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
Overlapping Community Detection in Complex Networks using Symmetric Binary Matrix Factorization
发现重叠的社区结构是理解许多网络的结构和动态的关键一步。在本文中，我们开发了一个对称的二元矩阵分解模型（SBMF），以确定重叠社区。我们的模型允许我们不仅明确地分配社区成员的节点，但也区分离群重叠的节点。此外，我们提出了一个修改的分区密度来评估社区结构的质量。我们使用它来确定最合适的社区数量。我们使用合成基准和真实世界的网络来评估我们的方法，证明了我们方法的有效性。
2013-03-23 cs.SI physics.soc-ph
Stochastic blockmodels and community structure in networks
随机块模型已经被提出作为一种工具，用于检测网络中的社区结构，以及用于生成合成网络作为基准。然而，大多数块模型忽略了顶点度的变化，使得它们不适合应用于现实世界的网络，现实世界的网络通常显示广泛的度分布，这可能会显着扭曲结果。在这里，我们演示了如何将块模型的泛化纳入这个缺失的元素，从而改进复杂网络中社区检测的目标函数。我们还提出了一个启发式算法，社区检测使用这个目标函数或其非度校正对应，并表明度校正版本显着优于未校正的真实世界和合成网络。
2010-08-23 cond-mat.stat-mech cs.SI physics.data-an
Hypermodularity and community detection in hypergraphs
本文提出超模块度形式化方法，结合谱方法检测超图中的社区结构，并在合成与真实数据上验证其有效性。
2025-07-07 cond-mat.dis-nn cs.SI physics.soc-ph
Block-corrected Modularity for Community Detection
针对复杂网络中未知属性驱动的社区易被已知块结构掩盖的问题，提出块校正模块度，搭配谱方法和Louvain类微调算法优化，在合成和真实引用网络上均有效。
2025-08-01 cond-mat.stat-mech cs.SI physics.soc-ph
Bayesian Modeling of Random Walker for Community Detection in Networks
我们提出了一个生成模型，利用随机游走检测网络中的全局最优社区结构。先进的参数优化算法的马尔可夫链蒙特卡罗方法的基础上开发，以克服EM算法，这已被用于在以前的作品，但有时被困在局部最优值取决于初始条件的局限性。我们将算法应用于合成和真实世界的网络，以检查它们在检测社区的精度和鲁棒性方面的性能。实验结果表明，Gibbs采样器的性能优于以往的方法，特别是在检测重叠社区。随机游走者的马尔可夫动力学是鲁棒地检测最优社区结构的关键。
2019-10-25 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
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
Multi-resolution community detection based on generalized self-loop rescaling strategy
社区发现对于分析复杂网络的结构和功能具有重要意义。现实世界中的许多网络可能在多个尺度上具有社团结构，近年来，提出了各种多分辨率方法来识别不同尺度上的社团结构。本文利用广义自循环重标度策略，提出了一类多分辨方法。自循环重标度策略为多分辨率社区检测方法的设计提供了一个统一的思路。社区检测的许多质量函数可以统一在自循环重新缩放的框架中。由此产生的多分辨率质量函数可以直接使用现有的模块优化算法进行优化。几个派生的多分辨率方法被应用到几个合成和现实世界的网络中的社区结构的分析。结果表明，这些方法可以发现合成网络中预定义的子结构和真实世界网络中观察到的真实分裂。最后，我们讨论了方法本身和它们之间的关系。希望本文的研究能有助于对多分辨率方法的理解，并为设计新的社区发现方法提供有益的启示。
2015-08-31 cs.SI physics.data-an physics.soc-ph
DyPerm: Maximizing Permanence for Dynamic Community Detection
在本文中，我们提出了DyPerm，第一个动态的社区发现方法，优化了一种新的社区评分指标，称为持久性。DyPerm通过更新那些已经执行节点和边编辑的社区来逐步修改社区结构，保持网络的其余部分不变。我们提出了强有力的理论保证，以显示如何/为什么仅仅更新现有的社区结构导致持久性最大化的动态网络，这反过来又大大降低了计算复杂性。在给定真实社区结构的合成网络和六个真实网络上的实验表明，与四种基线方法中的最佳方法相比，DyPerm的准确性（基于NMI）平均提高了35%。DyPerm的速度也比静态的快15倍。
2018-02-13 cs.SI physics.soc-ph
Community Structure Detection in Complex Networks with Partial Background Information
约束聚类在无监督学习领域得到了广泛的研究。然而，如何在复杂网络中将约束编码到社区结构检测中仍然是一个具有挑战性的问题。在本文中，我们提出了一个半监督学习的社区结构检测框架。该框架通过修改网络的邻接矩阵隐式地编码了必须连接和不能连接的约束，也可以看作是对社团结构的一致性矩阵进行了去噪处理。我们提出的方法考虑了复杂网络的拓扑结构和功能（背景信息），这增强了结果的可解释性。在合成基准测试和真实网络上进行的比较表明，该框架能够在较少约束条件下显著提高社区发现性能，是复杂网络分析中一种有吸引力的方法.
