究提供了将这些算法的结果结合到社区进化时间表中的方法。本文从数据融合的角度研究了社区检测和跟踪问题。我们避免了传统社区检测算法的硬调用,以保留尽可能多的不确定性信息。这导致直接估计节点对在同一社区中的概率的方法。我们使用LFR测试平台证明了这种方法是准确的,它在许多标准网络数据集上是快速的,并且它具有多种用途,可以补充标准的硬调用方法。保留不确定性信息使我们能够开发用于跟踪社区的贝叶斯过滤器。我们推导出方程的完整过滤器,并将其边缘化,以产生一个潜在的实用版本。最后,我们讨论了封闭的边缘化过滤器和工作,仍然发展成为一个有原则的,有效的方法来跟踪时间演变的网络上的时间演变的社区。
2012-01-06 cs.SI math.PR physics.soc-ph
Multi-set spectral clustering of time-evolving networks using the supra-Laplacian
University of New South Wales(新南威尔士大学);Free University of Berlin(柏林自由大学);University of Bayreuth(拜罗伊特大学)
本文提出基于超拉普拉斯算子特征向量和SEBA后处理的时变网络谱聚类方法,在多种网络上优于Leiden算法,并通过美国参议院投票数据量化了极化随时间加剧的趋势。
2025-09-23 cs.SI math.DS physics.soc-ph
Maximising Influence Spread in Complex Networks by Utilising Community-based Driver Nodes as Seeds
在复杂网络中寻找一小部分有影响力的节点以最大化影响力传播是一个活跃的研究领域。过去已经提出了不同的方法来识别一组种子节点,这些节点可以帮助实现网络中影响力的更快传播。结合网络控制领域的驱动节点选择方法,采用分而治之的方法,利用社区结构指导从社区驱动节点中选择候选种子节点。使用社区中的驱动节点作为种子节点是一个相对较新的想法。我们确定了合成的社区(即,随机、小世界和无标度)网络以及22个真实世界的社交网络。来自这些社区的驱动程序节点然后根据一系列共同的中心性度量进行排名。我们比较了这些种子集的影响力传播能力的结果,在全球范围内选择驱动程序节点。我们表明,在合成和真实的网络中,利用社区结构增强了所产生的种子集的能力。
2022-12-22 cs.SI
GI-OHMS: Graphical Inference to Detect Overlapping Communities
在复杂网络中发现社区是复杂系统社区最近相当感兴趣的话题。由于大规模网络(如在线社交网络)的动态和快速发展的性质,社区中节点之间更强的本地和全球互动的概念变得更难捕捉。针对重叠社区发现问题,提出了一种新的图形推理方法-- GI-OHMS(Graphical Inference in Observed-Hidden Variable Merged Seeded Network)。我们的方法的新颖之处在于将感兴趣的复杂而密集的网络转换为隐藏的合并种子(OHMS)网络,该网络保留了网络的重要社区属性。我们进一步利用图形推理方法(贝叶斯马尔可夫随机场)提取社区。我们的方法的优越性在于两个主要观察结果:1)提取的OHMS网络排除了许多较弱的连接,从而导致更高的推理精度2)图形推理步骤在较小的网络上运行,从而具有更低的执行时间。我们证明了我们的方法优于其他基线算法,如OSLOM,DEMON和LEMON的准确性。为了进一步提高执行时间,我们有一个多线程的实现,并表现出显着的速度相比,国家的最先进的算法。
2018-10-03 cs.DC cs.SI
Network assembly of scientific communities of varying size and specificity
研究人员的合作网络如何围绕一个科学主题联合起来?当一个新的领域发展时,会发生什么样的社会结构调整?以前对这些问题的实证探索已经研究了与几个科学领域相关的合著网络的演变,每个都注意到网络结构随着领域发展而发生的特征性变化。然而,从历史上看,这类研究往往依赖于手动注释的数据集,因此只考虑少数学科,从而质疑观察到的结构特征的普遍性。为了克服这一限制并测试这一现象的鲁棒性,我们使用了超过189,000篇科学文章的综合数据集,并开发了一个框架,用于将文章及其作者划分为连贯的,语义相关的组,代表不同规模和特异性的科学领域。然后,我们使用由此产生的人口的领域来研究不断发展的合著网络的结构。与早期的研究结果一致,我们观察到一个全球性的拓扑结构转变的合著网络合并从一个脱节的聚合成一个密集的巨大的连接组件,占主导地位的网络。我们使用一个单独的,免费的科学文章语料库来验证这些结果,总体而言,我们发现以前报道的科学领域的相关合著网络的特征结构演变在大量不同规模,范围和特异性的科学领域中是稳健的。此外,在这项研究中开发的框架可以用于其他scientometric背景下,以扩展研究,在更大范围的科学学科进行比较。
