On the use of local structural properties for improving the efficiency of hierarchical community detection methods
Universidad de Granada(格拉纳达大学)
社区发现是复杂网络分析中的一个基本问题。它类似于网络数据采掘中的聚类。在社区发现方法中,分层算法是流行的。然而,它们的迭代性质和需要重新计算用于分割网络的结构属性(即Girvan和Newman算法中的边缘介数),使它们不适合大型网络数据集。在本文中,我们研究了如何局部结构网络属性可以被用作代理,以提高层次社区发现的效率,而在同一时间,在模块化方面取得有竞争力的结果。特别是,我们研究了潜在的使用结构特性通常用于执行本地链接预测,一个监督学习问题,社区结构是相关的,因为节点很容易建立新的链接与其他节点在他们的社区。此外,我们检查网络修剪算法作为辅助策略的性能影响,以使分层社区发现更有效
2020-09-15 cs.LG cs.SI stat.ML
Analysis of stability of community structure across multiple hierarchical levels
群落结构的稳定性分析一直是众多科学家关注的重要问题。在这里,我们提出了一个新的框架,揭示隐藏的社区结构的定量分析动力学的波茨模型。具体地说,我们用马尔可夫过程来模拟社区结构检测的Potts过程,这有一个明确的数学解释。关于多元自旋组态的临界拓扑信息也可以从马尔可夫过程的谱意义中推断出来。我们在一些示例网络上测试了我们的框架,发现它根本不存在确定性限制问题。结果表明,我们提出的模型能够有效地揭示不同尺度下的层次结构。
2015-03-27 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
Joint Learning of Hierarchical Community Structure and Node Representations: An Unsupervised Approach
University of Minnesota, Twin Cities(明尼苏达大学双城分校);Intel Labs(英特尔实验室)
图表示学习已经证明了在诸如跨一系列域的链接预测和节点分类等任务中的改进性能。研究表明,许多自然图可以组织在分层社区中,从而导致使用这些社区来提高节点表示质量的方法。然而,这些方法没有利用学习的表示来提高发现的社区的质量,并建立表示学习和社区发现的迭代和联合优化。在这项工作中,我们提出了Mazi,一个算法,共同学习的层次社区结构和节点表示的图形在一个无监督的方式。为了说明节点表示中的结构,Mazi在层次结构的每个级别上生成节点表示,并利用它们来影响原始图的节点表示。此外,在每一级的社区发现,同时最大化的模块性度量和最小化之间的距离表示的节点和它的社区。使用多标签节点分类和链接预测任务,我们评估我们的方法在各种合成和现实世界的图形,并证明,Mazi优于其他层次和非层次的方法。
2022-01-22 cs.LG cs.SI
Hierarchical Single-Linkage Clustering for Community Detection with Overlaps and Outliers
Toronto Metropolitan University(多伦多都会大学)
本研究将HDBSCAN的层次单链接聚类算法应用于多种节点/边相似性评分,探究可检测含离群点社区的方法,实验证实该范式是图聚类的可行方向。
2025-09-02 cs.SI
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
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
Hierarchical community detection via maximum entropy partitions and the renormalization group
本文提出层次聚类熵(HCE)框架,通过最大化熵与社区数目的权衡选择最优分辨率,无需边级统计,适用于多种聚类算法,在合成与真实网络中均能识别与真实结构一致的层次社区。
2025-08-06 cs.SI physics.data-an physics.soc-ph
When Does Bottom-up Beat Top-down in Hierarchical Community Detection?