2013-03-22 cs.SI physics.soc-ph
A Map Equation with Metadata: Varying the Role of Attributes in Community Detection
大部分社区发现文献研究的是结构化社区，即仅由网络的连接模式定义的社区。通常，网络包含可以通知社区发现的附加元数据，诸如高中社交网络中的学生的年级和性别。在这项工作中，我们引入了一个调整参数的内容地图方程，允许用户的信息地图社区发现算法来控制元数据的相对重要性，以确定网络结构。在合成网络上，我们表明，我们的算法可以克服结构检测能力的限制时，元数据是良好的社区结构对齐。在现实世界的网络中，我们展示了我们的算法如何实现更大的互信息的元数据在传统的地图方程的成本。我们的调优参数，就像显微镜的聚焦旋钮，允许用户对社区进行“放大”和“缩小”，并对元数据进行不同程度的关注。
2019-09-22 cs.SI physics.data-an 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
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
Community detection on directed networks with missing edges
本文扩展 Flow Stability 框架，利用节点出度的已知不确定性水平，在含缺失链接的加权有向网络中提升社区检测的鲁棒性，并通过合成网络与 Telegram 真实网络验证其可靠性。
2024-10-25 cs.SI physics.soc-ph
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
Ensemble-based Overlapping Community Detection using Disjoint Community Structures
虽然已经有大量的方法来检测不相交的社区从现实世界的复杂网络，最近也提出了一些方法来检测重叠的社区结构。在这项工作中，我们认为，而不是开发单独的方法来检测重叠的社区，一个有前途的替代方案是从多个不相交的社区结构来推断重叠的社区。我们提出了一个集成为基础的方法，称为EnCoD，利用各种不相交的社区发现算法，发现重叠的社区结构产生的解决方案。具体来说，EnCoD根据基本算法的结果为每个顶点生成一个特征向量，并学习哪些特征可以以无监督的方式检测密集连接的重叠区域。它不断迭代，直到每个顶点属于自己社区的可能性最大化。在合成网络和几个真实网络（具有已知的真实社区结构）上的实验表明，EnCoD的性能明显优于9种最先进的重叠社区发现算法。最后，我们证明了EnCoD是通用的，足以应用于网络中的顶点与明确的语义特征。据我们所知，EnCoD是继MEDOC之后的第二种基于集合的重叠社区发现方法[1]。
2018-08-19 cs.SI physics.soc-ph
Correlation-Based Community Detection
从复杂网络中挖掘社区结构是一个跨领域的重要问题。许多现有的社区发现方法通过优化社区评价函数来检测社区。然而，这些函数中的大多数甚至在随机图上具有很高的值，并且可能无法检测大规模网络中的小社区（所谓的分辨率限制问题）。在本文中，我们引入了两个新的节点为中心的社区评价功能，通过相关性分析与社区发现。我们将进一步表明，相关性分析可以提供一个新的理论框架，它统一了一些现有的评价函数的背景下，基于相关性的优化问题。在此框架下，我们可以通过选择合适的相关函数来缓解分辨率极限问题并消除随机波动的影响。此外，我们将关联规则挖掘中的三个关键属性引入到社区发现中，以帮助我们选择合适的相关函数。基于我们引入的相关函数，我们提出了一个社区发现算法CBCD。我们提出的算法优于现有的国家的最先进的算法在合成基准网络和现实世界的网络。
2019-04-09 cs.SI physics.soc-ph
Community detection in bipartite networks using weighted symmetric binary matrix factorization
在本文中，我们提出了加权对称二进制矩阵分解（wSBMF）的框架来检测重叠社区的二分网络，其中描述了两种类型的节点之间的关系。我们的方法通过识别两种类型的缺失边缘之间的区别来提高性能--每个节点类型中的节点之间的边缘和两个节点类型之间的边缘。我们的方法还可以显式地分配社区成员资格，并将离群值与重叠节点区分开来，以及将网络上的现有知识结合起来。我们提出了一个广义的分区密度二分网络的质量函数，它确定了最合适的社区数量。在合成网络和真实网络上的实验结果证明了该方法的有效性。