2018-01-15 cs.SI physics.soc-ph
An Ensemble Framework for Detecting Community Changes in Dynamic Networks
Lawrence Livermore National Laboratory(劳伦斯利弗莫尔国家实验室)
动态网络,特别是那些代表社交网络的动态网络,随着时间的推移,其社区结构不断演变。节点可以在不同的社区之间迁移,社区可以分裂成多个新的社区,社区可以合并在一起,等等。为了表示动态网络与不断发展的社区,必须使用动态模型,而不是静态模型。在这里,我们使用动态随机块模型,其中底层块模型在不同时间是不同的。为了表示该动态模型所表达的结构变化,网络将被分成离散的时间段,聚类算法将为每个段分配块成员。在本文中,我们表明,使用集成的聚类分配适应可扩展的聚类算法的方差,并产生优越的结果,成对精度和成对召回。我们还表明,动态集群所产生的合奏可以被可视化为一个流程图,简洁地封装社区的演变。
2017-07-24 cs.LG cs.SI
A Comparative Analysis of Social Network Pages by Interests of Their Followers
Tyumen State University(秋明国立大学)
用户兴趣是一个认知问题,它应该独立于用户的语言、社会网络和兴趣内容本身而易于分类。为了证明这一点,我们分析了英语和俄语Twitter和Vkontakte社区页面的追随者的兴趣。首先,我们在专家分析的帮助下创建一个主要兴趣(MaIs)模型,然后使用机器学习算法(SVM,神经网络,朴素贝叶斯等)对一组页面进行分类。我们选择了英语和俄语社区的三个典型兴趣领域:足球,摇滚乐,素食主义。分类结果显示,俄语Vkontakte和俄语Twitter页面之间的相关性更大,而英语Twitter页面似乎提供了最高的分数。
2017-10-17 cs.CL cs.IR cs.SI
Evolutionary game dynamics with environmental feedback in a network with two communities
本文提出并分析了一个具有两个社区的网络生态演化博弈模型,假设环境状态依赖于边,发现模型呈现多次跨临界分岔、多稳态和反同步振荡等丰富动力学,揭示了社区结构对生态位内外生态演化动力学的影响。
2024-06-07 cs.SI math.DS 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
Resolution Limits for Detecting Community Changes in Multilayer Networks
多层网络捕捉跨多个交互模式或尺度的复杂系统的组件之间的成对关系。这些网络的一个重要的中尺度特征是通过它们的社区结构来测量的,社区结构定义了存在于网络层内和网络层之间的强连接节点组。由于层间边缘可以描述不同模式、尺度或时间点之间的关系,因此了解社区如何跨层变化和演变至关重要。在多层网络中检测社区的一种流行方法包括最大化称为模块性的质量函数。然而,在多层设置的模块化功能取决于层间耦合参数,$ω$,以及如何影响社区检测这个参数还没有很好地理解。在这里,我们公开了$ω$的上限,超过该上限,就无法检测到跨层的社区更改。这个上限具有非平凡的,纯粹的多层效应,并作为检测不断发展的社区的分辨率限制。此外,我们建立了一个明确的和以前未发现的单层分辨率参数,$γ$,和层间耦合参数,$ω,$,提供了新的理解的模块化参数空间之间的关系。我们的研究结果不仅代表了新的理论考虑,但也有重要的实际意义,选择层间耦合值时,使用多层网络来模拟真实世界的系统,其社区随时间或模态的变化。
2018-03-09 cs.SI physics.data-an 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
Safe Spaces or Toxic Places? Content Moderation and Social Dynamics of Online Eating Disorder Communities
本研究比较分析了Twitter/X、Reddit和TikTok上进食障碍讨论的内容审核与用户参与,发现审核较弱的平台易形成放大支持厌食症言论的有毒回音室,揭示了审核策略对心理健康在线社区发展的显著影响。
2024-12-20 cs.CY cs.HC cs.SI
Group Fairness Metrics for Community Detection Methods in Social Networks
