Leveraging local network communities to predict academic performance
20多年来，学生协作网络的社会网络分析一直关注学生的中心性，以预测学习成绩。尽管越来越多的社会学文献支持学业成功具有传染性，但仅仅识别网络中的核心学生并不能捕捉到同伴互动如何促进学业成功在整个网络中的传播。因此，我们提出了新的预测，治疗学术成功的传染病，通过识别学生的学习社区，包括最有可能影响学生的表现在一门课程的同行。我们评估这些学习社区的重要性，预测学术成果在介绍大学统计课程与103名学生。特别是，我们观察到，通过包括这些学习社区预测器，所得到的模型是正确模型的可能性是文献中当前最先进的中心网络模型的68倍。
2018-10-10 cs.SI physics.soc-ph stat.AP
Robustness of community structure under edge addition
本文通过随机与定向边添加场景，结合四种社区检测算法和相似性指标，评估合成及经验时序网络中社区结构的鲁棒性，证明其受初始划分、添加方式、指标和算法选择影响。
2023-11-02 cs.SI physics.soc-ph
From Louvain to Leiden: guaranteeing well-connected communities
社区发现常用于理解大型复杂网络的结构。发现社区结构的最流行的算法之一是所谓的Louvain算法。我们发现，该算法有一个主要的缺陷，在很大程度上被忽视，直到现在：鲁汶算法可能会产生任意连接不良的社区。在最坏的情况下，社区甚至可能断开连接，特别是当迭代运行算法时。在我们的实验分析中，我们观察到高达25%的社区连接不良，高达16%的社区断开连接。为了解决这个问题，我们引入莱顿算法。我们证明了莱顿算法产生的社区，保证连接。此外，我们证明了，当莱顿算法迭代应用，它收敛到一个分区中的所有社区的所有子集是局部最优分配。此外，通过依赖于快速局部移动方法，Leiden算法比Louvain算法运行得更快。我们证明了性能的莱顿算法的几个基准和现实世界的网络。我们发现，莱顿算法比鲁汶算法更快，发现更好的分区，除了提供明确的保证。
2019-10-30 cs.SI physics.soc-ph
Growing Random Geometric Graph Models of Super-linear Scaling Law
近年来对复杂系统的研究突出了所谓的超线性增长现象。随着以城市人口或在线社区活跃用户衡量的系统规模$P$的增加，以GDP或新专利数量衡量的总活动$X$，这些人在城市中产生的犯罪也在增加，但速度更快。这种加速生长现象可以用超线性幂律$X \propto P^γ$（$γ>1$）很好地描述。然而，对这一现象的解释仍然缺乏。在本文中，我们提出了一个建模框架称为增长随机几何模型来解释超线性关系。在一个抽象的几何空间上构造一个生长网络。新的节点只有在空间中其他节点存在的适当位置才能生存，然后新的边与相邻的节点连接，相邻节点的数量由现有节点的密度决定。因此，总的边缘数可以增长的节点数量在一个更快的速度，完全遵循超线性幂律。这些模型不仅可以再现复杂网络中的许多观察到的现象，例如，无标度度分布和渐近大小不变的聚集系数，也类似于已知的城市模式，如分形增长，面积-人口和多样性-人口标度关系等。引人注目的是，只有一个重要的参数，几何空间的维数，可以真正影响超线性增长指数$γ$。
2012-12-20 cs.SI physics.soc-ph
Discovering Network Structure Beyond Communities
为了理解复杂系统的形成、演化和功能，理解其相互作用网络的内部组织至关重要。部分由于无法可视化大型复杂网络，解决网络结构仍然是一个具有挑战性的问题。在这里，我们克服了这一困难相结合的视觉模式识别能力的人类与计算机的高处理速度，开发一种探索性的方法，发现具有共同的网络属性，包括但不限于社区的密集连接的节点的节点组。在没有任何关于组的性质的先验信息的情况下，该方法同时识别组的数量、组分配以及定义这些组的属性。将我们的方法应用于真实网络的结果表明，大多数群体结构可能隐藏在快速增长的社会，生物和科学感兴趣的技术网络中。
2011-11-25 cond-mat.dis-nn cs.SI nlin.AO
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
Towards Investigating Substructures and Role Recognition in Goal Oriented Online Communities
在本文中，我们应用社会网络分析方法，揭示了一个流行的开源目标导向的IRC社区，Ubuntu的结构动力学。主要目标是跟踪这个不断增长的社区随着时间的推移，使用社会网络镜头的发展，并研究动态变化的参与模式的人。具体来说，我们的研究旨在调查以下问题的答案：如何可以通信动态帮助我们在划定重要的子结构在IRC网络？这让我们深入了解开源学习社区内部是如何运作的，以及是什么驱动了IRC的行为。通过应用一组一致的社交网络指标，我们识别出影响人们在整个IRC网络中的嵌入性的因素，以及他们作为讨论发起者或响应者的结构性影响和重要性。破译这些非正式的联系是至关重要的发展新的战略，以改善沟通和促进协作的人之间交谈的IRC渠道，有刺激网络中的知识流。我们的方法揭示了一种新的网络骨架，它更接近于参与者在线交互的行为。我们强调的瓶颈，有效的知识传播的IRC，以便集中注意力可以提供给社区特有的行为模式。此外，我们还探索了有趣的研究方向，以增强IRC中的通信动态研究。