2015-02-16 cs.SI physics.soc-ph
Discovering Communities of Community Discovery
在复杂网络中发现社区意味着将彼此相似的节点分组，以揭示关于它们的潜在信息。有数百种不同的算法来解决社区发现任务，每种算法都对“社区”有自己的理解和定义。数十篇评论文章试图对这样一个多样化的景观进行排序--通过它们用来检测社区的过程、通过它们对社区的明确定义、或者通过它们在标准化任务上的表现来对社区发现算法进行分类。在本文中，我们分类社区发现算法根据第四个标准：其结果的相似性。我们创建了一个算法相似性网络，其节点是社区发现方法，如果它们返回相似的分组，则连接。然后，我们在这个网络上执行社区发现，对算法进行分组，这些算法在一千多个合成和真实世界网络的跨度上始终返回相同的分区或重叠覆盖。本文是一个尝试，建立一个基于相似性分类的社区发现算法的基础上的经验数据。通过比较70多种方法，它改进了现有技术，发现该算法包含分离良好的组，使其成为从业者的明智工具，帮助他们选择适合其分析需求的算法。
2019-07-04 cs.SI physics.soc-ph
A General Optimization Technique for High Quality Community Detection in Complex Networks
近年来，针对复杂网络中的社区发现问题提出了大量的算法。它们中的大多数是基于目标函数的优化，其中模块化是最常见的，尽管在科学文献中已经提出了一些替代方案。我们在这里提出了一个有效的一般搜索策略，优化各种目标函数的社区发现的目的。当应用到模块化，在现实世界和合成网络，我们的搜索策略大大优于现有的最佳算法的目标函数的最终分数方面，描述长度，其性能与原来的信息地图算法。我们的算法的执行时间与文献中的非贪婪替代品相当，并且可以在平均工作站上从几分钟到几个小时的时间跨度内分析多达10，000个节点的网络，使得我们的方法很容易适用于需要分区质量尽可能高的任务，并且不受严格的时间限制。最后，基于最有效的可用的优化技术，我们比较了模块化和代码长度作为目标函数的性能，在分区的质量方面，可以通过优化它们来实现。为此，我们评估了每个目标函数重建大量合成和真实世界网络的底层结构的能力。
2014-10-01 cs.SI physics.soc-ph
A Unified Method of Detecting Core-Periphery Structure and Community Structure in Networks
核心-外围结构和社团结构是复杂网络中两种典型的中尺度结构。虽然社区发现已经从不同的角度进行了广泛的研究，但核心-边缘结构的定义和发现还没有得到足够的关注。此外，还分别探讨了核心-边缘和群落结构的检测问题。在本文中，我们开发了一个统一的框架，同时检测复杂网络中的核心-外围结构和社区结构。此外，我们的算法还有几个额外的优点：我们的方法不仅可以检测到单个，但也可以检测到多对核心-外围结构;属于不同社区的重叠节点可以识别;不同规模的核心-外围结构可以通过调整核心的大小来检测。该方法的良好性能已在合成和实际复杂网络上得到验证。因此，我们提供了一个基本的框架来检测两个典型的中尺度结构：核心-边缘结构和社区结构。
2018-01-12 cs.SI physics.soc-ph
Multiscale Evolutionary Perturbation Attack on Community Detection
社区发现的目的是根据节点之间的连接关系对节点进行分组，它在网络分析中起着重要的作用，因为社区被视为元节点，允许我们创建一个大规模的网络地图，以简化其分析。然而，出于隐私原因，我们可能希望在某些情况下防止社区被发现，从而导致社区欺骗的话题。在本文中，我们形式化这个社区发现攻击问题在三个尺度，包括全球攻击（宏观），目标社区攻击（中尺度）和目标节点攻击（微观）。我们将其视为一个优化问题，并进一步提出了一种新的进化扰动攻击（EPA）方法，在那里我们生成对抗网络来实现社区发现攻击。数值实验验证了我们的EPA可以成功地攻击所有三个尺度上的网络社区算法，即，隐藏目标节点或社区，并通过仅改变一小部分链接来进一步扰乱整个网络的社区结构。相比之下，我们的EPA在六个合成网络和三个真实网络上的表现优于一些基线攻击方法。更有趣的是，虽然我们的EPA是基于louvain算法，它也是有效的攻击其他社区发现算法，验证了其良好的可移植性。
2021-02-08 cs.SI physics.soc-ph
Generating Synthetic Citation Networks with Communities