École Polytechnique Fédérale de Lausanne(瑞士联邦理工学院洛桑分校)
本文研究了自底向上方法在分层社区检测中的优势,证明其在中间层次实现精确恢复的理论保证优于自顶向下方法。
2025-11-23 cs.LG cs.SI math.ST
Hierarchical Stochastic Block Model for Community Detection in Multiplex Networks
The University of California at Los Angeles(加利福尼亚大学洛杉矶分校);Federal University of Rio de Janeiro(里约热内卢联邦大学);The University of Notre Dame(圣母大学)
多路复用网络在许多领域变得越来越普遍,并且已经成为对真实网络的复杂性进行建模的强大工具。有一个关键的需求,为多路复用网络,可以考虑到跨不同层的潜在的依赖关系,特别是当目标是社区发现的推理模型。我们提出了一种新的和有效的贝叶斯模型,在多路复用网络中的社区发现有限的文献。我们的方法的一个关键特征是能够在不同的网络层对不同的社区进行建模。相比之下,许多现有的模型假设所有层都有相同的社区。此外,我们的模型自动在每一层选择必要数量的社区(通过真实数据示例验证)。这是有吸引力的,因为决定社区的数量是社区发现的一个具有挑战性的方面,特别是在多重设置中,如果允许社区跨层改变的话。借用分层贝叶斯建模的思想,我们使用分层Dirichlet之前跨层的社区标签建模,允许其结构中的依赖性。给定社区标签,假设每一层都有一个随机块模型(SBM)。我们开发了一个有效的切片采样器,用于采样社区标签的后验分布以及社区之间的链接概率。在这样做的过程中,我们解决了一些独特的挑战所带来的耦合复杂的可能性SBM与标签上的先验的层次性质。对模拟和真实数据进行了广泛的实证验证,证明了该模型优于单层替代方案的性能,以及发现真实网络中有趣结构的能力。
2023-02-12 cs.LG cs.SI stat.ME
Community detection in complex networks via node similarity, graph representation learning, and hierarchical clustering
Warsaw University of Technology(华沙理工大学);Deakin University(迪肯大学)
本文提出三种通用层次框架,结合节点相似性、图表示学习与层次聚类进行社区检测,实验表明其最佳组合性能媲美Leiden和Louvain算法,且能输出兼容的嵌套划分。
2026-11-04 cs.LG cs.SI
MCMC Louvain for Online Community Detection
我们介绍了一种新的算法的社区发现,动态维护社区结构的大型网络,随着时间的推移。该算法最大限度地提高了模块化指数由于一个随机层次聚类的基础上的蒙特卡罗马尔可夫链(MCMC)方法的建设。有趣的是,它可以被视为Louvain算法的动态化(参见Blondel et Al,2008),其中聚合步骤被分层工具概率取代。
2016-12-05 cs.SI physics.soc-ph stat.ML
ModuLand plug-in for Cytoscape: determination of hierarchical layers of overlapping network modules and community centrality
ModuLand插件为Cytoscape用户提供了一种算法,用于确定广泛重叠的网络模块。此外,它还识别了模块的几个分层,其中较高分层的元节点表示较低层的模块。该工具分配模块核心,预测整个模块的功能,并确定桥接两个或多个模块的关键节点。该插件具有详细的基于JAVA的图形界面,带有各种颜色选项。ModuLand工具可以在Windows,Linux或Mac OS上运行。我们展示了它在蛋白质结构和代谢网络上的使用。可用性:插件及其用户指南可以从http://www.linkgroup.hu/modules.php免费下载。联系方式:csermely. med.semmelweis-univ.hu补充信息:补充信息可在生物信息学在线获得。
2012-12-02 cond-mat.dis-nn cs.SI physics.comp-ph
Generalizing meanings from partners to populations: Hierarchical inference supports convention formation on networks
Princeton University(普林斯顿大学);Stanford University(斯坦福大学)
语言惯例的一个关键属性是,它们覆盖了整个说话者群体,使我们能够有效地与我们从未见过的人进行交流。与此同时,我们的语言使用在很大程度上是针对特定的伙伴的:我们知道,基于我们共同的历史,不同的人可能会对单词有不同的理解。这对关于惯例形成的叙述提出了挑战。代理人究竟是如何在保持合作伙伴特定知识的同时,实现整个社区期望的推理飞跃的?我们提出了一个分层贝叶斯模型来解释如何扬声器和听众解决这个归纳问题。为了评估我们的模型的预测,我们进行了一项实验,参与者在一个小社区中与不同的合作伙伴玩扩展的自然语言交流游戏。我们研究了几种泛化措施,并找到了区分我们的模型与替代方案的合作伙伴特异性和社区融合的关键签名。这些结果表明,合作伙伴的特异性不仅是兼容的社区范围内的公约的形成,但可能会促进它时,加上一个强大的诱导机制。