2014-09-03 cs.SI
Topological Properties of Web Services Similarity Networks
公开可用的Web服务（WS）的数量在不断增长。为了执行有效的WS发现，期望组织WS空间。在这个方向上的作品建议根据某些共享属性对WS进行分组。这种团体通常被称为社区是基于相似性或WS之间的互动。在本文中，我们专注于前者，并提出了一种新的基于网络的方法来提取社区WS集合。这个过程分为三个步骤：首先，我们定义了几个能够比较WS操作的相似性函数，其次，我们使用它们来构建所谓的相似性网络，第三，我们在这些网络中的特定结构的形式下识别社区。我们将我们的方法应用于现实世界的WS的集合，并对由此产生的社区进行评论。最后，我们还提供了一个分析和解释我们的相似性网络与复杂网络的角度。
2013-05-01 cs.IR cs.SI
Modularity-based approach for tracking communities in dynamic social networks
Institute of Informatics and Telematics, National Research Council（国家研究委员会信息学与电信研究所）
提出一种无需预定义阈值的基于模块度的动态社区追踪框架，通过识别重要事件在合成网络和大型Twitter数据上超越现有方法，实现准确稳健的社区演化分析。
2023-10-13 cs.AI cs.CY cs.SI
Accurate Community Detection in the Stochastic Block Model via Spectral Algorithms
考虑随机块模型中的社区发现问题，其中有限个$K$社区的大小随网络大小$n$线性增长.该模型由一个随机图组成，使得每对顶点在社区内以概率$p$独立连接，在社区间以概率$q$独立连接。人们观察到这个随机图的一个实现，目标是从这个观察中重建社区。我们发现，在谱算法下，错误分类的顶点的数量不超过$s$与高概率$n$增长大，每当$pn=ω(1)$，$s=o(n)$和\begin{equation*} \lim\inf_{n\to\infty} {n(α_1 p+α_2 q-(α_1 + α_2)p^{\frac{α_1}{α_1 + α_2}}q^{\frac{α_2}{α_1 + α_2}})\over \log (\frac{n}{s})} >1,\quad\quad(1) \end{equation*}，其中$α_1$和$α_2$表示（固定）的两个最小的社区中的顶点的比例。鉴于Abbe等人和Mossel等人最近的工作，这确立了所提出的频谱算法能够精确地恢复社区，只要在具有两个大小相等的社区的网络的情况下这是完全可能的。我们猜想，条件（1）实际上是必要的，以获得少于$s$错误分类的顶点渐近，这将建立在更一般的情况下的谱方法的最优性。
2014-12-23 cs.DS cs.SI
Triangles as basis to detect communities: an application to Twitter's network
如今，科学界对社交网络产生的数据的调查的兴趣随着社交网络数据的指数增长而增加。数据结构的复杂性是阻碍他们理解的障碍之一。另一方面，社交网络中的社区发现有助于分析者揭示社区的结构和潜在语义。在本文中，我们提出了一个交互式的可视化方法依赖于我们的应用程序NLCOMS，它使用同步和相关的图形和社区的可视化视图。此外，我们提出了我们的算法在网络中的社区发现。对LFR [9]-[10]基准生成的实例进行了计算研究。最后，为了评估我们在真实世界数据上的方法，我们考虑了ANR-Info-RSN项目的数据。后者解决了Twitter中的社区发现。
2016-06-17 cs.SI physics.soc-ph
Optimal timescale for community detection in growing networks
带时间戳的数据越来越多地用于许多社会、经济和信息系统，这些系统可以表示为随时间增长的网络。例如，万维网、社会联系网络、科学论文和在线新闻文章的引用网络都属于这种类型。静态方法可能不足以分析不断增长的网络，因为它们错过了系统动态的基本信息。同时，时间感知的方法需要选择一个观察时间尺度，但我们缺乏原则性的方法来确定它。我们专注于流行的社区检测问题，其目的是将网络的节点划分为有意义的组。我们使用多层质量函数来显示，在合成和真实数据集上，导致最佳社区的观察时间尺度与系统的内在老化时间尺度密切相关，可以从时间戳网络数据中推断出。时间信息的使用导致了对真实信息网络的社区结构的截然不同的结论，这挑战了目前对不断增长的网络的大规模组织的理解。我们的研究结果表明，在试图评估不断发展的网络的结构模式之前，至关重要的是要揭示产生它们的动态过程的时间尺度。
2019-08-01 cs.SI physics.data-an physics.soc-ph
Nonnegative Bayesian nonparametric factor models with completely random measures for community detection
我们提出了一个贝叶斯非参数泊松因子分解模型建模网络数据的未知和潜在的重叠社区的数量不断增加。该构造基于完全随机的措施，并允许社区的数量以指定的对数或多项式速率随节点的数量增加，或者有界。我们开发的节点数量和网络的度分布的渐近性，并推导出一个马尔可夫链蒙特卡罗算法，针对这个模型的确切后验分布。该方法的实用性说明了各种真实的网络。
2019-02-27 cs.SI stat.ME