Warsaw University of Technology（华沙理工大学）；Systems Research Institute, Polish Academy of Sciences（波兰科学院系统研究所）
本文系统比较了生成近无环、具有真实社区结构的有向图生成器，提出通过反转边方向以打破循环并诱导引用流动，改进了度校正随机块模型性能，并引入了Citation Seeder算法。
2026-09-30 cs.DL cs.SI physics.soc-ph
Hierarchical community structure in complex (social) networks
网络中社区结构的研究在许多学科中是一项非常重要的任务，即物理学，社会学，生物学和计算机科学，其中系统通常表示为图。其中一个挑战是在没有全局信息的图中从局部视点找到局部社区，以便再现每个顶点的主观层次视觉。本文提出了一种信息动力学算法的改进，其中节点的标签传播基于认知启发约束下网络中的马尔可夫信息流\cite{Massaro2012}。在这个框架中，我们引入了两个更复杂的算法，使算法能够从一个源顶点或社区采用固定值的模型的参数来检测网络的多分辨率层次社区结构。实验结果表明，所提出的方法是有效的和良好的行为在现实世界和合成网络。
2014-03-10 cs.SI physics.soc-ph
Statistical test for detecting community structure in real-valued edge-weighted graphs
提出了一种新的方法来检验无向实值边赋权图的社团结构的存在性。该方法是基于实对称矩阵特征值的广义过程的Wigner半圆律。我们为这种方法提供了理论基础，并报告了其在合成和真实数据中的性能，表明我们的方法优于其他最先进的方法。
2016-10-13 cs.SI math.ST physics.soc-ph
VEC-SBM: Optimal Community Detection with Vectorial Edges Covariates
本文提出整合向量边协变量的VEC-SBM及基于迭代细化的最优社区恢复算法，并通过理论分析与合成、半合成实验验证边辅助信息的价值。
2024-02-29 cs.SI stat.ML
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
The ground truth about metadata and community detection in networks
在许多科学领域中，通常需要自动提取复杂系统组件如何交互的简化视图或粗粒度视图。这个一般任务称为网络中的社区发现，类似于在独立向量数据中搜索聚类。通常通过社区检测算法找到所谓的“真值”社区的能力来评估社区发现算法的性能。这在具有种植社区的合成网络中工作得很好，因为这种网络的链接是基于这些已知社区明确形成的。然而，在现实世界的网络中没有种植社区。相反，标准做法是将某些观察到的离散值节点属性或元数据视为真值。在这里，我们表明，元数据是不一样的真值，并把它们作为这样的诱导严重的理论和实践问题。我们证明，没有算法可以唯一地解决社区发现，我们证明了一个一般的没有免费午餐定理社区发现，这意味着不可能有算法是最佳的所有可能的社区发现任务。然而，社区发现仍然是一个强大的工具，节点元数据仍然有价值，因此仔细探索它们与网络结构的关系可以产生真正有价值的见解。我们通过引入两种统计技术来说明这一点，这些技术可以量化元数据和社区结构之间的关系，用于广泛的模型。我们使用合成和真实世界的网络，并为多种类型的元数据和社区结构演示这些技术。
2017-05-03 cs.SI physics.data-an physics.soc-ph
Hierarchical community detection benchmark for heterogeneous inter-community connectivity
本文提出分层基准HGLFR，在保留LFR和GLFR特性的基础上引入异质社区间连接，可生成触发分辨率极限且保持同配连接的网络，用于改进社区检测算法的评估。
2025-03-12 cs.SI
Link community detection through global optimization and the inverse resolution limit of partition density
我们调查的可能性，全局优化为基础的重叠社区检测，使用链接社区框架。我们首先表明，分区密度，链接社区检测方法中使用的原始质量函数，是不适合作为一个质量函数的全局优化，因为它更喜欢打破社区成三角形，除非在高度有限的条件。我们分析得出这些条件，并确认它与各种合成和现实世界的网络直接优化的计算结果。为了克服这一限制，我们提出了替代方法相结合的加权线图变换和现有的质量功能，基于节点的社区。我们提出了一个新的线图加权方案，归一化Jaccard指数。计算结果表明，使用归一化Jaccard指数生成的加权线图进行社区检测可以更准确地确定社区结构。
