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
Extension of Modularity Density for Overlapping Community Structure
模块性被广泛用于有效地度量由社区发现算法发现的不相交社区结构的强度。虽然模块度的几种重叠扩展被提出来衡量重叠社区结构的质量，但缺乏对不同扩展的系统比较。为了填补这一空白，我们概述了模块化的重叠扩展，以选择最好的。此外，我们扩展了模块密度度量，使其用于重叠的社区。在四个真实网络上使用模块度的重叠扩展、重叠模块度密度和其他六个社区质量度量的实验结果表明，当使用两个节点的归属系数的乘积作为归属函数时，获得了最好的结果。此外，我们的实验表明，重叠模块密度是一个更好的衡量重叠社区结构的质量比其他指标考虑。
2015-07-16 cs.SI physics.soc-ph
IEDC: An Integrated Approach for Overlapping and Non-overlapping Community Detection
社区发现是社会网络分析中的一项重要任务，可用于各种基于知识的领域。虽然存在许多基于连通性结构的社区发现的工作，但它们受到考虑重叠或非重叠社区的影响。在这项工作中，我们提出了一种新的方法，一般社区发现通过一个综合的框架，提取重叠和非重叠的社区结构，而不假设事先结构连接的网络。我们的一般框架是基于一个主要的节点为基础的标准，其中包括内部关联度以及外部关联度。通过大量的仿真实验和几个基准真实网络数据集的评估所提出的方法进行了研究。实验结果表明，该方法优于早期的国家的最先进的算法的基础上众所周知的评价标准。
2017-02-13 cs.SI stat.ML
Using Overlapping Methods to Counter Adversaries in Community Detection
本文将社区检测对抗问题建模为Stackelberg博弈，在七个真实网络上评估发现，攻击者预算充足时重叠社区检测方法显著优于非重叠方法，并分析了鲁棒性与无攻击性能的权衡。
2023-08-06 cs.SI
Identifying Influential Nodes Using Overlapping Modularity Vitality
发现网络中有影响力的节点对控制网络中的扩散现象至关重要。在最近的作品中，有一个越来越多的趋势，调查社区结构的作用，以解决这个问题。到目前为止，绝大多数所谓的社区意识的中心性措施依赖于非重叠的社区结构。然而，在诸如社交网络的许多现实世界网络中，社区重叠。换句话说，一个节点可以属于多个社区。为了克服这一缺陷，我们提出并研究了“重叠模块活力”中心性度量。这种扩展的“模块活力”量化社区结构强度的变化时，删除一个节点。它允许基于节点对网络的重叠模块化的贡献将节点识别为集线器或桥接器。一个比较分析，其非重叠版本使用易感-感染-传播（SIR）流行病扩散模型已进行了一组六个现实世界的网络。总体而言，重叠模块化活力优于其替代品。这些结果说明了将知识的重叠社区结构，以有效地识别有影响力的节点的重要性。此外，可以使用多个排名策略，因为这两个措施是有符号的。结果表明，选择具有最大正值或最大绝对中心度值的节点比选择具有最大负值的节点更能有效地传播疫情。
2022-01-30 cs.SI
WOCD: A Semi-Supervised Method for Overlapping Community Detection Using Weak Cliques
针对现有基于GNN的重叠社区检测方法存在的信息整合难、感受野有限等问题，提出融合先验信息、基于弱团初始化伪标签的半监督方法WOCD，结合单层Graph Transformer与GNN，在8个真实数据集上精度显著优于现有最优半监督方法。
2025-07-30 cs.SI
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
Fuzzy Overlapping Community Quality Metrics
模块性被广泛用于有效地度量由社区发现算法发现的不相交社区结构的强度。提出了几种模块度的重叠扩展来度量重叠社区结构的质量。然而，所有这些扩展的不同之处仅在于它们定义归属系数和归属函数的方式。然而，缺乏对不同扩展的系统比较。为了填补这一空白，我们概述了重叠的模块化扩展，并将其推广到一个统一的定义，使不同的归属系数和归属函数的应用程序，以选择最好的。此外，我们扩展了本地化的模块化，模块化密度，和八个本地社区质量指标，使他们的使用重叠的社区。在大量的真实网络和合成网络上使用重叠扩展模块性、重叠模块性密度和局部度量的实验结果表明，当使用两个节点的归属系数的乘积作为归属函数时，获得了最好的结果。此外，研究结果可用于指导研究人员在测量重叠社区结构的质量时采用哪些指标。