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
Weighted Label Propagation Algorithm based on Local Edge Betweenness
在复杂网络中，特别是社交网络中，网络可以被划分为不相交的分区，其中内部边（同一分区内顶点之间的边）与外部边（不同分区的两个顶点之间的边）的数量之比很高。通常，这些分区被称为社区。检测这些社区有助于数据科学家从图表中提取有意义的信息并进行分析。在过去的几十年里，已经提出了各种算法来检测图中的社区，每个算法都从不同的角度研究了这个问题。然而，这些算法中的大多数具有显著的时间复杂度和昂贵的计算，使得它们不适合在具有数百万条边和节点的大型图中检测社区。在本文中，我们尝试通过使用边缘介数度量来改进标签传播算法，使其能够在接近线性的时间复杂度内以可接受的精度识别真实世界和人工网络中的不同社区。此外，该算法可以检测社区的加权图。实验结果表明，该算法在准确性和速度上都是可以接受的，并且具有良好的可扩展性。
2019-01-16 cs.SI physics.soc-ph
Modeling and Detecting Communities in Node Attributed Networks
社区作为现实网络中的一种基本结构，除了图的拓扑结构外，还可以通过丰富的节点属性来反映。在属性社区发现中，概率生成模型（PGMs）由于其原则性的特征描述和竞争性的性能而成为主流方法。在这里，我们提出了一种新的PGM不施加任何分布假设的属性，这是优于现有的PGM，需要属性是分类或高斯分布。该模型基于图结构的块模型，通过描述属性对节点流行度的影响来引入属性。为了定量地描述这种影响，我们分析了我们模型的社区可检测性，然后建立了节点流行度项的要求。这为选择和求解属性社区发现模型中的关键模型选择问题提供了一种新的解决方案。在模型确定的基础上，提出了一种有效的参数估计算法和群落推断算法。从两个方面对所提出的方法进行了验证。首先，我们的算法的有效性从理论上保证了可检测性条件。第二，大量的实验表明，我们的方法不仅优于竞争的方法在所采用的数据集，但也显示出更好的适用性，以各种节点属性的网络。
2022-05-30 cs.SI physics.soc-ph
Analyzing Network Effects on a Fanfiction Community
自Web 2.0早期以来，在线社区迅速发展，并已成为许多人生活的重要组成部分。在其中一个社区fanfiction.net中，用户可以阅读和撰写改编、重新创作和修改原创名著、电视剧、电影等的故事。通过关注故事及其作者，同人小说社区创建了一个社交网络。先前关于在线社区的研究已经表明了社交网络的特征如何有助于解释社区的行为，因此我们有兴趣研究同人小说的社交网络及其对社区的影响。特别是，在这篇文章中，我们描述了社区成员的几个属性，我们也试图发现哪些因素解释了作者的受欢迎程度。我们发现加入同人小说的时间和作者传记的大小对作者的受欢迎程度有负面影响。此外，我们表明，用户的网络指标有助于解释更好的作者的受欢迎程度。
2020-08-07 cs.SI
Semi-Supervised Overlapping Community Finding based on Label Propagation with Pairwise Constraints
在复杂网络中检测社区的算法通常是无监督的，仅依赖于网络的结构。然而，这些方法通常无法发现反映数据中底层社区的有意义的分组，特别是当这些结构高度重叠时。提高这些算法的有用性的一种方法是通过合并附加的背景信息，其可以用作约束的来源以指导社区发现过程。在这项工作中，我们探索了半监督策略的潜力，以改善算法，在网络中找到重叠的社区。具体来说，我们提出了一种新的方法，标签传播的基础上，使用有限数量的成对约束，寻找社区。对合成和真实世界数据集的评估表明，这种方法在每个节点可能属于多个社区的情况下，有可能揭示有意义的社区结构。
2018-11-21 cs.SI physics.soc-ph
An Analysis of Interactions Within and Between Extreme Right Communities in Social Media
许多极右团体通过使用专门的网站在网上存在了一段时间。与此同时，近年来社交媒体平台的活动增加，使极右内容能够传播给更广泛的受众。在本文中，我们提出了一个选择这样的群体在Twitter上的活动的分析，使用网络表示的基础上相互追随者和互动关系，同时也分析了在其相应的推文中发现的主题。初步确定了某些极右团体之间跨越地缘政治边界的国际关系。此外，我们还发现了当地互动网络中稳定的账户社区，以及相关的主题，这些社区的潜在极右意识形态通常是可识别的。
2014-01-27 cs.CY cs.SI 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
Spatial correlations in attribute communities
社区发现是探索和分类大型复杂网络特性的重要工具，对空间网络有很大的帮助。事实上，除了它们的位置之外，空间网络中的节点还可以具有诸如个人语言或我们希望在社区中识别的任何其他社会经济特征等属性。在本文中，我们讨论了一个重要的方面，这是没有考虑在以前的研究，这是可能存在的空间和属性之间的相关性。引入一个简单的玩具模型，其中空间和节点属性都被认为是，我们讨论了空间属性的相关性的各种社区检测方法的结果，提出了空间网络在本文和以前的研究。当空间无关时，我们的模型等价于随机块模型，该模型已被证明显示可检测性-不可检测性转变。在空间主导链接形成过程的制度中，大多数方法都无法恢复社区，当空间属性相关性很强时，这种效果特别明显。在后一种情况下，移除网络的空间分量的社区检测方法可能会错过社区结构的很大一部分，并可能导致不正确的结果。
