Local Edge Betweenness based Label Propagation for Community Detection in Complex Networks
目前，识别和检测复杂网络中的社区结构是从网络中提取有用信息的重要因素。具有近似线性时间复杂度的标签传播算法是目前最流行的社团结构检测方法之一，但其不确定性和随机性是一个缺陷因素。将LPA与其他社区发现度量合并将提高其准确性并降低LPA的不稳定性。考虑到这一点，本文尝试使用边缘介数中心性来提高LPA性能。另一方面，计算边缘介数中心度是昂贵的，所以作为替代度量，我们尝试使用局部边缘介数，并提出LPA-LEB（标签传播算法局部边缘介数）。在真实网络和基准网络上的实验结果表明，LPA-LEB在检测网络社区结构时具有比LPA更高的准确性和稳定性。
2017-09-24 cs.SI physics.soc-ph
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
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
Convex Relaxation Methods for Community Detection
本文综述了社区发现的凸优化方法的最新理论进展。我们介绍了一些重要的理论技术和结果，为建立各种统计模型下的凸社区检测的一致性。特别是，我们讨论了基于原始和对偶分析的基本技术。我们还提出的结果表明，凸社区检测的几个独特的优势，包括对离群节点的鲁棒性，一致性弱的不确定性，和自适应异构度。本调查并不打算对关于这一快速增长的主题的大量文献进行全面概述。相反，我们的目标是提供一个在这一领域的显着的最新发展的大图片，并使调查访问到广泛的受众。我们希望这篇简要的文章可以作为一个介绍性的指导读者谁有兴趣在使用，设计和分析凸松弛法在网络分析。
2018-09-30 cs.SI math.ST stat.ML
SGPD Volume Maximization for Community Detection
在这篇笔记中，我们简要地研究了在复杂网络中使用外围顶点进行社区检测的可行性。我们的方法提出了一个新的方向公理化的问题，聚类图和复杂的网络，通过查看每个顶点在社区结构中发挥的拓扑作用，无论属性。伪外围顶点作为复杂网络分析的杠杆的有前途的力量也证明了对现实世界的数据。
2015-11-04 cs.SI physics.soc-ph
Community detection based on "clumpiness" matrix in complex networks
利用网络的“丛度”矩阵，提出了一种识别网络社团结构的方法。一个“投影空间”是由团块矩阵的特征向量构造的，并且在该空间中使用某种角距离定义边界线。使用这种边界和/或分层聚类方法来识别网络的社区结构。我们的算法的性能进行了测试，在一些计算机生成的和真实世界的网络。使用归一化互信息检查结果的准确性。本文还讨论了群落大小异质性对方法精度的影响。
2011-11-06 cs.SI physics.soc-ph
Incompatibility boundaries for properties of community partitions
我们证明了社区分区质量函数的某些理想属性的不相容性。我们的结果推广了[Kleinberg 2003]中的不可能性结果，考虑了较弱的性质.特别是，我们使用另一种概念来解决一致性属性的核心问题。(The后者意味着以与分区一致的方式修改图不应该具有违反直觉的效果）。我们的研究结果清楚地表明，社区划分方法不应该被期望完美地满足所有理想的期望属性。然后，我们继续表明，这种不相容性不再持有时，稍微放松的版本的属性被认为是，我们实际上提供的例子简单的质量函数满足这些放松的属性。这些质量函数的实验研究表明，在某些情况下建立的方法相比，行为，但在其他人更有争议的结果。这表明，在社区中定义一个好的划分概念可能需要强加额外的属性。
2016-03-02 cs.SI physics.soc-ph
Genetic Algorithm with Ensemble Learning for Detecting Community Structure in Complex Networks
复杂网络中的社区发现是近年来科学界研究的热点。针对遗传算法在复杂网络社团社区发现中应用不多的问题，提出了一种基于集成学习的遗传算法（GAEL）来检测复杂网络社团结构。GAEL用基于集成学习的多个体交叉算子代替传统的交叉算子。因此，GAEL可以避免传统交叉算子只能混合不同个体的字符串块，而不能将不同个体的聚类上下文重组成新的更好的聚类上下文的问题。此外，在变异算子中采用了局部搜索策略，使变异节点被放置到其邻居最多的社区中。最后，本文采用了一种基于马尔可夫随机游走的方法来初始化种群，从而为我们提供了一个精确多样的聚类解种群。这些个体的多样性和准确性适合于基于集成学习的多个体交叉算子。在计算机生成的网络和真实世界的网络上进行测试，并与当前复杂网络中的社区发现的代表性算法进行比较。实验结果表明，GAEL是非常有效的发现社区结构。
2013-03-22 cs.SI physics.soc-ph