2016-01-19 cs.SI physics.comp-ph physics.soc-ph
Bi-Objective Community Detection (BOCD) in Networks using Genetic Algorithm
Jaypee Institute of Information Technology（贾皮尔信息技术学院）
从物理学、数学和计算机科学等各个学科角度对社区发现进行了大量的研究。在本文中，我提出了一个双目标遗传算法的社区发现，最大化模块化和社区得分。然后，基准和现实生活中的数据集所获得的结果进行了比较与其他算法使用的模块性和MNI性能指标。实验结果表明，BOCD算法能够成功地检测真实生活和合成数据集的社区结构，并提高了以前的技术的性能。
2011-09-16 cs.AI cs.NE cs.SI
Deciphering Network Community Structure by Surprise
复杂网络的分析渗透到从生物学到社会学的所有科学中。一个基本的、尚未解决的问题是如何描述网络的社区结构。在这里，使用标准和新的基准，我们表明，一个简单的全局参数，我们称之为惊喜（S）的最大化，导致一个非常有效的表征复杂的合成网络的社区结构。特别是，S在质量上优于最常用的定义社区的标准，纽曼和格文的模块性（Q）。将S最大化应用于真实网络通常会提供自然的、支持良好的划分，但有时也会暴露出我们先前知识的局限性。这些结果表明，有可能定义一个有效的社区结构全局标准，并为理解复杂网络开辟新的途径。
2012-12-21 cs.SI physics.soc-ph q-bio.MN
Community detection in networks without observing edges
Imperial College（帝国理工学院）；Université Catholique de Louvain（天主教鲁汶大学）；University of Oxford（牛津大学）
我们开发了一个贝叶斯分层模型来识别网络中的社区，我们不直接观察边缘，而是观察每个节点的一系列相互依赖的信号。拟合模型提供了一种端到端的社区发现算法，该算法不提取作为点估计序列的信息，而是将不确定性从原始数据传播到社区标签。我们的方法自然支持多尺度社区发现，以及使用模型比较的最佳规模的选择。我们使用合成数据研究了算法的性能，并将其应用于标准普尔100指数成分股的每日收益以及美国城市的气候数据。
2020-02-11 cs.LG cs.SI physics.soc-ph
Large Scale Community-Aware Network Generation
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Insper Institute（Insper学院）；New Jersey Institute of Technology（新泽西理工学院）
RECCS++通过算法优化实现大规模网络生成的高效处理，支持超1亿节点和近20亿边的网络生成任务。
2025-11-24 cs.LG cs.SI
Community Detection in Complex Networks Using Density-based Clustering Algorithm
与聚类分析一样，社区发现的目的是将网络中的节点分配到不同的社区中。Fdp是最近提出的一种基于密度的聚类算法，它不需要事先输入聚类数，聚类结果对聚类参数不敏感。然而，Fdp不能直接应用于社区发现，因为它不能识别网络中的社区中心。针对这一问题，提出了一种新的社区发现方法IsoFdp。首先，我们使用Isomap技术将网络数据映射到一个低维流形上，该流形可以显示不同的成对相似性。然后应用Fdp算法检测网络中的社区。提出了一种改进的划分密度函数来自动选择合适的社区数目。我们在合成网络和真实网络上测试了我们的方法，结果表明我们的算法比最先进的方法有效。
2016-01-31 cs.SI physics.data-an physics.soc-ph
Community detection and reciprocity in networks by jointly modeling pairs of edges