2012-05-31 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
Emergent Complex Network Geometry
网络是一种数学结构，普遍用于描述各种各样的复杂系统，如大脑或互联网。描述这些网络的几何特性对于路由问题、推理和数据挖掘变得越来越重要。在真实的生长网络中，拓扑、结构和几何性质自发地从它们的动力学规则中显现出来。然而，我们仍然错过了一个模型，在这个模型中，网络发展出一个涌现的复杂几何结构。在这里，我们表明，一个单一的两个参数的网络模型，不断增长的几何网络，可以产生复杂的网络几何结构与非平凡分布的曲率，结合指数增长和小世界性质与有限的谱维数。在一个极限中，这些网络的非平衡动力学规则可以生成具有聚类和社区的无标度网络，在另一个极限中，具有非平凡模块性的平面随机几何。最后，我们发现，这些属性的几何增长网络中存在的一个大的真实的网络描述生物，社会和技术系统。
2015-04-29 cond-mat.dis-nn cs.SI physics.soc-ph
Detecting communities using asymptotical Surprise
现实世界网络中的节点被反复观察到形成密集的集群，通常被称为社区。检测这些节点组的方法通常最大化目标函数，该目标函数隐含地包含社区的定义。我们在这里分析了最近提出的一种称为惊喜的措施，它评估了网络划分为社区的质量。以其目前的形式，出其不意的提法相当难以分析。因此，我们在这里开发一个精确的渐近近似。这使得开发一种有效的算法来优化惊喜。顺便说一句，这导致了对加权图的惊讶的直接扩展。此外，这种近似可以更密切地分析突袭，并将其与其他方法进行比较，特别是模块化。我们发现，惊喜是（几乎）不受众所周知的分辨率限制，模块化的一个特殊问题。然而，惊喜可能会高估社区的数量，而他们可能被低估的模块化。简而言之，惊喜在许多小社区的限制下运作良好，而模块化在少数大社区的限制下运作得更好。从这个意义上说，惊奇比模块化更具区分性，并且可能发现模块化无法识别任何结构的社区。
2015-09-09 cs.DM cs.SI physics.soc-ph
Evolution of Communities with Focus on Stability (extended abstract)
社区检测是分析手机用户社交图谱的重要工具。在每个社区内，客户都容易通过相互影响的杠杆作用吸引新客户，保留旧客户和/或接受新产品或服务。用户社区是更小的单位，更容易掌握，并允许例如角色分析的计算-基于参与者在其社区中的中心地位。在静态图中寻找社区的问题已经得到了广泛的研究。然而，从电信分析师的角度来看，要真正有用，检测到的社区必须随着通信的社交图随着时间的推移而变化-例如，为了对社区进行营销活动并跟踪这些活动的结果。此外，用户社区随时间的行为可以用于预测电信运营商感兴趣的未来活动，例如用户流失或手机采用。相似的群体演化可以为设计策略提供见解，例如群体流失的早期预警。稳定性是一个关键问题：如果分析员不能在随后的时间步骤中跟踪给定团体，则对该团体执行的分析将丢失。这是我们在本文中处理的特定用例：跟踪动态场景中社区的演变，重点关注稳定性。我们提出了两个修改广泛使用的静态社区发现算法。然后，我们描述的实验，以研究在现实世界的社交网络，每月调用图为数百万用户表示的分区的稳定性和质量。
2013-11-21 cs.CY cs.SI physics.soc-ph
Randomizing growing networks with a time-respecting null model
复杂网络通常被用来表示不是静态的，而是随着时间而增长的系统：人们建立新的友谊，发表新的论文并引用现有的论文，等等。为了评估在这种网络上进行的测量的统计意义，我们提出了一种随机化方法-一种尊重时间的空模型-它既保留了网络的度序列，又保留了各个节点度值的时间演化。通过保留所分析的系统的时间连接模式，该模型是能够因素出系统的时间模式对它的结构的影响。我们将该模型应用于《物理评论》学术论文的引用网络和美国电影的引用网络。该模型表明，这两个数据集是显着不同的程度的相关性，我们讨论了这一发现的重要影响提供的信息的范例节点中心性指标，如indegree和谷歌的PageRank。这里提出的随机化方法可以用来评估增长网络中任何结构属性的重要性，这可以为空模型发挥关键作用的问题带来新的见解，例如社区和网络图案的检测。
2017-11-16 cs.DL cs.SI physics.data-an
Detectability of minority communities in networks
Maastricht University（马斯特里赫特大学）
研究从理论角度探讨网络中少数群体社区的可检测性，通过随机块模型识别三个阶段：可检测、可区分和可解决，揭示了谱聚类在细粒度社区结构识别上的局限性。
2026-04-20 cs.SI
Finding network communities using modularity density