Epidemic spreading on complex networks with community structures
许多现实世界的网络都显示出社区结构。我们研究了两种随机图模型，它们创建了一个与给定网络具有相似社区结构的网络。一个模型保留了原始网络的精确社区结构，而另一个模型只保留了社区集合和顶点度。这些模型表明，社区结构是网络上的渗流过程，如信息扩散或病毒传播的行为的一个重要决定因素：社区结构既可以是\textit{enforce}，也可以是\textit{inhibit}扩散过程。我们的模型进一步表明，重要的是介观社区集。社区的确切内部结构几乎不影响网络中的渗流过程。这种不敏感性可能是由于社区的相对密集。
2016-11-18 cs.SI physics.soc-ph
Recognizing number of communities and detecting community structures in complex networks
本文讨论了复杂网络中社团数目的识别和社团结构的检测问题。块模型作为一种直观可行的算法，已成功应用于复杂网络社团结构的检测。为了衡量块模型的质量，我们首先定义一个目标函数WQ值。为了得到网络的块模型B，采用GSA算法，在随机密钥的帮助下优化WQ。在块模型B上执行过程AO（Adding Ones）和RO（Removing Ones）之后，可以清楚地识别网络的社区数量。此外，基于块模型节点排序与社团排序一致的优点，提出了一种新的模糊边界社团结构检测算法，并成功地应用于一些典型网络。最后通过实验验证了该算法的可行性。
2018-03-18 cs.SI physics.soc-ph
NEDindex: A new metric for community structure in networks
存在若干度量（模块化、互信息、传导性等）。在大型图中评估图聚类的强度。这些度量对于度量聚类的有效性具有重要的意义，它们通常被用来寻找关于整个图的强连接聚类。在本文中，我们提出了一个新的度量来评估图聚类的强度，并研究了它的应用。我们表明，我们提出的度量具有很大的一致性，这是类似于其他指标，易于计算。我们提出的指标也显示出一致性，其他指标在某些特殊情况下失败。我们证明了我们的度量有合理的强度，同时提取强连接的社区在模拟（在硅片）数据和真实的数据网。我们还展示了我们提出的度量与其他流行的在线社交网络（OSN）和基因调控网络（GRN）的度量的一些比较结果。
2016-01-25 cs.SI
Community Detection in Complex Networks using Link Prediction
社区发现和链接预测在网络分析中具有重要意义，它们从不同的角度对网络的拓扑结构提供了非常有价值的见解。针对链接预测能否提高社区划分的准确性这一问题，提出了一种新的社区发现算法，该算法引入了链接预测.对于链接预测，我们提出了两个新的索引来计算每对节点之间的相似性，其中一个旨在添加丢失的链接，另一个试图删除虚假的边缘。在基准数据集上进行了大量的实验，并将该算法的结果与两类基线进行了比较。总之，我们提出的算法是有竞争力的，揭示了链接预测确实提高了社区发现的精度。
2017-07-10 cs.SI physics.soc-ph
Measuring robustness of community structure in complex networks
社团结构理论是研究真实网络的有力工具，它可以大大简化网络的拓扑和功能分析。然而，由于社团发现方法存在随机性，而从复杂系统中得到的真实社交网络往往含有错误边，因此评价社团结构的鲁棒性是一个迫切而重要的任务。本文利用哈密顿函数中分辨率参数的临界阈值$γ_C$来度量网络的鲁棒性。根据谱理论，严格证明了所提出的指标与群落结构的鲁棒性成反比。此外，利用协同进化模型，我们提供了一个新的有效的方法来计算值的$γ_C$。该研究具有坚实的数学基础和实验效果，可应用于网络分析和数据挖掘中的广泛聚类问题。
2015-03-27 cs.SI physics.soc-ph
Community detection using boundary nodes in complex networks
我们提出了一个新的本地社区检测算法，发现社区之间的边界线，使用边界节点。我们的方法执行标签传播社区检测，其中节点决定他们的标签的基础上表现出最大的“效益分数”的近邻作为吸引他们的社区。我们尝试了不同的指标，发现使用共同邻居的数量作为收益分数可以为社区结构做出更好的决策。该算法具有局部逼近的特点，在标签传播迭代过程中只关注边界节点，消除了不必要的步骤，缩短了整体执行时间。它保留了小社区以及大社区，并且在识别社区的质量方面优于其他算法，特别是当社区结构很微妙时。该算法具有分布式的性质，可以在大型网络上以并行的方式使用。
2018-08-03 cs.SI physics.soc-ph
Leveraging Evolution Dynamics to Generate Benchmark Complex Networks with Community Structures