为了揭示网络的驱动模式，最流行的模型依赖于社区发现算法。然而，这些方法通常无法再现网络的结构特征。因此，总是试图开发模型，将这些网络属性旁边的社区结构。在这项工作中，我们提出了一个概率生成模型和一个有效的算法来执行社区发现和捕获网络中的互惠性。我们的方法联合模型的边缘对精确的2-边缘联合分布。此外，它还提供了边际分布和条件分布的封闭形式的解析表达式。我们在恢复社区、边缘预测任务和生成复制真实网络中观察到的互惠值的合成网络中验证了我们的合成数据模型。我们还强调了这些发现在两个真实的数据集，是相关的社会科学家和行为生态学家。我们的方法克服了标准算法和最近的模型，通过一个伪似然近似的互易性的局限性。模型参数的推断是由高效和可扩展的期望最大化算法实现的，因为它利用了数据集的稀疏性。我们在线提供代码的开源实现。
2022-09-06 cs.SI stat.AP
Generalized network community detection
社区结构在很大程度上被认为是复杂现实世界网络的内在属性。然而，最近的研究表明，网络包括更复杂的模块比经典的凝聚力社区。更准确地说，现实世界的网络也可以根据节点之间的常见连接模式自然划分。最近，已经提出了一种基于传播的算法用于检测任意网络模块。在这里，我们提出了一个更充分的社区建模的基础上网络聚类后者。由此产生的算法评估各种合成基准网络和随机图。它被证明是目前国家的最先进的算法相媲美，然而，与其他方法相比，它不需要一些先验知识的真实社区结构。为了证明其通用性，我们进一步采用该算法在不同的单部和二部现实世界的网络中的社区检测，广义社区检测和预测数据聚类。
2011-10-12 cs.SI physics.data-an 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
Community Detection by a Riemannian Projected Proximal Gradient Method
社区发现在理解和利用复杂系统的结构方面起着重要的作用。已经开发了许多使用模块化最大化或其他技术进行社区发现的算法。本文将社区发现问题转化为紧致Stiefel流形上的约束非光滑优化问题。提出了一种黎曼投影邻近梯度法并用于求解该问题。据我们所知，这是第一次尝试使用黎曼优化的社区发现问题。在合成基准测试和真实网络上的数值实验结果表明，该算法是有效的，性能优于几个最先进的算法。
2020-09-25 cs.SI math.OC
Walk modularity and community structure in networks
在过去的十年中，模块化最大化一直是发现生物学、计算、社会科学、统计力学等领域中具有实际意义的网络社区结构的最广泛使用的方法之一。模块性是一个质量函数，它测量聚类中发现的边缘数量减去基于随机机会统计期望找到的边缘数量之间的差异。我们提出了一个自然的泛化模块化的基础上的差异，实际和预期的数量之间的步行集群，我们称之为步行模块化。步行模块化可以用矩阵形式表示，社区检测可以通过寻找步行模块化矩阵的前导特征向量来执行。我们在合成网络和真实网络上演示了社区检测，发现与传统的模块化最大化相比，步行模块化最大化返回了显着改善的结果。
2014-01-27 cs.SI physics.data-an physics.soc-ph
Improved Community Detection using Stochastic Block Models
针对SBM软件在真实与合成网络中生成连接不良或不连通簇的问题，提出简单修改方法提升其簇的连通性，并通过模拟网络验证修改后准确性得到改善。
2025-02-13 cs.SI
Pre-trained Prompt-driven Semi-supervised Local Community Detection
Key Laboratory of Intelligent Computing & Signal Processing, Ministry of Education and School of Computer Science and Technology, Anhui University（智能计算与信号处理重点实验室、教育部、计算机科学与技术学院、安徽大学）；School of Computer Science and Technology, Anhui University（计算机科学与技术学院、安徽大学）；School of Computer Science and Technology, Harbin Institute of Technology（计算机科学与技术学院、哈尔滨工业大学）
为解决半监督局部社区检测的耗时问题，提出基于“预训练，提示”范式的PPSL方法，通过节点编码、样本生成和提示驱动微调三个组件提升检测效率与质量，在五个真实数据集上优于基线。
2025-05-30 cs.AI cs.SI