许多现实世界的复杂网络都呈现出一种社区结构，其中的模块对应于实际的功能单元。识别这些群落是科学家面临的一个关键挑战。一种常见的方法是搜索使质量函数最大化的网络划分。在这里，我们提出了一个最近提出的功能，即模块密度的详细分析。我们表明，它不会招致传统的模块化所遭受的缺点，它可以识别网络没有地面实况社区结构，推导出其分析依赖于一般随机图中的链接密度。此外，我们表明，模块密度允许不同大小的网络之间的比较容易，我们还提出了一些限制，基于模块密度的方法可能会受到影响。最后，我们介绍了一个有效的，二次社区检测算法的基础上模块密度最大化，验证其准确性对理论预测和一组基准网络。
2016-12-20 cond-mat.stat-mech cs.SI physics.soc-ph
Bridging separate communities with common interest in distributed social networks through the use of social objects
鉴于在集中式社交网络中越来越多的用户隐私侵犯，人们深切地感到需要为分散式在线社交网络（DOSN）定义有效的平台。过去已经提出了有趣的解决方案，其拥有必要的机制来允许用户控制他们的个人信息并设置规则来规范其他用户的访问。不幸的是，这种类型的解决方案的有效性被具有共同兴趣的不同用户社区可能彼此断开/分离的事实严重降低。这转化为向所有感兴趣的用户有效地传播共同感兴趣的数据的能力降低，因为它目前发生在集中式社交网络中。为了克服上述限制，本文提出了一种破坏性的方法，该方法利用了一类具有自主社交行为和认知能力的新型物联网（IoT）设备的可用性。这样的设备可以作为连接到DOSN平台并共享相同兴趣的设备所有者之间的友谊中介来利用。我们将证明，在人类之间的分布式社交网络中，增加感兴趣的可达节点的百分比（交付率的特定度量）方面可以实现明显的优势，当使用所谓的中介对象（Mediator Objects）进行增强时，这些中介对象遵循众所周知的社交物联网（SIoT）范式。
2022-03-27 cs.SI
Uncovering the Small Community Structure in Large Networks: A Local Spectral Approach
大型图出现在许多背景下，理解它们的结构并从中提取信息是一个重要的研究领域。挖掘社区的早期算法专注于全局结构，并且通常根据整个图的大小随时间函数运行。如今，我们经常探索具有数十亿个顶点的网络，并发现数百个大小的社区，因此在处理大型网络时，将我们的注意力从宏观结构转移到微观结构至关重要。越来越多的工作采用了本地扩展方法，以便从一些模范种子成员中识别社区。在本文中，我们提出了一种新的方法来寻找重叠的社区称为LEMON（本地扩展通过最小一个范数）。与PageRank扩散方法不同，LEMON通过在局部谱的跨度中寻找稀疏向量来找到社区，使得种子在其支持下。我们表明，LEMON可以达到最高的检测精度之间的国家的最先进的建议。运行时间取决于社区的大小，而不是整个图的大小。该算法易于实现，具有高度的并行性。此外，由于网络的性质并不完全相同，因此仍然缺乏关于本地扩展方法如何适用于发现不同网络中的社区的全面分析。我们使用不同领域的合成数据集和真实数据集对我们的方法进行了全面评估，并分析了将我们的方法应用于实际中固有的不同网络时的经验变化。此外，还对种子集的质量和数量对性能的影响进行了分析。
2015-09-25 cs.DS cs.SI physics.soc-ph
nodewatcher: A Substrate for Growing Your own Community Network
社区网络与常规网络的不同之处在于它们的有机增长模式-没有中央规划机构来决定如何建立网络。相反，随着越来越多的人表示有兴趣参与社区并与邻居联系，网络以自下而上的方式增长。参加社区网络的人通常是自由时间有限的志愿者。由于这些因素，使社区网络的管理更简单，更容易为所有参与者是促进其增长的关键组成部分。个别网络的特殊性往往迫使社区开发自己的一套工具和最佳做法，这些工具和做法很难与其他网络共享，也不能很好地相互操作。我们提出了一个新的通用社区网络管理平台nodewatcher，是围绕模块化和可扩展性的核心原则，使其适合重用不同的社区网络。设备使用独立于平台的配置进行配置，nodewatcher可以将其转换为可部署的固件映像，消除任何手动设备配置，减少错误，并使新手维护人员能够参与。嵌入式监控系统可实时监控和验证整个社区网络。我们展示了该系统如何成功地运作在一个实际的社区无线网络，WLAN斯洛文尼亚。
2016-01-11 cs.SI
An incremental local-first community detection method for dynamic graphs
大规模真实世界网络的社区发现在社会分析中更受欢迎。特别是，动态增长的网络分析对于发现长期趋势和检测异常变得非常重要。为了分析这样的网络，我们需要获得许多快照，并对它们应用相同的分析方法。然而，从这些新生成的网络中提取每次都几乎没有差异的社区是低效的，并且不可能实时的跟踪网络的增长。提出了一种面向大容量图流的增量式社区发现算法。它基于一个著名的面向批处理的算法DEMON[1]。我们还评估了我们提出的增量算法的性能和精度，使用真实世界的大型网络，最多有410，236个顶点和2，439，437条边，并在不到一秒的时间内计算，以增量方式检测社区-在不牺牲精度的情况下，比原始算法快107倍。
2018-08-19 cs.DS cs.SI physics.soc-ph
Co-Membership-based Generic Anomalous Communities Detection
Ben-Gurion University of the Negev（内盖夫本-古里安大学）