在过去的十年中，复杂社交网络领域取得了巨大的发展。人们已经广泛研究了几种网络生成模型，以了解现实世界的网络如何随着时间的推移而演变。这些模型的两个重要应用是研究形成网络的演化动力学和过程，并生成具有已知社区结构的基准网络。这两个方向的研究都进行了，相对独立于其他方向。这在真实世界网络和作为基准生成的网络之间创建了一个分离点，以研究社区发现算法。在本文中，我们建议一起研究这两个应用领域。我们介绍了一个网络生成模型，它是基于现实世界中的网络的演化动力学，它可以生成网络的社区结构，可用作基准图。我们研究了不同的社区发现算法的基础上提出的模型的行为，并将其与其他模型生成基准图。结果表明，该模型可以生成的网络，不仅在结构上类似于现实世界的网络，但可以用来生成不同的社区规模和拓扑结构的网络。
2017-01-20 cs.SI physics.soc-ph
An empirical characterization of community structures in complex networks using a bivariate map of quality metrics
社区发现是发现网络介观结构的一个重要任务。然而，“好”社区的概念是非常依赖于上下文的，并且使用可用的社区发现技术来推断社区特征相对复杂。在现实中，存在的差距，结构良好的质量指标和预期的拓扑模式造成了混乱，在评估社区结构。在本文中，我们引入了一个经验的多元分析不同的结构优良性，以表征几个可检测的社区拓扑结构。具体来说，我们表明，两个代表性的结构尺寸，包括社区传递性和枢纽优势的组合，可以区分不同的拓扑结构，如基于星，基于candle，基于字符串和基于网格的结构。此外，这些拓扑类别揭示了与Erdens-Rényi，Watts-Strogatz和Barabási-Albert生成模型创建的图的结构相似性。我们说明了流行的社区拓扑结构，由不同的检测方法在一个大型数据集组成的许多网络类别，并将其结构与最相关的图生成模型。有趣的是，这种合取表示揭示了各种网络类别中介观结构之间的根本差异，包括：通信，信息，生物，技术，社会，生态，合成网络等等。
2018-06-01 cs.SI physics.soc-ph
Strong Consistency, Graph Laplacians, and the Stochastic Block Model
University of California at Davis（加州大学戴维斯分校）；New York University Shanghai（上海纽约大学）
谱聚类已经成为数据聚类和社区发现中最流行的算法之一。我们研究了经典的两步谱聚类的性能，通过图拉普拉斯学习随机块模型。我们的目标是回答以下问题：通过图拉普拉斯算子的谱聚类何时能够实现强一致性，即，隐藏社区的确切恢复情况我们的工作提供了一个entrywise分析（一个$\ell_{\infty}$ -范数扰动界）的非规范化和规范化的拉普拉斯算子与随机块模型采样的邻接矩阵相关联的菲尔德特征向量。我们证明了谱聚类是能够实现准确的恢复种植的社区结构的条件下，符合信息理论的限制。
2020-04-21 cs.LG cs.SI stat.ML
YASCA: A collective intelligence approach for community detection in complex networks
在本文中，我们提出了一个独特的方法，在复杂网络中的社区发现。该方法属于以种子为中心的算法家族。然而，而不是扩大社区周围选定的种子，因为大多数现有的方法，我们在这里探索应用集成聚类方法，以不同的网络分区来自自我为中心的社区计算每个选定的种子。以自我为中心的社区本身计算应用最近提出的合奏排名为基础的方法，允许有效地结合各种本地模块化用于指导贪婪的优化过程。第一个实验的结果，在现实世界的网络，其中地面真相分解成社区是已知的，认为我们的方法的有效性。
2014-01-17 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
Diffusion in Networks With Overlapping Community Structure
在这项工作中，我们研究扩散网络的社区结构。我们首先复制并扩展了具有非重叠社区结构的网络的工作。然后，我们研究扩散的网络模型，有重叠的社区结构。我们研究了标准SIR模型中的传染，以及被认为是一些社会扩散过程的较好模型的复杂传染。最后，我们研究扩散的经验网络与已知的重叠社区结构，通过分析这种网络的结构，并通过模拟传染。我们发现，简单和复杂的传染可以快速传播的网络重叠的社区结构。我们还发现，短路径存在通过重叠的经验网络上的社区结构。
2011-09-29 cs.SI physics.soc-ph
Minimax Rates of Community Detection in Stochastic Block Models