2015-07-14 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
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
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
Fuzzy overlapping communities in networks
网络通常表现出社区结构，其中顶点组彼此之间的连接比与其他顶点之间的连接更密集。通常这些社区重叠，使得每个顶点可以出现在多于一个社区中。然而，两种不同类型的重叠是可能的：清晰（每个顶点完全属于它是成员的每个社区）和模糊（每个顶点在不同程度上属于每个社区）。我们调查了群落重叠的影响。我们发现，它对社区检测方法的性能有很大的影响：一些算法在模糊重叠的情况下表现更好，而另一些算法则倾向于清晰重叠。我们还评估了一些算法的性能，当重叠是模糊的，恢复属于系数。最后，我们调查是否真正的网络包含模糊或清晰的重叠。
2011-02-10 cs.SI physics.soc-ph
AOC; Assembling Overlapping Communities
通过发现中尺度结构，社区发现方法有助于理解复杂网络。然而，许多社区发现方法依赖于不相交的聚类技术，其中节点成员资格仅限于一个社区或集群。这种严格的要求限制了包容性地描述社区的能力，因为一些节点可能被合理地分配给许多社区。我们之前已经报道过迭代K核心聚类（IKC），这是一个可扩展的模块化管道，可以从科学文献中发现不相交的研究社区。我们现在提出组装重叠集群（AOC），这是一种用于重叠社区的补充元方法，可以解决不相交的集群问题。我们提出了在超过1300万个节点的网络上使用AOC的研究结果，该网络捕获了生物学中细胞外囊泡非常快速增长领域的最新研究。
2022-10-04 cs.SI
Overlapping community detection in signed networks
在过去的几年里，考虑到积极和消极的联系的复杂网络得到了相当大的关注。社区发现是复杂网络分析的主要挑战之一。现有的社区发现算法大多数都是针对签名网络的一个硬划分，即网络中的任意节点是否属于某个社区。然而，他们不能检测重叠的社区，其中一个节点被允许属于多个社区。重叠社区广泛存在于许多现实世界的网络中。本文提出了一种符号概率混合（SPM）模型，用于符号网络中的重叠社区发现。与已有的模型相比，该方法的优点在于：（i）为签名网络提供了软划分方案;（ii）提供了节点的软成员资格。在多个签名网络上的实验表明，我们的SPM模型：（i）可以识别与其他最先进的模型相同的重叠结构或不重叠结构;（ii）可以检测重叠社区;（iii）在揭示合成签名网络中的社区发现方面优于其他最先进的模型。
2014-03-27 cs.SI physics.soc-ph
Identification of Overlapping Communities via Constrained Egonet Tensor Decomposition
在现实世界的网络中，重叠社区的检测通常是一项具有挑战性的任务。在认识到一个网络实际上是它的egonets的工会，一个新的网络表示使用多路数据结构主张在这方面的贡献。引入的稀疏张量为基础的表示表现出更丰富的结构相比，它的矩阵对应，从而使一个更强大的方法来社区发现。为了利用这种结构，使用PARAFAC分解引入了约束张量近似框架。所产生的约束三线性优化通过交替最小化处理，其中中间子问题使用交替方向乘子法（ADMM）求解，以确保收敛。获得的因素提供软社区成员资格，这可以进一步利用脆，并可能重叠的社区分配。该框架进一步扩大到包括随时间变化的图形，其中边缘以及底层社区随着时间的推移而演变。所提出的方法的性能进行评估，通过测试基准合成图以及现实世界的网络。数值试验证实，所提出的基于张量的表示捕获多跳节点连接，即单跳邻居，其开发产生一个更强大的社区识别中存在的混合以及重叠的社区内的连接模式。
2017-07-14 cs.SI
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
Overlapping Community Detection Using Neighborhood-Inflated Seed Expansion