如今，检测网络中的异常社区是研究中的一项重要任务，因为它有助于发现对社区结构网络的见解。大多数现有的方法利用关于顶点的属性或社区的拓扑结构的信息。在这项研究中，我们介绍了基于共同成员的通用异常社区检测算法（简称CMMAC），一种新颖的和通用的方法，利用多个社区中的顶点共同成员的信息。CMMAC是无域的，几乎不受社区大小和密度的影响。具体来说，我们训练分类器来预测社区中的每个顶点是社区成员的概率。然后，我们通过每个社区顶点的聚集成员资格概率对社区进行排名。排名最低的社区被视为异常。此外，我们提出了一种算法，用于生成一个社区结构的随机网络，使异常社区的注入，以促进该领域的研究。我们利用它来生成两个数据集，由数千个标记的异常注入网络组成，并发布它们。我们在数千个模拟和真实世界的网络上进行了广泛的实验，注入了人工异常。CMMAC在一系列设置中优于其他现有方法。此外，我们还证明了CMMAC可以识别不同领域的真实无标签网络中的异常社区，例如Reddit和Wikipedia。
2022-03-30 cs.LG cs.SI
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
Overlapping Community Detection via Local Spectral Clustering
大型图出现在许多背景下，理解它们的结构并从中提取信息是一个重要的研究领域。挖掘社区的早期算法专注于全局结构，并且通常根据整个图的大小随时间函数运行。如今，我们经常探索具有数十亿个顶点的网络，并发现数百个大小的社区，因此将我们的注意力从宏观结构转移到大型网络的微观结构至关重要。越来越多的工作采用了本地扩展方法，以便从一些模范种子成员中识别社区成员。在本文中，我们提出了一种新的方法来寻找重叠的社区称为LEMON（本地扩展通过最小一个范数）。该算法通过在局部谱的跨度中寻找稀疏向量来找到社区，使得种子在其支持下。我们表明，LEMON可以达到最高的检测精度之间的国家的最先进的建议。运行时间取决于社区的大小，而不是整个图的大小。该算法易于实现，具有高度的并行性。我们进一步提供了理论分析的局部谱特性，界定的措施，紧张的提取社区的特征值的图拉普拉斯。此外，由于网络的性质并不完全相同，因此仍然缺乏关于本地扩展方法如何适用于发现不同网络中的社区的全面分析。我们使用不同领域的合成数据集和真实数据集对我们的方法进行了全面评估，并分析了将我们的方法应用于实际中固有的不同网络时的经验变化。此外，还对结实质量和数量对产量的影响进行了分析。
2015-09-26 cs.DS cs.SI physics.soc-ph
A testing based extraction algorithm for identifying significant communities in networks
在网络研究中出现的一个常见且重要的问题是如何将给定网络的顶点划分为一个或多个称为社区的组，以这种方式，同一社区的顶点比属于不同社区的顶点更加互连。我们提出并研究了一个基于测试的社区发现过程，称为统计显著社区提取（ESSC）。ESSC过程是基于$p$ -值的一个单一的顶点和一组顶点之间的连接强度的参考分布来自一个条件配置网络模型。该过程自动选择网络中的社区数量及其大小。此外，ESSC可以处理重叠的社区，不像大多数现有的方法，确定“背景”顶点不属于一个定义良好的社区。该方法只有一个参数，用于控制假设检验的严格性。我们调查的性能和潜在的使用ESSC，并比较它与现有的方法，通过验证研究，使用四个真实的网络数据集。此外，我们进行了模拟研究，以评估ESSC的有效性，在网络中的各种类型的社区结构，包括网络与重叠社区和背景顶点。这些结果表明，ESSC是一个有效的探索工具，发现相关的社区结构的复杂网络系统。数据和软件可在\urlhttp：//www.example.com上获得。www.unc.edu/~jameswd/research.html
2014-12-03 cs.SI physics.soc-ph stat.ME
Sifting out communities in large sparse networks
University of Missouri – St. Louis（密苏里大学圣路易斯分校）；Washington University School of Medicine（华盛顿大学医学院）；Washington University in St. Louis, School of Medicine（圣路易斯华盛顿大学医学院）；Institute for Informatics, Data Science, and Biostatistics（信息学、数据科学与生物统计学研究所）；Institute for Public Health（公共卫生研究所）
本文针对大型稀疏网络社区发现问题，提出直观的新目标函数和先划分不相交分量再优化聚类的两步方法，在模拟、基准和真实遗传数据上验证了其准确性和实用性。
2024-05-01 cs.LG cs.SI
Postmortem Analysis of Decayed Online Social Communities: Cascade Pattern Analysis and Prediction