近年来，网络分析在统计学、计算机科学、概率论和应用数学等领域得到了越来越多的关注。随机块模型（SBM）的社团检测是网络分析中研究最多的课题。已经提出了许多方法。在各种条件下得到了一些漂亮而有意义的相变结果。在本文中，我们提供了一个一般的极大极小理论的社区检测。它给出了一个广泛的设置，包括均匀和非均匀的SBM，密集和稀疏的网络，有限的和不断增长的社区数量的失配率的极大极小率。极大极小率是指数的，不同于我们在统计文献中经常看到的多项式率。结果的直接后果是建立强一致性（精确恢复）以及弱一致性（部分恢复）的阈值现象。我们得到的上界的惩罚似然型方法的范围。该下界是通过一个新的减少从一个全局的不匹配率的一个节点的局部聚类问题，通过一个交换的属性。
2015-11-16 cs.SI math.ST stat.TH
Permanence and Community Structure in Complex Networks
社区发现算法的目标是识别大型网络中的密集连接单元。一个隐含的假设是，所有的组成节点都平等地属于它们相关联的社区。然而，在社区中，一些节点比其他节点更重要。到目前为止，主要是将社区作为一个整体来识别，而不是了解单个节点在多大程度上属于其社区。因此，大多数评估社区的指标，例如模块化，都是全局的。这些指标为每个社区而不是每个单独的节点生成一个分数。在本文中，我们认为，社区中的节点的相似性是不均匀的。持久性的中心思想是基于这样的观察：一个顶点对社区的成员资格的强度取决于两个因素：（i）社区内与社区外的顶点连接的程度，以及（ii）顶点内部连接的紧密程度。我们讨论持久性如何可以帮助我们理解和利用社区的结构和演化，证明它可以用来-（一）衡量社区中的顶点的持久性，（二）设计策略，以加强社区结构，（三）探索社区内的核心外围结构，（四）选择合适的发起人进行消息传播。我们证明了最大化持久性的过程产生有意义的社区，同意与地面真相的网络社区结构更准确地比其他八个流行的社区发现算法。最后，我们证明了用这种方法得到的社区（i）受点序变化的影响较小，（ii）对分辨率限制，解的退化和值的渐近增长更具弹性。
2016-06-05 cs.SI physics.soc-ph
Ant Colony Optimization with a New Random Walk Model for Community Detection in Complex Networks
从复杂网络中发现社区最近引起了人们的极大兴趣。针对这一问题，提出了一种基于马尔可夫随机游走理论的蚁群优化策略MACO。该算法以蚁群优化框架为基本框架。在每次迭代中，采用马尔可夫随机游走模型作为启发式规则，通过聚类集成的思想将所有蚂蚁的局部解聚合为一个全局解，然后利用全局解更新信息素矩阵.该战略依赖于逐步加强社区内部的联系和削弱社区之间的联系。逐渐地，这收敛到一个解决方案，在这个解决方案中，复杂网络的底层社区结构将变得清晰可见。建议的MACO已评估合成基准和一些现实世界的网络，并与一些目前的竞争算法。实验结果表明，MACO是非常有效的发现社区。
2013-03-24 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
Predicting Stability of Community Members in Complex Networks
在这项工作中，我们分析和预测复杂网络中社区的稳定性。我们使用一种称为个人资料接近度的接近中心性变体来衡量成员对其社区的忠诚度。我们表明，配置文件的接近度是一个足够的指标，社区如何在网络中发展。我们调查这在静态和动态（时间）网络，并建立在预测一个复杂的网络的演变的轮廓接近的相关性。关键词：小世界网络，中心性，社区，封闭性，聚类
2022-07-13 cs.DM cs.SI physics.soc-ph
Community detection on complex networks based on a new centrality indicator and a new modularity function
社区发现是网络研究中一个重要而又具有挑战性的课题。目前，大量的注意力集中在本地的社区发现方法。其中，使用贪心算法的社区发现通常从被称为网络的中心节点的局部基本节点的识别开始;社区随后通过优化模块度函数从这些中心节点扩展。在本文中，我们提出了一个新的中心节点指标和一个新的模块度函数。我们的中心节点指标，我们称之为本地中心性指标（LCI），是一样有效的著名的全球最大程度的指标和本地最大程度的指标，在某些特殊的网络结构，LCI表现得更好。另一方面，我们的模块化函数F2克服了某些缺点，如分辨率限制问题，在以前的文献中提出的模块化函数。结合贪心算法，LCI和F2使我们能够为真实世界的网络和模拟的基准网络识别正确的社区结构。基于归一化互信息（NMI）的评估表明，我们的社区发现方法与基于LCI和F2的贪心算法执行优于许多其他方法。因此，我们在本文中提出的方法是潜在的值得注意的。
2020-03-27 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
Cliques in complex networks reveal link formation and community evolution