社区发现是网络分析中的一项重要任务。社区（也称为集群）是一组内聚顶点，其内部连接多于外部连接。在许多社会和信息网络中，这些社区自然重叠。例如，在社交网络中，图中的每个顶点对应于通常参与多个社区的个人。在本文中，我们提出了一个有效的重叠社区发现算法，使用种子扩展方法。我们的算法的核心思想是找到好的种子，然后根据社区度量对这些种子进行greenly扩展。在这种种子扩展方法中，我们研究了如何在图中确定好的种子节点的问题。特别是，我们开发了新的播种策略的个性化PageRank聚类方案，优化电导社区得分。实验结果表明，我们的种子扩展算法优于其他国家的最先进的重叠社区发现方法产生的凝聚力集群和识别地面真理社区。我们还表明，我们的新播种策略比现有的策略更好，因此在现实世界的网络中找到良好的重叠社区是有效的。
2015-04-03 cs.SI physics.soc-ph
Investigating Cooperativity of Overlapping Community Structures in Social Networks
许多现实世界的网络可以通过交互代理的网络来建模。对这些相互作用的分析可以揭示这些网络的基本特性。估计与学习环境中的连接相对应的网络中的协作量可以揭示学习者与其他学习者分享他们的经验和知识的程度。或者，分析开源软件项目中的交互网络可以显示协作效率的指标。在这些领域的一个中心问题是低协同性值的网络，由于其各自的社区的低协同性值。因此，管理员不仅要了解和预测网络的合作性，而且还需要评估各自的社区结构。为了解决这个问题，在本文中，我们解决两个领域的开源软件项目和学习论坛。因此，我们通过应用几种社区发现算法来计算这些领域的相应网络和社区中的协同性。此外，我们还研究了社区性质，并确定了估计网络和社区合作性的重要性质。相应地，我们确定了各种社区发现算法在多大程度上影响了重要属性的识别和协同性的预测。我们还利用社区的性质构造了二元和回归预测模型。我们的研究结果和构建的模型可以用来推断社区结构的合作性，从各自的属性。当预测网络中的高缺陷结构时，管理员可以寻找有用的驱动器来增加协作。
2019-01-20 cs.SI
Detecting overlapping community structure: Estonian network of payments
揭示真实网络所表现出的社区结构是全面理解复杂系统的一个基本阶段，超越了其组件的局部组织。社区检测技术有助于深入了解网络组件的本地组织。在这项研究中，我们确定和调查的重叠社区结构的一个有趣的和独特的案例研究：爱沙尼亚的支付网络。为了进行研究，我们使用团渗流方法，并探讨社区的统计分布函数，在大多数情况下，我们发现无标度属性。在这个网络中，节点代表爱沙尼亚公司，链接代表公司之间的支付。我们的研究通过对一个国家的支付网络进行首次重叠社区检测分析，增加了复杂网络的文献。
2018-12-11 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
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
LazyFox: Fast and parallelized overlapping community detection in large graphs
图数据集中的社区检测提供了对图的底层结构的洞察，并且是社会科学、营销、流量预测和药物发现等各个领域的重要工具。虽然大多数现有的算法提供了快速的方法来社区发现，他们的结果通常包含严格分离的社区。然而，大多数数据集在语义上允许甚至需要重叠的社区，这些社区只能以更高的计算成本来确定。我们建立在一个有效的算法，福克斯，检测这种重叠的社区。Fox通过近似节点与社区形成的三角形的数量来衡量节点与社区的接近程度。我们提出了LazyFox，一个多线程版本的福克斯算法，它提供了更快的检测，而不会对社区质量的影响。这允许分析更大和更复杂的数据集。LazyFox可以在几天内而不是几周内对具有数百万节点和数十亿条边的复杂图形数据集进行重叠社区发现。作为这项工作的一部分，LazyFox的实现已经发布，并在https://github.com/TimGarrels/LazyFox上作为MIT许可证下的工具提供。
2022-10-06 cs.DS cs.SI
De-anonymizing Social Networks with Overlapping Community Structure