SCOREH+: A High-Order Node Proximity Spectral Clustering on Ratios-of-Eigenvectors Algorithm for Community Detection
本研究针对复杂网络社区检测问题，提出SCOREH+算法，通过优化高阶邻近度矩阵、弱信号图增设特征向量等改进，在多类网络中性能优于现有基线方法，可生成高质量社区结构。
2023-12-17 cs.SI
Surprise maximization reveals the community structure of complex networks
如何确定复杂网络的社团结构是一个悬而未决的问题。在结构未知的网络中，建立最佳的社区发现策略是关键。在这里，使用标准的合成基准，我们表明，迄今为止开发的社区结构表征的算法没有最佳性能。值得注意的是，根据模块性（最流行的划分质量度量）来评估结果，系统地提供了错误的解决方案。然而，一个新的质量函数，称为惊喜，可以用来阐明这是最佳的划分到社区。因此，我们发现，最好的策略，以找到所有的网络研究的社区结构，包括选择多个算法提供的解决方案中的一个具有最高的惊喜值。我们的结论是，惊喜最大化准确地揭示了复杂网络的社区结构。
2013-01-03 cond-mat.stat-mech cs.SI physics.soc-ph
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
Network reconstruction and community detection from dynamics
我们提出了一个可扩展的非参数贝叶斯方法，从观察到的功能行为，在同一时间推断网络中存在的社区进行网络重建。我们表明，联合重建与社区检测具有协同效应，用于通知社区存在的边缘相关性也固有地用于提高重建的准确性，从而可以更好地通知社区的发现。我们说明了使用我们的方法与观察所产生的流行病模型和伊辛模型，无论是在合成和经验网络，以及只包含功能信息的数据。
2019-09-20 cs.SI physics.data-an physics.soc-ph
Community detection of hypergraphs by Ricci flow
针对超图社区检测因节点高阶相互作用而复杂的问题，该研究定义超图Ricci流并证明其长时间存在性，提出基于该流的HyperRCD方法，实验验证其鲁棒性增强且性能具竞争力。
2025-05-18 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
An effective and efficient label initialization method based on similarity for community detection in networks
识别网络中的集群或社区结构已成为社会网络分析的一个组成部分。虽然已经提出了许多方法，但标签传播算法（LPA）是一种流行的计算效率高的方法，具有运行时间线性。然而，由于LPA中的随机性，LPA在同一网络上提供不同的社区组合。已经提出了许多改进来通过消除随机性来解决这个稳定性问题。本文对标准LPA进行了改进，提出了一种基于链接相似度的标签初始化方法。相似性是基于两个节点之间的连接强度来测量的。该方法进行了测试，真实的和综合的措施，分析性能。
2022-01-16 cs.SI
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
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
Well-Connected Communities in Real-World and Synthetic Networks
本文系统检验了五种主流社区检测方法，发现它们产生的社区普遍不满足良连通性要求，并提出连通性修正器（CM）通过迭代移除小边割和重新聚类来修复不连通社区，揭示了良连通性与覆盖率之间的权衡。
2023-08-14 cs.DL cs.SI
Improving the Accuracy of Community Detection on Signed Networks via Community Refinement and Contrastive Learning
Chungbuk National University（Chungbuk国立大学）；Ulsan National Institute of Science and Technology (UNIST)（乌山国立科学技术研究院）
ReCon通过社区细化和对比学习提升带符号网络社区检测的准确性，有效增强社区检测的可靠性。
2026-01-23 cs.AI cs.SI