无向无权网络中的丢失链接预测是一个开放的、具有挑战性的问题，近年来得到了广泛的研究。本文研究了社区结构与链接形成之间的关系，提出了一种快速阻塞概率模型（FBM）。在四个真实网络上的实验结果表明，该方法具有很好的丢失链接预测精度，并且与传统方法相比，计算效率有了很大的提高。通过分析链接的形成机制，我们还发现，集团结构起着重要的作用，以帮助我们了解如何在社区中的链接增长。因此，我们总结了三个原则，这三个原则被证明能够很好地解释链接形成和网络演化的机理。
2013-03-06 cs.SI physics.soc-ph
On Varying Topology of Complex Networks and Performance Limitations of Community Detection Algorithms
复杂网络挖掘和分析中研究最多的问题之一是社团结构的发现。该问题由于其高实用性和在各个领域的众多应用而受到研究人员的广泛研究。针对社区发现问题，已经提出了许多算法解决方案，但寻找最佳算法的探索仍在进行中，研究人员往往专注于开发快速准确的算法，这些算法可以普遍应用于各种领域的网络，而不考虑这些网络的结构和拓扑变化。在本文中，我们评估了不同聚类算法随不同网络拓扑变化的性能。除了著名的LFR模型来生成具有社区的基准网络外，我们还提出了一个新的模型Naive Scale Free Model来研究社区发现算法在不同拓扑特征下的行为。更具体地说，我们感兴趣的是网络的大小，社区结构的大小，节点的平均连通性和集群内边缘的比率。结果显示，目前流行的网络聚类算法无法正确地发现社区的几个局限性。这表明需要重新审视当前聚类算法的设计，这些算法未能结合不同网络的不同拓扑特征。
2016-07-28 cs.SI physics.soc-ph
Flow approaches to community detection in complex network systems
本文研究了在复杂网络系统中发现社区的问题，通过对社区的检测可以更好地理解其运作规律。针对这一问题，利用复杂网络的流特性，提出了两种解决方法。这些方法中的第一种包括计算网络系统的独立子系统的影响参数，通过排序或从属的原则来区分，第二种是使用其流核的概念。基于所提出的方法，可靠的标准，发现社区已制定和有效的算法，他们在复杂的网络系统中的检测已经开发出来。结果表明，所提出的方法使人们有可能挑出社区的情况下，现有的数值和视觉方法变成残疾人。
2021-02-22 cs.SI physics.soc-ph
Uncertainty in GNN Learning Evaluations: A Comparison Between Measures for Quantifying Randomness in GNN Community Detection
University of Bristol（布里斯托大学）
比较了三种随机性量化度量指标，发现基于Wasserstein距离的$W$随机性系数能提供最稳健的评估，并揭示了超参数优化对GNN社区检测性能的显著影响。
2024-01-04 cs.LG cs.SI physics.soc-ph
Hierarchical benchmark graphs for testing community detection algorithms
层级组织是复杂系统的一个重要而普遍的特征;为了理解它们的组织，对描述其组成部分之间相互作用的底层（通常是复杂的）网络的研究起着核心作用。许多以前的工作已经表明，许多现实世界中的社会，生物和技术系统的网络呈现层次组织，往往在社区结构的层次结构的形式。为了测试不同的社区检测方法，已经提出了许多人工基准图，但是还没有开发出基准来彻底测试分层社区结构的检测。在本研究中，我们通过扩展基准图的Lancichinetti-Fortunato-Radicchi（LFR）系综来填补这一空缺，采用了Ravasz和Barabási提出的构建分层网络的规则。我们采用这个基准测试三个最流行的社区检测算法，并量化其准确性使用传统的互信息和最近推出的层次互信息。结果表明，Ravasz-Barabási-Lancichinetti-Ravasato-Radicchi（RB-LFR）基准产生了一个复杂的层次结构，构成了一个具有挑战性的基准考虑社区检测方法。
2017-08-23 cs.SI physics.soc-ph
A new fast algorithm for reproducing complex networks with community structure
在本文中，我们介绍了一种新的算法，允许生成的网络与异质性的节点度和社区大小。分析了该算法的质量和效率，并与Lancichinetti等人提出的最流行的算法进行了比较。我们讨论了这两种算法的优点和缺点，指出了它们潜在的应用领域。
2016-08-30 cond-mat.dis-nn cs.SI physics.soc-ph
Community extraction in multilayer networks with heterogeneous community structure