社交网络的出现对用户隐私构成了严重威胁，因为对手可以通过将用户的身份映射到相关的跨域网络来对用户的身份进行去匿名化。在没有地面实况映射的情况下，现有文献提出了各种成本函数，希望测量映射的质量。然而，通常缺乏成本函数背后的基本原理，其最小值也仍然是算法未知的。我们在由重叠社区参数化的更实际的社交网络模型下共同解决上述问题，重叠社区被现有技术忽略，可以用作去匿名化的辅助信息。关于地面实况映射到对手的不可用性，凭借最小均方误差（MMSE），我们的第一个贡献是一个合理的成本函数，最大限度地减少所有可能的真实映射的不匹配用户的预期数量。在证明最小化MMSE的NP-困难性的同时，我们有效地将其转化为加权边匹配问题（Weighted-Edge Matching Problem，WEMP），从理论上解决了最优性和复杂性之间的矛盾：（i）在较大的网络规模下，在较高的重叠强度下，WEMP渐近返回可忽略的映射误差;（ii）WEMP可以通过基于凸-凹的去匿名化算法（CBDA）在算法上表征，完美地找到WEMP的最佳值。大量的实验进一步证实了CBDA在重叠社区下的有效性，当社区重叠密集时，在罕见的真正跨域合著者网络中平均90%的重新识别用户，与非重叠情况相比，大约70%的重新识别率提高。
2017-12-12 cs.SI
Overlapping Community Detection by Online Cluster Aggregation
我们提出了一个新的在线算法检测重叠社区。主要成分是修改的在线k-均值算法和一种新的方法来模拟社区重叠。大型基准图的评价表明，发现的社区的质量相比，在最近的文献中的几种方法，而运行时间显着改善。
2015-04-26 cs.LG cs.SI physics.soc-ph
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
Modeling Social Networks with Overlapping Communities Using Hypergraphs and Their Line Graphs
我们提出超图可以用来建模具有重叠社区的社交网络。超图的节点表示社区。超图的超链接表示可以参与多个社区的个人。超图不容易分析，而超图的线图是简单图或赋权图，因此可以应用网络理论。我们定义的重叠深度$k$的个人的社区，在该个人重叠的数量，我们证明了相应的线图的最小邻接特征值不小于$-k_{max}$，这是整个网络的最大重叠深度。基于具有优先连接的超图，建立了一个包含重叠社区的网络模型，其中重叠参数$k$和$w$可调.通过与Hyves社会网络的比较，我们发现，我们的社会网络模型具有高度的聚类性，混合性，幂律度分布和短的平均路径长度。
2010-12-13 cs.SI physics.soc-ph
A Noise-Resilient Semi-Supervised Graph Autoencoder for Overlapping Semantic Community Detection
Laboratoire des Mathématiques et Sciences Appliquées (LMSA), Université de Ghardaia（应用数学和科学实验室（LMSA），加兹达亚大学）；Faculty of Sciences and Technology, Université de Ghardaia（科学与技术学院，加兹达亚大学）
本文提出一种结合图多头注意力与模块度最大化的抗噪半监督图自编码器，通过融合结构、属性和先验知识，在60%特征损坏下仍能稳健检测重叠社区并优于现有方法。
2025-05-09 cs.AI cs.SI
Ensemble-Based Algorithms to Detect Disjoint and Overlapping Communities in Networks
给定一组社区检测算法${\cal AL}$和一个图$G$作为输入，我们提出了两个集成方法$\mathtt{EnDisCO}$和$\mathtt{MeDOC}$，（分别）确定不相交和重叠的社区$G$。$\mathtt{EnDisCO}$通过利用多个基本解决方案将图转换为潜在特征空间，并发现不相交的社区结构。$\mathtt{MeDOC}$将相似的基本社区分组为元社区，并检测不相交和重叠的社区结构。实验在不同的规模上进行的合成生成的网络，以及在几个现实世界的网络，其底层的地面真相社区结构是可用的。我们广泛的实验表明，这两种算法优于国家的最先进的非集成算法的显着保证金。此外，我们比较了$\mathtt{EnDisCO}$和$\mathtt{MeDOC}$与最近的集成方法不相交的社区发现，并表明我们的方法取得了优异的性能。据我们所知，$\mathtt{MeDOC}$是第一个集成方法重叠社区发现。
2016-09-16 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
Evading Overlapping Community Detection via Proxy Node Injection