2020-05-30 cs.CL cs.SI
The Multi-granularity in Graph Revealed by a Generalized Leading Tree
网络具有层次性特征,如何有效地揭示网络的层次性特征是网络结构研究中的一个难题。如果一个节点被分配到它所属的社区,如何将该社区分配到它所属的更高级别的社区是一个问题。在本文中,数据点的密度进行了研究的聚类任务的基础上。通过形成数据点的密度,构造数据点的层次差异。结合数据点之间的距离,可以构建基于密度的引导树。但是在图结构中,构建一个引导树来揭示图上节点的层次关系是一个问题。本文在基于密度的树形成方法的基础上,将导树模型扩展到图节点的层次结构,讨论了图节点的重要性,形成了一棵能够揭示图节点层次结构和社区依赖关系的导树。在真实数据集上进行了实验,实验中形成了一个树结构。该图引导树能很好地揭示图结构中的层次关系。
2020-03-05 cs.SI physics.soc-ph
Self-falsifiable Hierarchical Detection of Overlapping Communities On Social Networks
任何社区发现算法都不可能对所有可能的网络都是最优的,因此识别该算法是否适用于给定的网络是很重要的。我们提出了一个多步骤的算法解决方案重叠社区发现的基础上,先进的标签传播过程,它模仿社区形成过程的社交网络。我们的算法是无参数的,并且能够揭示图中社区的层次顺序。我们的解决方案的独特属性是自证伪性;检测后进行自动质量检查的结果,并报告了特定网络的算法的适应性。大量的实验表明,我们的算法是自洽的,可靠的网络范围广泛的大小和不同的种类,是更强大的比现有的算法在稀疏和大规模的社交网络。结果进一步表明,我们的解决方案可以揭示网络的内在社区结构的功能。
2019-12-05 cs.SI cs.SY eess.SY
On Comparing and Enhancing Common Approaches to Network Community Detection
在这项工作中,我们探讨了四种常见的算法社区发现在网络中,即凝聚层次聚类,分裂层次聚类(Girvan-Newman),Fastgreedy和鲁汶方法。我们研究了它们的机制,并比较了它们在标准数据集上聚类行为的实现和结果方面的差异。我们进一步提出了一些增强这些算法,在我们的评估中显示出有希望的结果,如邻居矩阵构造的自邻居,鲁汶方法的确定性稍快的版本,有利于更大的集群和各种实现变化的Fastgreedy算法。
2021-08-30 cs.SI
BL-ECD: Broad Learning based Enterprise Community Detection via Hierarchical Structure Fusion
公司的员工可以被划分为不同的社区,那些经常相互交往的人将被视为亲密的朋友,并被分组在同一个社区。在企业环境中,关于雇员的大量信息在(1)在线公司内部源和(2)在线企业社交网络(ESN)两者中可用。每个信息源还同时包含多个类别的员工社会化活动。在本文中,我们提出了检测的社会社区的员工在公司的基础上广泛的学习与这些在线和在线的信息源,并正式称为“广泛的学习为基础的企业社区发现“(BL-Ecd)问题。为了解决这个问题,本文提出了一种新的基于广泛学习的社区发现框架“HeterogeneoUs Multi-sourceDetecteRing”(Humor)。基于本文介绍的各种企业社会亲密度测量方法,Humor分别检测了一组基于每种社会化活动的员工微观社区结构。为了获得公司中员工的(全球)一致的社区结构,Humor通过两个广泛的学习阶段进一步融合这些微社区结构:(1)微社区结构的内部融合,以分别获得在线和在线(本地)一致的社区,以及(2)在线和在线社区的相互融合,以实现员工的(全球)一致的社区结构。在真实企业数据集上进行的大量实验表明,我们的方法可以很好地解决BL-Ecd问题。
2017-11-26 cs.DB cs.SI
Community Quality and Influence Maximization: An Empirical Study
CRIL, University of Artois and CNRS(阿图瓦大学与法国国家科学研究中心CRIL实验室)
本文研究了社区质量对影响力最大化的影响,提出了一种基于高质量社区结构的种子选择方法,实验证明高质量社区能显著提升信息扩散效果。
2025-12-01 cs.AI cs.SI
$α$-Satellite: An AI-driven System and Benchmark Datasets for Hierarchical Community-level Risk Assessment to Help Combat COVID-19
新型冠状病毒及其致命疫情给人类社会带来了巨大挑战:截至2020年3月26日,美国已有85,377例确诊病例,1,293例报告死亡;世界卫生组织(WHO)将冠状病毒疾病(COVID-19)--已在至少171个国家感染了超过531,000人,造成超过24,000人死亡--这是一场全球大流行病。越来越多的地区报告出现地方性的次国家社区传播,这将意味着抗击新型冠状病毒的斗争出现重大恶化,这表明迫切需要扩大监测,以便我们能够更好地了解COVID-19的传播情况,从而更好地采取可行的社区缓解策略。通过提高人工智能(AI)的能力,并利用从异构源(例如,在这项工作中,我们提出并开发了一个人工智能驱动的系统(名为$α$ -Satellite),作为初步产品,以提供分层的社区级风险评估,以协助制定应对快速发展的COVID-19大流行的战略。更具体地,给定特定位置(用户输入或自动定位),所开发的系统将以分层方式自动提供与其相关联的风险指数(例如,州、县、市、具体地点),使个人能够选择适当的保护行动,同时尽可能减少对日常生活的干扰。已开发的系统和生成的基准数据集已通过我们的网站向公众开放。系统说明和免责声明也可在我们的网站上找到。