多层网络是捕获和建模固定对象组之间的多重、二元或加权关系的有用方法。虽然社区发现已被证明是一个有用的探索性技术，单层网络的分析，社区发现方法的发展，多层网络仍处于起步阶段。我们提出并研究了一个程序，称为多层提取，确定密集连接的顶点层集在多层网络。多层提取利用基于显著性的分数，该分数通过与固定度随机图模型进行比较来量化观察到的顶点层集合的连通性。多层提取直接处理具有异构层的网络，其中社区结构可能因层而异。该过程可以捕获重叠的社区，以及不属于任何社区的背景顶点层对。我们建立一致性的顶点层集优化我们提出的多层评分多层随机块模型下。我们调查的性能多层提取三个应用程序和模拟测试床。我们的理论和数值评估表明，多层提取是一个有效的探索工具，分析复杂的多层网络。可在https://github.com/jdwilson4/MultilayerExtraction上获得用于多层提取的公开可用R软件。
2017-11-07 cs.SI physics.soc-ph stat.ME
Refinement for community structures of bipartite networks
由二分节点集组成的二分网络在自然界和社会中普遍存在。部分为了简单起见，许多研究都集中在他们的投影到他们的unipartite版本，其中只需要关心一个单一类型的节点。然而，当涉及到社区等中尺度结构时，适当地纳入先验结构限制（如二元性）就变得更加重要。在本文中，作为一个案例研究，我们采取的社区结构的二分网络在不同的尺度上检查的信息量的二分性编码的社区检测过程。特别是，我们报告的鲁棒性的可靠性检测社区的一致性的基础上，通过比较检测算法与或不考虑二元性。从嵌入指定社区的模型网络和真实网络的分析中，我们发现，考虑到二元性的社区检测明显比没有这样的结构信息的社区结构更强大。这证明了定制的社区检测算法的必要性，通过编码任何信息是已知的网络的利益，并在同一时间，提出了一个有趣的问题，估计定量的信息量从这样的定制的可能性。
2021-12-30 cond-mat.stat-mech cs.SI physics.soc-ph
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
The many facets of community detection in complex networks
社区发现是将图分解为基本构建块的过程，是近年来网络科学的核心研究课题。由于什么构成社区的精确概念仍然是模糊的，社区发现算法经常在基准图上与特定形式的替代社区结构进行比较，并根据它们采用的数学技术进行分类。然而，这种比较可能会产生误导，因为它们的数学机制中明显的相似之处可能会掩盖不同的目标和原因，而这些目标和原因正是我们首先要采用社区发现的原因。在这里，我们提供了这些不同的动机，支持社区发现的重点审查。这种问题驱动的分类在应用网络科学中很有用，在应用网络科学中，为给定的目的选择合适的算法是很重要的。此外，强调不同方面的社区发现也划定了许多线的研究，并指出开放的方向和途径，为未来的研究。
2017-02-15 cs.SI physics.data-an physics.soc-ph
Exploring the limits of community detection strategies in complex networks
网络社区结构的表征在多个科学领域具有深远的意义。因此，测试开发的算法，以建立一个网络到社区的最佳划分是该领域的一个基本问题。我们在这里进行了一个非常详细的评估社区检测算法，其中有两个主要的新颖性：1）使用复杂的封闭基准，它提供了精确的方法来评估算法产生的解决方案是否是最优的;以及2）一种新型的分析，其基于对由多个社区检测算法建议的解决方案进行分层聚类，这允许容易地可视化这些解决方案的不同程度。Surprise是一个评估分区质量的全局参数，它证实了这些分析的强大功能。我们发现，没有一个社区检测算法测试提供一致的最佳结果，在所有的网络和惊喜最大化，通过结合多种算法，获得准最佳性能，在这些困难的基准。
2013-06-18 cond-mat.stat-mech cs.SI physics.soc-ph
Community detection based on significance optimization in complex networks
社团结构是广泛存在于各种复杂网络中的一种重要的结构性质。在过去的十年里，社区检测方法的设计受到了广泛的关注，但分析社区检测方法的行为也是理论研究和实际应用中的一个热点。在这里，我们专注于社区结构的重要措施，意义[科学。Rep.3（2013）2930]。详细研究了网络参数对该测度的影响，分析了该测度在分块跃迁中的临界行为，并解析地给出了临界点的计算公式和相图。结果表明，随着社区间和社区内链接密度的不同，划分转换的临界社区数显著增加，显著性优化方法在社区发现中表现出更高的分辨率，但也容易导致社区过度分裂。利用Louvain显著性优化算法，在人工网络和真实网络上验证了理论结果，并与一些经典方法进行了一系列比较。
2017-01-24 cs.SI physics.data-an physics.soc-ph
How Correlated are Community-aware and Classical Centrality Measures in Complex Networks?