Department of Computer Science（计算机科学系）；Sapienza University of Rome（罗马萨皮恩扎大学）
针对重叠社区检测中的隐私保护，提出基于深度强化学习的代理节点注入方法，有效隐藏目标节点社区归属，显著优于现有基线。
2025-09-25 cs.AI cs.SI
Overlapping community detection in weighted networks
School of Economics and Finance, Chongqing University of Technology（重庆理工大学经济管理学院）
本文提出加权度修正混合成员（WDCMM）生成模型，将DCMM扩展到加权网络，结合谱算法与重叠加权模块度，实现重叠社区检测并确定社区数，在模拟和真实网络中验证优势。
2025-10-07 cs.SI physics.data-an
Diffusion-Induced Spatial Attention Overlapping Community Detection
Aalto University School of Science（阿尔托大学理学院）；Lockheed Martin（洛克希德·马丁公司）
针对现有图神经网络在重叠社区检测中因局部消息传递导致的边界模糊和长程依赖缺失问题，提出DISCO框架，融合扩散结构先验、稀疏注意力与非负社区学习，在基准上表现优异，并在网络安全异常检测中验证了实用性。
2026-09-23 cs.LG cs.SI
The Artificial Benchmark for Community Detection with Outliers and Overlapping Communities (ABCD+$o^2$)
Dalhousie University（达尔豪斯大学）；Toronto Metropolitan University（多伦多都会大学）；SGH Warsaw School of Economics（华沙经济大学）；University of Ottawa（渥太华大学）；Tutte Institute for Mathematics and Computing（图特数学与计算研究所）
本文提出ABCD+$o^2$模型，用于社区检测任务，该模型支持异常值和重叠社区，提升了社区检测算法的鲁棒性和准确性。
2025-12-01 cs.SI math.CO
GenPerm: A Unified Method for Detecting Non-overlapping and Overlapping Communities
非重叠社区和重叠社区的检测本质上是同一个问题。然而，目前的算法集中在寻找重叠或不重叠的社区。我们提出了一个通用的框架，可以识别非重叠和重叠的社区，没有任何事先输入的网络或其社区分布。为此，我们引入了一个基于顶点的度量，GenPerm，量化的顶点属于它的每个组成社区。我们的社区发现算法是基于最大化网络中所有顶点的GenPerm。我们证明，通过实验合成和真实世界的网络，GenPerm是更有效的比其他指标在评估社区结构。此外，我们表明，由于其以顶点为中心的属性，GenPerm可以用来展开几个推理超越社区发现，如核心-外围分析和消息传播。我们用于最大化GenPerm的算法在准确预测地面实况标签方面优于六种最先进的算法。最后，我们讨论了重叠社区中的分辨率限制问题，并证明了最大化GenPerm可以缓解这个问题。
2016-04-12 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
SLPA: Uncovering Overlapping Communities in Social Networks via A Speaker-listener Interaction Dynamic Process
重叠是社交网络的特征之一，在这种网络中，一个人可能属于一个以上的社会群体。因此，发现重叠结构对于现实的社会分析是必要的。在本文中，我们提出了一种新的，一般的框架来检测和分析个人重叠节点和整个社区。在这个框架中，节点根据动态交互规则交换标签。一个具体的实现称为扬声器-听众标签传播算法（SLPA 1）在识别重叠节点和重叠社区具有不同程度的多样性表现出优异的性能。
2011-11-10 cs.DS cs.SI physics.soc-ph
Overlapping community detection using superior seed set selection in social networks