2020-03-27 cs.CY cs.SI q-bio.PE
ComNetX: Local Hierarchical Adaptation for Dynamic Community Detection
AI Research Center, Lomonosov Moscow State University(莫斯科罗蒙诺索夫国立大学AI研究中心)
ComNetX是与求解器无关的局部动态社区检测框架,通过多级社区状态的闭合与收缩实现高效更新,在保留求解器质量的同时大幅降低大图更新时间,适配多种后端模型。
2026-08-19 cs.AI cs.LG cs.SI
Inferring hierarchical structure of spatial and generic complex networks through a modeling framework
我们最近的论文[Grauwin et al. Sci. Rep. 7(2017)]表明,人类互动网络的社区和层次结构在很大程度上决定了最小的,在建模时应该考虑到它们。在本概念验证预印本中,考虑了相反的问题:是否可以推断出层次结构本身与网络模型最佳对齐?通过基于层次和(如果定义)地理距离的模型,为空间网络和一般的复杂网络提供了推理机制。该机制允许在复杂网络中以任何期望的分辨率发现分层和社区结构,特别是空间网络的空间独立结构。以美国州际人口迁移网络为例说明了该方法。
2017-12-15 cs.SI physics.soc-ph
A new edge betweenness measure using a game theoretical approach: an application to hierarchical community detection
本文提出一种基于博弈论的新边介数度量(节点博弈最短路径介数),用于层次社区检测,并引入新标准评估,同时提出快速算法,在稀疏网络上计算复杂度为二次且性能优于其他快速算法。
2024-02-09 cs.SI math.ST stat.TH
Sustainable Online Communities Exhibit Distinct Hierarchical Structures Across Scales of Size
在线社区以多种形式和规模存在,对个人和组织具有相当大的影响力。然而,对于为什么一些在线社区是可持续的,而另一些则不复存在,人们的见解有限。我们发现,社区,未能保持一个典型的分层的社会结构,跨规模的凝聚力平衡不生存,可以区分社区表现出这种平衡,并在长期内占上风。此外,在对10,122个真实在线社区(共有134,747名成员)的分析中,我们发现,在其生命周期的前30天绘制社区社交圈结构足以预测社区未来10年的生存。通过改变校准时间框架,允许预测能力的社会结构的各个方面在社区生命的最初几个月内出现并固定。
2018-03-20 cond-mat.stat-mech cs.SI physics.soc-ph
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
Hierarchical organization of H. Eugene Stanley scientific collaboration community in weighted network representation
通过映射当代社会互动的最先进的元素,世界科学合作网络发展了一个极其复杂的组织。这种异质性的选择特征进行了研究,并确定了重点放在科学合作社区的H。尤金·斯坦利-目前世界上最多产的学者之一。基于截至2016年3月28日的Web of Science记录,构建了几种网络变体。结果发现,斯坦利#1网络-这在类比的Erdos的# -发展了一个很大程度上一致的层次结构和斯坦利自己遵守规则的相同层次结构。然而,这仅在加权网络表示中看到。当这样的加权网络的发展,现有的相关模型表明,权重的传播得到刺激的乘法突发在相邻的节点,这导致它们之间的互连的平衡增长。虽然不是斯坦利独有的,但这种行为并不是一种规则。在这里研究的其他杰出学者的网络更经常发展成一种星状形式,中心枢纽构成了离群点。这项研究的补充频谱分析的归一化拉普拉斯矩阵来自相应的网络的加权变体,除其他外,它指出了这样一个程序的效率,用于确定组件社区和它们之间的关系在复杂的加权网络。
2017-10-16 cs.SI physics.soc-ph q-fin.CP
An upper bound on community size in scalable community detection
众所周知,基于模块化优化的社区发现方法往往不能发现小社区。因此,用于社区检测的几个目标函数涉及一个分辨率参数,允许在不同尺度上检测社区。我们提供了一个明确的上限社区规模的社区,从这些功能的优化。我们还显示了一个简单的例子,使用的分辨率参数可能会人为地迫使大型和密集连接的社区完全解体。
2011-03-29 cs.SI physics.soc-ph
Improving community detection via community association strength scores
本文提出三种社区关联强度分数作为后处理工具,用于改进节点划分、识别离群节点并发现多社区成员节点。
2025-01-29 cs.SI
No Community Detection Method to Rule Them All!