与经典的中心性度量不同，最近发展起来的社区感知中心性度量使用网络的社区结构来识别复杂网络中有影响力的节点。本文研究了它们之间的关系，一组来自不同领域的50个真实世界的网络。结果表明，经典和社区意识的中心性措施一般表现出低到中等的相关值。这些结果在网络上是一致的。传递性和有效性是最有影响力的宏观网络特征驱动的经典和社区意识的中心性措施之间的相关性变化。此外，混合参数，模块化，和最大ODF的主要介观拓扑性质发挥最实质性的影响。
2022-01-30 cs.SI
The way to uncover community structure with core and diversity
社区在自然界和社会中无处不在。拥有共同财产的个体通常会自我组织形成社区。本文针对计算复杂、信息预先给定、不同运行结果不稳定等不足，提出了一种简单有效的方法，加深了对复杂系统中群落出现和多样性的理解。该方法通过引入理性随机选择，揭示了社区结构中隐藏的确定性和正常的多样性社区状态。为了证明这种方法，我们用真实世界的系统进行了测试。实验结果表明，该方法不仅能够以较高的灵敏度和可靠性检测出社区结构，而且能够通过给出核心社区、真实社区、潮流和多样性等信息，对隐藏的确定性社区世界和正常的多样性社区世界提供指导性信息。这对于理解、预测和控制复杂系统中的各种集体行为是至关重要的。
2017-06-28 cs.SI physics.data-an physics.soc-ph
Consistency of regularized spectral clustering in degree-corrected mixed membership model
China University of Mining and Technology（中国矿业大学）；Nankai University（南开大学）
网络分析中的社区发现是近年来的一个研究热点。在度校正混合隶属度（DCMM）模型下，提出了一种基于正则化拉普拉斯矩阵的混合正则化谱聚类（Mixed-RSC）方法.基于种群正则化Laplacian矩阵的特征分解的变体的理想锥结构，设计了混合RSC。我们证明了该算法是渐近一致的温和条件下，通过提供每个节点的推断成员向量的误差界。作为我们界限的副产品，我们提供了正则化参数τ的理论最佳选择。为了证明我们的方法的性能，我们将其与以前的基准方法一起应用于模拟和真实网络。据我们所知，这是第一个工作，设计的混合隶属度社区发现问题DCMM模型下的谱聚类算法的基础上应用正则化拉普拉斯矩阵。
2021-08-27 cs.LG cs.SI stat.ML
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
Analyzing Community-aware Centrality Measures Using The Linear Threshold Model
瞄准复杂网络中有影响力的节点可以加强或阻止谣言，流行病和停电。由于社区在现实世界的网络中很普遍，社区感知的中心性度量利用这些信息来定位有影响力的节点。研究表明，它们与对社区结构不可知的经典措施相比毫不逊色。虽然扩散过程是最重要的，以前的研究主要考虑著名的易感-感染-传播（SIR）的流行病传播模型。这项工作调查的一致性，以前的分析使用流行的线性阈值（LT）传播模型，在我们的现实生活中，许多传播过程的特点。我们对13个真实网络中7个有影响力的社区感知中心性指标进行了比较分析。总体而言，结果表明，社区为基础的调解人，通信中心性和模块化的活力优于其他措施。此外，社区调解员在预算紧张的情况下更有效（即，初始激活节点的一小部分），而通信中心性和模块化活力在初始激活节点的中到高部分的情况下表现更好。
2022-01-30 cs.SI
Towards fractal origins of the community structure in complex networks: a model-based approach
本文提出复杂网络的社区结构可能源于潜在分形特性，并通过一个具有节点度和社区规模双重尺度不变性的演化网络模型验证了该假设，发现网络中存在分形核心。
2023-09-20 cond-mat.dis-nn cs.SI physics.soc-ph
A Classification for Community Discovery Methods in Complex Networks
在过去的几年里，许多现实世界的网络被发现显示出所谓的社区结构组织。在文献中已经投入了大量的精力来开发方法和算法，这些方法和算法可以有效地突出网络的这种隐藏结构，传统上通过划分图来实现。由于网络表示可能非常复杂，并且在传统的图模型中可能包含不同的变体，因此文献中的每个算法都专注于其中一些属性，并显式或隐式地建立自己的社区定义。根据这一定义，它然后提取的社区，能够反映真正的社区的一些功能。本调查的目的是为社区发现问题提供一个手册。给出了什么是社交网络中的社区的Meta定义，我们的目标是根据他们自己对社区的定义来组织社区发现的主要类别。给定一个理想的定义的社区和一个问题的功能（网络的大小，方向的边缘，多维性，等等），这篇综述论文的目的是提供一套方法，研究人员可以专注于。
2012-06-15 cs.DS cs.SI physics.soc-ph
A Flexible Fitness Function for Community Detection in Complex Networks
来自文献的大多数社区发现算法用作最小化给定\textit{fitness function}的优化工具，同时假设每个节点属于单个社区。由于没有什么是社区的硬概念，大多数建议的适应度函数都集中在一个特定的定义上。因此，这些功能并不总是导致与实践中观察到的分区相对应的分区。本文提出了一种新的灵活的适应度函数，允许识别具有不同特征的社区。这种灵活性是通过采用一种名为cob-aiNet [C]的免疫优化算法来评估的，以识别一组基准网络中的不相交和重叠社区。结果表明，所得到的分区比通过模块度函数的优化所得到的分区更接近地面实况。