社会网络中的社区发现是近十年来引起研究者极大兴趣的领域之一。已经有许多算法。然而，新的种子为基础的算法建立了一个新兴的漂移在这方面。这些策略背后的基本思想是识别给定网络中的特殊节点，称为种子，社区可以围绕这些节点定位。本文提出了一种混合策略，通过应用各种中心性措施，并使用它们来找到重叠社区定位合适的优秀种子集。该算法的检查已被执行的善良的社区的帮助下，内集群密度和集群间密度。最后，将该算法与现有的社区发现算法进行了比较，结果表明该算法在运行时间上有明显的改善。
2018-08-10 cs.SI physics.soc-ph
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
A Local Perspective-based Model for Overlapping Community Detection
College of Computer Science & Technology, Qingdao University（青岛大学计算机科学与技术学院）；College of Engineering, China Agricultural University（中国农业大学工程学院）；Department of Mathematics, City University of Hong Kong（香港城市大学数学系）
LQ-GCN是一种从局部视角出发的重叠社区检测模型，通过局部模块度优化和伯努利-泊松模型提升大规模网络中重叠社区识别的准确性和性能。
2025-03-27 cs.AI cs.SI
Overlapping Community Detection with Graph Neural Networks
Technical Univeristy of Munich（慕尼黑工业大学）
社区发现是机器学习中的一个基本问题。虽然深度学习在许多与图形相关的任务中表现出了巨大的潜力，但开发用于社区发现的神经模型却很少受到关注。现有的几种方法集中在检测不相交的社区，即使社区在真正的图是众所周知的重叠。我们针对这个缺点，提出了一个基于图神经网络（GNN）的重叠社区发现模型。尽管它的简单性，我们的模型优于现有的基线，在社区恢复的任务，由一个很大的利润。我们建立通过广泛的实验评估，该模型是有效的，可扩展的和强大的超参数设置。我们还进行了一项消融研究，证实GNN是该模型的关键因素。
2019-09-26 cs.LG cs.SI stat.ML
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
A Modular Multiscale Approach to Overlapping Community Detection
在这项工作中，我们解决了在社交网络中检测重叠社区的问题。由于“社区”一词含义模糊，因此有必要在特定类型问题的背景下量化社区的含义。我们的解释是，这种量化必须在至少三个尺度上进行。这些尺度是在以下层面上的：单个节点、单个社区和整个网络。这些尺度中的每一个都涉及到在其他尺度中无法准确表示的群落结构的数量特征，但对于定义特定的群落概念很重要。我们的工作重点是提供合理的方法来量化在每个尺度上适用于社交网络的社区概念，并使用这些模型来开发一个社区发现算法。我们的方法的吸引人的特点是，它自然地允许节点属于多个社区，并且对于具有低整体边缘密度的大型网络来说，计算效率很高。该算法的尺度是$O(N~\overline{k^2} + \overline{N_{com}^2})$，其中$N$是网络中的节点数，$\overline{N_{com}^2}$是平均平方社区大小，$\overline{k^2}$是节点度平方的期望值。虽然我们的工作重点是开发一个计算效率高的算法重叠社区发现的背景下，社交网络，我们的主要贡献是开发一种方法，是高度模块化的，可以很容易地适应特定的社区概念。
2015-01-22 cs.SI physics.soc-ph
Comprehensive, Efficient Large-Scale Community Detection via Structural Entropy Game
Kunming University of Science and Technology（昆明理工大学）；Yunnan Key Laboratory of Artificial Intelligence（云南省人工智能重点实验室）；Beihang University（北京航空航天大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