针对社交网络社区检测方法易产生有偏结果、影响少数群体的问题,提出群体公平性度量指标Φ^F*_p,对比发现不同方法的性能-公平性权衡差异显著,无方法持续占优,为公平高效的社区检测方法开发提供支撑。
2024-10-07 cs.SI
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
Identifying the social signals that drive online discussions: A case study of Reddit communities
越来越多的人根据他们在在线社交媒体上消费的信息形成观点。因此,了解什么类型的内容在社交媒体上吸引人们的注意力并推动讨论至关重要。在本文中,我们重点讨论在线讨论。我们能预测哪些评论和哪些内容在在线讨论中获得最高关注吗?社区与社区之间的内容有何不同?为了实现这一目标,我们对Reddit进行了一项独特的研究,涉及来自11个具有不同属性的热门子Reddit的大样本评论。我们引入了大量的情感,相关性,内容分析功能,包括一些为reddit定制的新颖功能。通过对所选subreddits的比较分析,我们表明我们的模型能够正确地以很高的精度检索帖子下的顶级回复。此外,我们解释了我们的研究结果,详细分析了不同社区中高分帖子的区别,这些社区在主题和风格的特异性,受众和适度程度等方面有所不同。
2017-05-07 cs.SI
Formation of Modularity in a Model of Evolving Networks
模块化结构在各种社会和生物网络中很常见。然而,它的动力起源仍然是一个悬而未决的问题。在这项工作中,我们建立了一个动力学模型来描述社会网络的演化。基于对真实社交网络的观察,我们在模型中引入了一种根据局部动态的链接创建/删除策略。因此,动力学和拓扑结构的共同进化自然决定了网络的性质。研究发现,当耦合强度较小时,网络系统不能达到任何同步,网络拓扑结构是同构的。有趣的是,当耦合强度足够大时,网络系统自发地形成具有不同动力学状态的社区。同时,网络拓扑结构变得异构,采用模块化结构。进一步证明了在一定的参数范围内,所形成的网络的度和社区规模都服从幂律分布,并且网络是连续的。这些结果与许多经验网络的特征相一致,有助于理解复杂网络中模块性的形成机制。
2011-08-18 cs.SI nlin.AO physics.soc-ph
Enhancing Community Detection in Networks: A Comparative Analysis of Local Metrics and Hierarchical Algorithms
University of Granada(格拉纳达大学)
本研究针对网络社区检测算法复杂性的挑战,采用Girvan-Newman算法评估局部相似性度量,通过模块度和NMI在真实网络上的实验证明局部度量方法具有显著潜力。
2024-08-22 cs.LG cs.SI
DynBenchmark: Customizable Ground Truths to Benchmark Community Detection and Tracking in Temporal Networks
IMT Atlantique(IMT阿维朗蒂)
本文提出DynBenchmark,一种生成可定制演化社区结构及底层时序网络的基准,用于测试社区检测与跟踪方法,并提供工具以比较真值与算法结果。
2025-10-03 cs.AI cs.SI
Understanding the Dynamics of the Stack Overflow Community through Social Network Analysis and Graph Algorithms
该论文以 Stack Overflow 为核心,运用社会网络分析与图算法研究在线社区动态及信息质量,并提出交通流预测、影响力最大化和链接预测三类方法。
2024-06-13 cs.SI
Community Structure in Interaction Web Service Networks
许多现实世界的复杂系统,如社会,生物,信息以及技术系统的结果,分散和无计划的进化,导致一个共同的结构化。无论它们的起源如何,这些所谓的复杂网络通常都表现出小世界和无标度特性。另一个共同特点是他们组织成社区。在本文中,我们介绍了基于语法和语义Web服务的组合过程的交互网络模型。在真实Web服务的基准上进行的广泛的实验研究表明,这些网络具有复杂网络的典型属性(小世界,无标度)。与大多数社交网络不同,它们不是可传递的。使用一个有代表性的样本的社区发现算法,社区结构化。对所发现的社区结构的比较评价表明,它们在内容上非常相似。此外,对社区结构和社区本身进行的分析,使我们得出结论,它们的拓扑性质是一致的。
2013-05-02 cs.NI cs.SI physics.soc-ph