本文研究了社区检测方法对下游任务性能的影响,发现没有单一标准算法能取得最佳效果,而结合随机社区生成与简单机器学习技术能获得更好性能。
2025-09-15 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
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
Modularity maximization and community detection in complex networks through recursive and hierarchical annealing in the D-Wave Advantage quantum processing units
Sano Centre for Computational Medicine(Sano计算医学中心);AGH University of Krakow, Faculty of Computer Science(克拉科夫AGH科技大学计算机学院);Academic Computer Center Cyfronet AGH(AGH学术计算中心Cyfronet)
本文提出了一种基于递归和层次退火的纯量子退火方法,用于在复杂网络中发现社区结构,通过递归处理实现可解释的解决方案,为网络科学和量子计算的结合提供了新方向。
2026-01-30 cs.SI math.CO physics.soc-ph
Multi-View Community Detection in Facebook Public Pages
社交网络中的社区发现由于其在揭示人们如何连接和交互方面的重要性而被广泛研究。然而,很少有人关注Facebook公共页面中的社区结构。在这项研究中,我们调查的社区发现问题,在Facebook的新闻组页面。特别是,为了处理用户活动的多样性,我们应用多视图聚类来整合不同的视图,例如,喜欢的帖子和喜欢的评论。在这项研究中,我们探索的社区结构,不仅在一个给定的单一页面,但在多个页面。结果表明,该方法能有效地减少分离株,提高群落结构质量。
2018-12-06 cs.SI
An improved spectral clustering method for mixed membership community detection
社区发现近年来得到了很好的研究,但更现实的情况下,混合成员社区发现仍然是一个挑战。在这里,我们开发了一个有效的频谱算法Mixed-ISC的基础上,应用超过K个特征向量聚类给定K个社区,估计社区成员的度校正的混合成员(DCMM)模型。我们证明了该算法是渐近相容的。模拟网络和许多经验网络的数值实验表明,混合ISC表现良好的混合成员社区发现的基准方法相比。特别是,混合ISC在弱信号网络上提供了令人满意的性能。
2020-12-11 cs.SI
Ensemble approaches for improving community detection methods
Linkoping University(林雪平大学);Umeå University(于默奥大学);Swedish Defence Research Agency(瑞典国防研究局)
统计估计往往可以通过融合来自几个不同来源的数据来改进。一个例子是所谓的集成方法,它已成功应用于机器学习等领域,用于分类和聚类。在本文中,我们提出了一种集成方法,以提高社区检测聚合的信息发现在一个合奏的社区结构。这个集合可以通过重新采样方法、多次运行随机社区检测方法或应用于同一网络的几种不同社区检测算法来发现。使用随机网络的社区结构,并与两种常用的社区检测方法进行了比较,所提出的方法进行了评估。所提出的方法应用于随机社区检测算法时,表现良好,计算复杂度低,从而提供了一种新的方法来社区检测和额外的社区检测方法。
2013-09-01 cs.LG cs.SI physics.soc-ph
Social Network Community Detection Based on Textual Content Similarity and Sentimental Tendency
共享出行逐渐成为微博等社交平台上讨论的热点话题之一。及时对社交网络中共享出行的评价内容进行更深层次的网络社区发现,可以有效地对共享出行相关的舆论导向进行研究分析,具有很大的应用前景。现有的社区发现算法一般从空间距离的角度来度量网络中节点的相似性。提出了一种基于文本内容相似度和情感倾向的社区发现算法(CTST),同时考虑了网络结构和节点属性。将网络社区用户的内容相似度和情感倾向作为节点属性,在此基础上构建无向加权网络进行社区发现。本文用实际数据进行了实验,并对实验结果进行了分析。实验结果表明,社区发现结果模块化程度高,效果较好。