该研究针对大规模网络社区检测难题，提出CoDeSEG算法，通过在潜在博弈框架内最小化二维结构熵识别社区，引入基于结构熵的节点重叠启发式方法及自适应社区更新策略，在多项社区检测任务中性能达最优，检测效率显著提升。
2026-07-17 cs.SI
Towards Linear Time Overlapping Community Detection in Social Networks
成员多样性是社交网络的一个特征方面，其中一个人可能属于一个以上的社会群体。因此，发现重叠结构对于现实的社会分析是必要的。在本文中，我们提出了一个快速算法1，称为SLPA，重叠社区发现在大规模的网络。SLPA根据动态交互规则展开标签。它可以应用于单部和二部网络。它还能够发现重叠的嵌套层次结构。SLPA的时间复杂度与网络中的边的数量成线性比例。在模拟网络和真实网络中的实验表明，SLPA在识别节点和社区层次的重叠结构方面都有很好的性能。
2012-02-11 cs.CY cs.DS cs.SI
Overlapping Community Detection by Local Decentralised Vertex-centred Process
本文重点介绍了重叠社区的识别，允许节点同时属于几个社区，在一个分散的方式。为此，它提出了LOCNeSs，一种专门设计用于在分散环境中运行并限制传播的算法，这是移动网络中应用的两个基本特征。它是基于网络中的优先连接机制的开发。实验结果表明，LOCNeSs是稳定的，并取得了良好的重叠顶点识别。
2017-02-13 cs.DM cs.DS cs.SI
Infinite Edge Partition Models for Overlapping Community Detection and Link Prediction
提出了一种层次伽玛过程无限边划分模型，用于分解Bernoulli-Poisson链接下的无权无向关系网络的二元邻接矩阵。该模型描述了同伦和随机等价，并可扩展到大型稀疏网络的计算集中在对连接的节点。它不仅可以发现重叠社区和社区间的交互，还可以预测缺失的边缘。还提供了一个省略社区间互动的简化版本，我们揭示了它与现有模型的有趣联系。社区的数量是自动推断在一个非参数贝叶斯的方式，并通过吉布斯抽样使用新的数据增强技术推导出有效的推理。在四个真实网络上的实验结果证明了模型的可扩展性和最先进的性能。
2015-12-30 cs.SI stat.ML
Overlapping Community Detection in Temporal Text Networks
Shanghai Jiaotong University（上海交通大学）
基于相同的属性、功能或节点之间的连接来分析网络中的组是理解网络信息的一种方式。发现一系列节点组的任务称为社区发现。通常，可以利用两种类型的信息来完成该任务，即，链接结构和节点属性。时间文本网络是一种包含两种信息源的特殊网络。典型的代表包括在线博客网络、万维网（WWW）和学术引文网络。本文研究时态文本网络中的重叠社区发现问题。通过对32个大型时态文本网络的分析，我们发现了大量连接两个没有共同社区的节点的边，并发现同一社区中的节点共享相似的文本内容。实际上，所有现有的社区发现方法都不能对这种情况进行定量建模。出于这些经验的观察，我们提出了MAGIC（模型关联图与互动社区），生成模型，捕捉社区的互动，并考虑从链接结构和节点属性的信息。我们在3种数据集上的实验表明，MAGIC在4个广泛使用的度量方面比4个最先进的方法有了很大的改进。
2021-01-13 cs.LG cs.SI
Overlapping Communities in Social Networks
复杂网络通常可以分解为组或模块。发现这种“社区结构”是研究网络大规模结构的重要一步。许多算法已经被提出用于社区发现，并且已经创建了基准来评估它们的性能。通常，用于社区发现的算法或者划分图（非重叠社区）或者找到节点覆盖（重叠社区）。在本文中，我们提出了一个特别简单的半监督学习算法发现社区。本质上，给定少量“种子节点”的社区信息，该方法使用从种子节点的随机游走来揭示整个网络的社区信息。该算法按时间$O(k \cdot m \cdot \log n)$运行，其中$m$是边的数量; $n$是链路的数量;以及$k$是网络中的社区的数量。在具有$m = O(n)$和恒定数量社区的稀疏网络中，该运行时间几乎与网络大小成线性关系。我们的算法的另一个重要特点是，它可以用于非重叠或重叠的社区。我们测试我们的算法使用LFR基准创建的Lancichinetti，Raviato，和Radicchi专门用于评估这些算法的目的。我们的算法可以竞争的最好的算法，为两个非重叠和重叠的社区，发现在全面的研究Lancichinetti和Ravinato。