最近，许多在线社交网络，如MySpace，Orkut和Mysterster，都面临着其成员的不活动衰退，这导致了这些网络的崩溃。这种不活跃性衰减的原因、机制和预防机制尚未完全了解。在这项工作中，我们分析了StackExchange平台上的腐烂和活着的子网站。分析主要集中在这些社区的成员之间发生的不活动级联。我们提供的措施，以了解衰变过程和统计分析，以提取模式，伴随着不活跃的衰变。此外，我们使用机器学习预测级联规模和级联病毒式传播。这项工作的结果包括一个统计上的显着差异的衰变模式之间的衰变和活着的子网站。这些模式主要是：级联规模，级联病毒性，级联持续时间和级联相似性。此外，与基线预测因子相比，贡献的预测框架显示出令人满意的预测结果。在实证证据的支持下，本研究的主要发现是：（1）衰减过程不是由一个网络度量控制的，而是由多个度量更好地描述;（2）StackExchange子网站的专家成员主要负责StackExchange子网站的活动或不活动;（3）统计子网站正在经历可能导致其完全衰退的衰退动态;以及（4）衰退的子网站最初不像活跃的子网站那样对不活动衰退具有较低的弹性。
2018-10-10 cs.SI
Prioritizing network communities
Stanford University（斯坦福大学）；Chan Zuckerberg Biohub（陈·扎克伯格生物中心）
揭示网络中的模块化结构是生物学、物理学和工程学系统的基础。社区发现将候选模块识别为假设，然后需要通过实验来验证，例如在生物实验室中进行诱变。通常只有少数社区可以得到验证，因此必须优先考虑选择哪些社区进行下游实验。在这里，我们开发了CRank，这是一种基于数学原理的方法，用于对网络社区进行优先级排序。CRank有效地评估每个社区的结构特征的鲁棒性和大小，然后将这些特征组合到社区优先级中。CRank可以与任何社区发现方法一起使用。它只需要网络结构提供的信息，不需要任何额外的元数据或标签。然而，当可用时，CRank可以包含特定于域的信息，以进一步提高性能。在许多大型网络上的实验表明，CRank有效地对社区进行了优先级排序，社区优先级提高了近50倍。
2018-05-28 cs.LG cs.SI q-bio.MN
Clustering Graphs -- Applying a Label Propagation Algorithm to Detect Communities in Graph Databases
在过去的几十年里，数据库管理系统（DBMS）成为存储大量数据和执行复杂查询的强大工具。近年来，非结构化或半结构化数据的数量不断增加，已经从以关系模型表示数据转变为替代的数据模型。图形数据库和图形数据库管理系统（GDBMS）由于能够管理高度互连、不断发展的数据，其使用量有所增加。本论文是一个文档的工作，在实现一个系统，以确定集群的图形建模数据使用标签传播社区发现算法。该图使用从dblp.org获得的计算机科学领域的学术出版物的数据集构建。开发的系统是一个全栈WebApp，包括一个基于Web的用户界面，一个API和存储在图形数据库管理系统（GDBMS）中的数据（节点，边，图）。- 在诸如ArangoDB的图形数据库管理系统（GDBMS）中操纵数据的预导入和导入、节点的创建、节点之间的关系（边）以及由这些节点和边组成的图形的过程; -在NodeJS中实现的GraphQL API，以从图形数据库管理系统（GDBMS）请求数据;- 使用TypeScript和React制作的前端界面，包括搜索功能和在Cytoscape网络图中可视化结果的能力; -在图上执行标签传播社区发现算法，发现的集群被存储并在用户请求时可视化。本论文希望能对互联数据的图形表示、集成和分析提供一种实用的实践方法。
2022-10-02 cs.SI
Detectability of hierarchical communities in networks
Department of Data Analytics and Digitalisation, School of Business and Economics, Maastricht University（数据分析与数字化学院，经济学院，马斯特里赫特大学）；Department of Computer Science, RWTH Aachen University（计算机科学系，亚琛工业大学）
该研究聚焦网络层次划分结构的恢复问题，发现层次场景下存在额外相变阶段，多个一致划分可促进或阻碍检测，非层次划分的可检测极限不足以反映完整层次结构的可检测性，并用构造示例验证了该结论。
2024-08-13 cs.LG cs.SI physics.soc-ph
Mining Bursting Communities in Temporal Graphs
时间图无处不在。在一段时间内爆发的采矿社区对于在时间图中寻找紧急事件至关重要。遗憾的是，大多数以前的研究中的时间网络的社区挖掘忽略了社区的突发模式。在本文中，我们是第一个研究的问题，寻求突发社区的时间图。我们提出了一个新的模型，称为（l，δ）-最大稠密核心，表示一个突发社区的时间图。具体地说，（1，δ）-最大稠密核是一个时间子图，其中每个节点在长度不小于l的时间段内的平均度不小于δ。为了计算（l，δ）-最大稠密核，我们首先提出了一种新的动态规划算法，该算法可以有效地计算出片段密度。然后，我们提出了一个改进的算法，几个新的修剪技术，以进一步提高效率。此外，我们还提出了一个有效的算法来枚举所有的（l，δ）-极大稠密核，这些核在参数l和δ下不被其他核所支配.在9个真实数据集上的实验结果表明了算法的有效性、高效性和可扩展性。
2019-11-07 cs.DS cs.SI
Mitigating Misinformation Spreading in Social Networks Via Edge Blocking
本文研究独立级联模型下通过阻断有限数量边抑制错误信息传播的问题，证明其计算困难，并提出检测紧密社区、切断社区间边的算法，实验表明其优于中心性方法。
2023-08-17 cs.DS cs.SI