2022-06-22 cs.SI
Terminal-Set-Enhanced Community Detection in Social Networks
社区发现旨在揭示社会网络中的社区结构,是社会网络研究的基本问题之一。本文基于终端集的概念研究了社区发现问题。终端集是一组用户,其中任何两个用户属于不同的社区。虽然社区发现一般来说是困难的,但终端集可以非常有助于设计有效的社区发现算法。我们首先提出了一个2-近似算法运行在多项式时间的原始社区发现问题。在另一个问题中,为了更好地支持实际应用,我们进一步考虑了对可行分区施加额外限制的情况。对于这种定制的社区发现问题,我们提供了两个随机算法,这是能够找到一个高概率的最佳分区。在基准网络上的实验表明,所提出的算法能够产生高质量的社区。
2016-07-01 cs.SI physics.soc-ph
Exact Recovery of Community Detection in k-Community Gaussian Mixture Model
University of Connecticut(康涅狄格大学)
本文研究了高斯混合模型上的社区发现问题,其中顶点被划分为$k\geq 2$不同的社区.我们模型的主要区别在于,对于观测矩阵中的不同条目,高斯扰动的强度是不同的,并且我们不假设每个社区都有相同数量的顶点。我们明确地找到最大似然估计的精确恢复的阈值。应用包括超图上的社区发现。
2020-08-29 cs.LG cs.SI math.PR
From Community Detection to Community Deception
University of Calabria(卡拉布里亚大学);Institute for High Performance Computing and Networking, ICAR-CNR(高性能计算与网络研究所,ICAR-CNR)
社区欺骗问题是关于如何从社区发现算法中隐藏目标社区C。每当一组实体(例如,积极分子、警察执法部门)希望合作,同时隐瞒他们作为一个社区的存在。在本文中,我们介绍和形式化的社区欺骗问题。为了解决这个问题,我们描述了仔细重新连接C的成员的算法。我们的实验表明,如何现有的社区发现算法可以欺骗,并通过引入欺骗分数量化的欺骗水平。我们相信,我们的研究是有趣的,因为,同时显示如何欺骗可以实现它提高了意识的设计新的检测算法鲁棒欺骗技术。
2016-09-01 cs.AI cs.SI physics.soc-ph
Individual Fairness in Community Detection: Quantitative Measure and Comparative Evaluation
LIACS, Leiden University(莱顿大学计算科学研究所)
本文提出了一种量化社区检测中个体公平性的度量方法,并通过实验比较了不同算法在公平性与性能之间的权衡,揭示了个体公平性与群体公平性不可互换性。
2026-02-18 cs.SI
CommunityGAN: Community Detection with Generative Adversarial Nets
Shanghai Jiao Tong University(上海交通大学)
社区发现是指发现具有相似属性或功能的顶点组,从而理解网络数据的任务。随着最近深度学习的发展,图表示学习技术也被用于社区发现。然而,社区只能通过应用基于学习的顶点嵌入的聚类算法来推断。K-means和Gaussian Mixture Model等常用的聚类算法不能产生大量的重叠社区,这在现实网络中是非常普遍的。在本文中,我们提出了CommunityGAN,一个新的社区发现框架,共同解决重叠的社区发现和图表示学习。首先,与传统的图表示学习算法的嵌入不同,其中向量条目值没有特定的含义,CommunityGAN的嵌入指示顶点对社区的成员关系强度。其次,采用专门设计的生成对抗网络(GAN)来优化这种嵌入。通过模体级生成器和搜索引擎之间的极大极小竞争,两者可以交替迭代地提高性能,最终输出更好的社区结构。对合成数据和现实任务的广泛实验表明,CommunityGAN在最先进的方法上实现了显著的社区发现性能增益。
2019-12-16 cs.AI cs.SI
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
Generative models for local network community detection