2014-12-18 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
Finding overlapping communities in networks using evolutionary method
社团结构是现实网络的一个典型性质，已成为理解网络系统动力学的关键。在这些网络中，大多数节点显然位于一个社区中，但往往存在一些节点跨越几个社区。一个理想的社区发现算法是最好的，它可以识别这种网络中的重叠社区。为了表示重叠的划分，我们开发了由两个部分组成的编码模式，第一个部分表示不相交的分区，第二个部分表示允许多个成员资格的分区的扩展。我们给出了一个衡量一个节点的信息量，并提出了一个进化的方法来检测网络中的重叠社区。
2013-02-27 cs.SI physics.soc-ph
Finding overlapping communities in networks by label propagation
我们提出了一个算法，发现重叠的社区结构在非常大的网络。该算法基于Raghavan，Albert和Kumara的标签传播技术，但能够检测重叠的社区。与原始算法一样，顶点具有在相邻顶点之间传播的标签，以便社区成员就其社区成员资格达成共识。我们的主要贡献是扩展标签和传播步骤，包括有关多个社区的信息：每个顶点现在可以属于v个社区，其中v是算法的参数。我们的算法也可以处理加权和二分网络。在一组独立设计的基准测试和真实网络上的测试表明，该算法在恢复重叠社区方面非常有效。它也非常快，可以在短时间内处理非常大和密集的网络。
2010-10-14 cs.SI physics.soc-ph
Combinations of Affinity Functions for Different Community Detection Algorithms in Social Networks
社会网络分析是社会科学和行为科学中的一门流行学科，其中不同社会实体之间的关系被建模为网络。在社会网络分析中，最常见的问题之一是在网络结构中发现社区。通常，社交网络中的社区是图的功能子分区。然而，由于社区的定义有些不精确，已经提出了许多算法来解决这个任务，每一个都专注于不同的社会特征的演员和社区。在这项工作中，我们建议使用新的亲和度函数的组合，旨在捕捉网络交互中不同的社会机制。我们使用它们来扩展已经存在的社区发现算法，以结合亲和力函数的能力来模拟不同的社会互动比那些利用原始算法。
2022-08-26 cs.SI
An Enhanced Multi-Objective Biogeography-Based Optimization for Overlapping Community Detection in Social Networks with Node Attributes
社区发现是社会网络分析中最重要和最有趣的问题之一。近年来，在社区发现的过程中同时考虑节点属性和社交网络的拓扑结构引起了许多学者的关注，并且这种考虑最近被用于一些社区发现方法中，以提高它们的效率，并增强它们在发现有意义和相关社区方面的性能。但问题是，这些方法中的大多数往往会找到不重叠的社区，而许多现实世界的网络包括经常在某种程度上重叠的社区。为了解决这一问题，本文提出了一种基于多目标地理优化（BBO）的进化算法MOBBO-OCD，该算法能够同时考虑网络中连接密度和节点属性相似性，自动发现具有节点属性的社会网络中的重叠社区。在MOBBO-OCD中，引入了一种扩展的基于轨迹的邻接表示（称为OLAR）来编码和解码重叠社区。在OLAR算法的基础上，采用基于秩的迁移算子、两阶段变异策略和双点交叉策略，有效地将种群引入到进化路径中，并提出了一种新的评价指标alpha_SAEM。该方法能够从节点属性和链接结构两个方面对重叠划分和非重叠划分的优劣进行综合评价。定量评估表明，MOBBO-OCD取得了良好的结果，这是相当优于文献中的15个相关的社区发现算法的结果。
2022-12-28 cs.NE cs.SI
Overlapping Community Discovery Methods: A Survey
重叠社区的检测是一个具有挑战性的问题，近年来越来越受到关注，因为在现实世界的网络中观察到的个人的自然态度，同时参与多个组。本审查报告介绍了该领域的主要建议。除了为静态网络设计的方法之外，还描述了一些新的方法，这些方法处理随着时间变化的网络中重叠社区的检测。方法根据指导它们在共享其节点的一部分的组中获得网络划分的基本原则进行分类。对于其中的每一个，我们还报告，当可用时，计算复杂性和网站地址，从那里可以下载实现该方法的软件。
2014-11-14 cs.SI physics.soc-ph