2014-06-10 cs.NE cs.SI physics.soc-ph
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 structure of complex software systems: Analysis and applications
由于在快速发展的复杂网络领域的显着发现，最近的研究在软件工程也集中在表示软件系统与网络。以前的工作已经观察到，这些网络遵循无标度分布，并揭示了小世界现象，而我们在这里探索另一种常见于不同复杂网络的性质，即社区结构。我们采用类依赖网络，其中节点代表软件类和边缘代表它们之间的依赖关系，并表明这些网络揭示了一个显着的社区结构，其特征在于在其他复杂网络中观察到的类似属性。然而，尽管不同的现象是直观的和预期的，但识别的社区并不完全对应于软件包。我们实证证实了我们的观察，从Java和各种第三方库构建的几个网络，并提出不同的应用程序社区发现软件工程。
2011-05-21 cs.SE cs.SI physics.data-an
Consistency Thresholds for the Planted Bisection Model
种植二分模型是一种随机图模型，其中节点被分成两个大小相等的社区，然后以依赖于社区成员的方式随机添加边。我们建立了该模型中种植二分法渐近可恢复的充要条件。当二分法是渐近可恢复的时，我们给出了一个有效的算法，成功地恢复了它。我们还证明了种植二分法是渐近可恢复的当且仅当高概率的每个节点属于同一社区的大多数邻居。我们的算法寻找种植平分运行的时间几乎线性的边缘数。它有三个阶段：谱聚类计算一个初始的猜测，一个“副本”阶段，以获得几乎每一个顶点正确，然后一些简单的局部移动来完成这项工作。阿贝、班德拉和霍尔的一项独立工作建立了类似的（稍弱的）结果，但仅限于对数平均度的情况。
2020-07-13 cs.SI math.PR
Optimality Of Community Structure In Complex Networks
社区发现是发现复杂网络结构的关键工具之一。大多数的社区发现方法依赖于优化某些质量函数的特点提出的社区结构。也许，这些质量函数中最常用的是模块化。许多算法都声称在模块化最大化方面是有效的，这通常是通过将它们的结果与其他已知算法提供的结果进行比较来相对证明的。然而，由于所有的方法都是穷举法，而完全的蛮力是不可行的，没有已知的方法来理解所获得的划分是否真的是最优的。在这篇文章中，我们从另一个方面解决模块化最大化问题--找到给定网络中可能的模块化值的上限估计，从而更好地评估建议的社区结构。此外，在某些情况下，当上界估计满足实际获得的模块化分数时，它提供了一个证明，即建议的社区结构确实是最优的。我们提出了一个有效的算法来建立这样一个上限估计，并说明其使用的例子，著名的经典和合成网络，能够证明现有的分区的最优性的一些网络，包括著名的扎卡里的空手道俱乐部。
2017-12-14 cs.SI physics.data-an physics.soc-ph
Defining Least Community as a Homogeneous Group in Complex Networks
本文引入了最小社区的概念，即最小社区与随机图具有相同的同质性，并从同质性或异质性的角度提出了一种新的社区发现算法。基于这一概念，我们采用头/尾休息-一个新开发的分类方案的数据与重尾分布-并依赖于边缘介数给定其重尾分布迭代划分成许多异构和同质社区的网络。令人惊讶的是，任何自组织和/或自进化的大型网络的衍生社区都表现出非常惊人的幂律，这意味着小社区远远多于大社区。这种小东西比大东西多得多的概念构成了社区检测的一种新的基本思维方式。关键词：头/尾断裂，HT指数，缩放，K均值，自然断裂和分类
2015-02-23 cs.SI nlin.AO physics.soc-ph
Analysis of spectral clustering algorithms for community detection: the general bipartite setting
我们认为谱聚类算法的社区检测下一般的二分随机块模型（SBM）。现代谱聚类算法由三个步骤组成：（1）适当的邻接矩阵或拉普拉斯矩阵的正则化（2）谱截断的形式和（3）减少谱域中的k-means型算法。我们专注于基于邻接的谱聚类，并为第一步，提出了一种新的数据驱动的正则化，即使对于稀疏网络，也可以恢复邻接矩阵的浓度。这个结果是基于最近的随机二进制矩阵的正则化工作，但避免使用未知的人口水平参数，而是从数据中估计必要的数量。我们还提出并研究了一种新的变化的频谱截断步骤，并显示这种变化如何改变的性质的误分类率在一般的SBM。然后，我们将展示如何将一致性结果扩展到SBM之外的模型，例如具有近似聚类的非均匀随机图模型，包括图子聚类问题，以及一般的亚高斯双聚类。本文的一个主题是提供一个更好的理解分析的谱方法社区检测和建立一致性的结果，在相当一般的聚类模型和广泛的制度的程度增长，包括稀疏的情况下，平均预期的程度增长任意缓慢。
2018-12-22 cs.SI math.ST stat.ML
Community Detection of Complex Network Based on Graph Convolution Iterative Algorithm
本文提出一种结合随机采样、节点距离属性矩阵与图卷积迭代的复杂网络社区发现方法，并通过模块度及多类网络实验验证其有效性。
2024-11-28 cs.SI