局部网络社区发现的目标是在一个大型网络中找到一个社区,同时只检查给定种子节点周围的一小部分网络。这比查找网络中的所有社区要便宜得多。大多数用于局部社区发现的方法被公式化为ad-hoc优化问题。在这项工作中,我们从具有社区结构的网络的生成模型开始。通过假设网络是均匀的,我们可以近似网络中未观察到的部分的结构,以获得局部社区发现的方法。我们将这种局部近似技术应用于随机块模型的两个变体。据我们所知,这导致了第一个基于概率模型的局部社区发现方法。有趣的是,在极限中,所提出的近似之一对应于电导,这是该领域中的一个流行度量。在真实数据集和合成数据集上的实验表明,与最先进的本地社区发现算法相比,该算法具有可比性或改进的结果。
2018-04-12 cs.SI stat.ML
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
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
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
GA Based Q-Attack on Community Detection
社区发现在社交网络中起着重要的作用,因为它可以帮助自然地将网络划分为更小的部分,从而简化网络分析。然而,另一方面,它引起了个人信息可能被过度挖掘的担忧,因此提出了社区欺骗的概念,以保护社交网络上的个人隐私。在这里,我们介绍和形式化的问题,社区发现攻击和开发有效的策略,攻击社区发现算法通过重新布线少量的连接,导致个人隐私保护。特别地,我们首先给出两种启发式攻击策略,即,社区发现攻击(CDA)和基于度的攻击(DBA)作为基准,分别利用检测到的社区结构和节点度信息。在此基础上,提出了一种基于遗传算法的Q攻击算法。在两个社交网络上对三种基于模块化的社区发现算法进行了基于上述三种策略的社区发现攻击。通过比较,我们的Q攻击方法取得了更好的攻击效果比CDA和DBA,在更大的减少模块性Q和归一化互信息(NMI)。此外,我们还发现Q-Attack算法对特定社区发现算法的攻击所得到的对抗网络对其他算法的攻击仍然有效,无论它们是否是基于模块的,这表明Q-Attack算法具有很强的可移植性。
2019-05-05 cs.SI
A Survey on Theoretical Advances of Community Detection in Networks
George Mason University(乔治梅森大学)
现实世界的网络通常具有社区结构,即节点被分组为密集连接的社区。社区发现是网络科学中最受欢迎和研究最多的研究课题之一,并且已经引起了包括计算机科学、统计学、社会科学等许多不同领域的关注。在文献中已经提出了许多用于社区发现的方法,从ad-hoc算法到基于系统模型的方法。大量可用的方法导致了一个基本问题:某种方法是否可以提供一致的社区标签估计。随机块模型(SBM)和它的变种提供了一个方便的框架,研究这样的问题。本文综述了社区发现理论的最新进展。作者回顾了一些社区发现方法及其理论性质,包括图切割方法,剖面似然,伪似然方法,变分方法,信念传播,谱聚类,和半定松弛的SBM。作者还简要讨论了社区发现中的其他研究课题,如鲁棒社区发现、节点协变量的社区发现和模型选择,并提出了未来研究的几个可能方向。
2018-08-26 cs.LG cs.SI stat.ML
Community Detection in Degree-Corrected Block Models
社区发现是网络数据分析的核心问题。给定一个网络,社区检测的目标是将网络节点划分为少量的集群,这通常有助于揭示有趣的结构。本文研究度校正块模型(DCBMs)中的社区发现问题。我们首先推导出在适当的条件下,错误分类比例损失问题的渐近极小极大风险。极大极小风险取决于度校正参数,社区规模,平均内和社区之间的连接在一个直观的和可解释的方式。此外,我们提出了一个多项式时间算法自适应执行一致的,甚至渐近最优的社区检测DCBM。
2016-07-24 cs.SI math.ST stat.ML
Spatial-Aware Local Community Detection Guided by Dominance Relation
在地理社交网络中定义和研究了为给定节点寻找空间感知社区的问题。然而,现有的研究遭受两个局限性:a)定义社区的标准是由参数,这是很难设置; b)算法可能需要全局信息,不适合的情况下,网络是不完整的。因此,我们提出了空间感知的局部社区发现(SLCD),它发现的空间感知的局部社区只有本地信息,并定义社区的基础上的边缘的稀疏性的差异内和社区外。针对SLCD问题,设计了一种基于优势关系的空间感知局部社区发现算法,但该算法代价较高。为了进一步提高效率,我们提出了一个近似算法。实验结果表明,该近似算法的性能优于比较算法.