Optimizing Edge Sets in Networks to Produce Ground Truth Communities Based on Modularity
我们考虑两个新的问题，边添加或删除的模块化的分区（或社区结构）在网络中的影响。第一个问题寻求添加边以强制所需的分区是最大化模块性的分区。第二个问题寻求找到一个网络的稀疏表示，该网络具有与原始网络相同的具有最大模块度的划分。我们提出了整数规划公式、行生成算法和启发式算法来解决这些问题。此外，我们还展示了模块化的反直觉行为，这使得一般网络的开发变得困难。然后，我们提出了从文献中选择的社会和非法网络的结果。
2022-03-03 cs.SI math.OC
An Optimal and Progressive Approach to Online Search of Top-k Influential Communities
大型图上的社区搜索是图分析中的一个基本问题。最近的研究提出计算top-k有影响力的社区，其中每个报告的社区不仅是一个有凝聚力的子图，而且具有高的影响力值。现有的top-k有影响力社区搜索算法可以分为基于索引的算法和无索引的在线搜索算法。基于索引的算法，虽然是非常有效的进行社区搜索，需要预先计算一个特殊用途的索引，只工作于一个内置的顶点权重向量。在本文中，我们研究了在线搜索方法，并提出了一个实例优化算法LocalSearch的时间复杂度是线性比例的最小子图的大小，一个正确的算法需要访问没有索引。此外，我们还提出了技术，使LocalSearch逐步计算和报告的社区在减少影响值的顺序，这样k不需要指定。此外，我们将我们的框架扩展到top-k有影响力的社区搜索其他凝聚力措施的一般情况下。大量的实证研究表明，我们的算法优于现有的在线搜索算法的几个数量级。
2017-12-13 cs.DB cs.SI
Community Detection in Networks using Graph Distance
网络的研究最近不仅受到社会科学和统计学的关注，而且受到物理学家，计算机科学家和数学家的关注。网络中的一个主要问题是社区发现。人们已经提出了许多算法来寻找社区，但大多数算法对于稀疏网络和物理学家提出的相变边界附近的网络都没有理论保证。也有例外，但都有不完善的理论基础。在这里，我们提出了一个算法的基础上，在网络中的顶点的图距离。我们给出了理论保证，我们的方法在识别社区块模型，并可以扩展到度校正块模型和块模型的社区数量与顶点数增长。尽管有利的模拟结果，我们还不能得出结论，我们的方法是令人满意的最坏的可能情况。我们以政治博客网络、Facebook网络和其他一些网络为例。
2014-01-24 cs.SI stat.ML
Inferring the strength of social ties: a community-driven approach
在线社交网络正在增长并变得越来越密集。一个人的社会关系可能具有很高的可变性：从亲密的朋友和亲戚到熟人，再到几乎不认识的人。推断社会关系的强度是对网络中的用户交互进行建模并理解其行为的重要组成部分。此外，该问题在计算社会科学，病毒式营销和人员推荐中也有应用。在本文中，我们研究的问题，推断在一个给定的网络中的社会关系的强度。我们的工作是由最近的一种方法[27]推动的，该方法利用了强三元闭合（STC）原理，这是一种植根于社会心理学的假设[13]。为了指导我们的推理过程，除了网络结构之外，我们还将紧密社区的集合作为输入。这些是我们期望通过强关系连接的顶点集合。这些社区出现在不同的情况下，例如，当成为社区的一部分意味着与现有成员之一的紧密联系时。我们考虑两个相关的问题形式化，反映了我们的设置的假设：少量的STC违规和强连接的输入社区。我们表明，这两个问题的配方是NP-困难的。我们还表明，一个问题的制定是很难近似，而第二，我们开发了一个算法与近似保证。我们通过与分别优化STC违规和社区连通性的基线进行比较，在真实世界的数据集上验证了所提出的方法。
2019-02-05 cs.DS cs.SI
A Sketch Based Game Theoretic Approach to Detect Anomalous Dense Sub-Communities in Large Data Streams
以在线或流式方式检测动态图中的异常子图是入侵检测或拒绝服务攻击的工业环境中的重要要求。虽然仅通过边缘频率检测系统中的干扰是一种最佳方法，但由于仅考虑边缘频率作为网络的特性，因此在此过程中可能会忽略许多潜在信息。我们提出了一个博弈论的方法，使用模块化功能，我们试图估计流图\emph{whether addition of a new edge in the current time tick results in a dense subgraph creation, thus indicating possible anomalous score}。我们的贡献如下：（a）我们提出了一种新的博弈论框架，用于检测密集的子社区在在线流媒体环境中;（b）我们检测这样的子社区使用恒定的内存存储。我们的研究结果证实了真实数据集上的经验评估。
2021-11-27 cs.GT cs.SI
Climate change denial and anti-science communities on brazilian Telegram: climate disinformation as a gateway to broader conspiracy networks
该研究通过分析巴西Telegram社群，揭示气候变化否认与反科学阴谋论如何协同形成复杂网络，并发现末日主题、反疫苗讨论及全球统治理论在其中充当关键入口和连接机制。
2024-08-31 cs.CY cs.SI