2022-03-29 cs.SI
Community Detection in Signed Networks: an Error-Correcting Code Approach
在本文中,我们考虑了签名网络中的社区发现问题,其中有两种类型的边缘:积极的边缘(朋友)和消极的边缘(敌人)。一个著名的签名网络定理,被称为Harary定理,指出结构平衡的签名网络是可聚类的。通过将签名网络中的每个循环视为奇偶校验约束,我们证明了具有两个社区的签名网络中的社区发现问题等价于奇偶校验码的解码问题。我们还展示了如何使用两个著名的解码算法在纠错码的社区发现在签署的网络:位翻转算法,和信念传播算法。除了这两个算法,我们还提出了一个新的社区发现算法,称为汉明距离算法,执行社区发现通过找到一个码字,最大限度地减少汉明距离。我们比较这三种算法的性能进行各种实验与已知的地面真相。我们的实验结果表明,我们的汉明距离算法优于其他两个。
2017-05-11 cs.SI
Certified Robustness of Community Detection against Adversarial Structural Perturbation via Randomized Smoothing
Duke University(杜克大学)
社区发现是理解图结构的关键。然而,最近的一些研究表明,社区发现是脆弱的对抗性结构扰动。特别是,通过在图中添加或删除少量精心选择的边,攻击者可以操纵检测到的社区。然而,据我们所知,还没有研究证明社区发现对这种对抗性结构扰动的鲁棒性。在这项工作中,我们的目标是弥合这一差距。具体来说,我们开发了第一个经过认证的鲁棒性保证社区发现对抗性结构扰动。在给定任意社区发现方法的基础上,通过随机扰动图的结构,建立了一种新的平滑社区发现方法。我们从理论上表明,平滑的社区发现方法可证明组到同一个社区(或不同的社区)的节点的一个给定的任意集合时,由攻击者添加/删除的边缘的数量是有界的。此外,我们证明了我们的认证的鲁棒性是紧密的。我们还在多个真实世界的图形与地面真实社区上实证评估了我们的方法。
2020-09-15 cs.CR cs.LG cs.SI
Community Detection Algorithm Evaluation using Size and Hashtags
了解社交媒体中的社区结构至关重要,因为它有着广泛的应用,如朋友推荐、链接预测和协同过滤。然而,在文献中没有广泛接受的社区定义。现有的工作使用结构相关的指标,如模块化和功能相关的指标,如地面真理来衡量社区发现算法的性能,而忽略了一个重要的指标,社区的大小。[1]建议在社交媒体上有密切联系的社区的规模应限制在150人以内。正如我们在本文中所发现的,许多流行的社区发现算法所获得的大多数社区要么非常小,要么非常大。太小的社区没有实际价值,太大的社区包含弱连接,因此不稳定。在本文中,我们比较各种社区发现算法考虑以下指标:社区的大小,社区的覆盖率,扩展模块化,三角参与率,和用户在同一社区的兴趣。我们还提出了一个简单的集团为基础的算法社区发现作为比较的基线。实验结果表明,我们提出的算法和公认的不相交算法InfoMap在所有的指标表现良好。
2016-12-11 cs.SI physics.soc-ph
SCOUT: simultaneous time segmentation and community detection in dynamic networks
许多演化的复杂系统可以通过动态网络建模。动态网络研究中的一个重要问题是社区发现,它识别拓扑相关的节点组。通常,这个问题是通过假设每个时间点都有一个不同的社区组织或所有时间点共享一个社区组织来解决的。事实上,真相可能介于这两个极端之间,因为在某些时期,社区组织可以发展,而在另一些时期,社区组织可以保持不变。为了找到折中的方法,我们考虑在分段检测问题的背景下进行社区发现,该分段检测识别具有一致网络结构的连续时间段。因此,我们制定了一个组合的问题段社区发现(SCD),同时分区网络连续的时间段与一致的社区组织,并发现这个社区组织为每个段。为了解决SCD,我们引入了SCOUT,一个明确考虑分割质量和分区质量的优化框架。SCOUT解决了可以适于解决SCD的现有方法的限制,其通常仅考虑分割质量或分区质量中的一个。在一个全面的评估,SCOUT优于现有的方法在精度和计算复杂性。
2016-05-05 cs.SI physics.soc-ph