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
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
Distributed Community Detection with the WCC Metric
社区发现近年来已经成为一个非常活跃的研究领域，研究人员提出了各种新的度量和算法来解决这个问题。最近，加权社区聚类（WCC）度量被提出作为一种新的方法来判断社区划分的质量的基础上分布的三角形在图中，并被证明产生优于其他常用的度量，如模块化的结果。同一作者后来提出了一个并行算法优化WCC的大型图。在本文中，我们提出了一个新的分布式，顶点为中心的社区发现算法使用WCC度量。结果表明，该算法的性能和可扩展性高达32个工人机器和高达18亿顶点的真实图。该算法的规模最大的图，据我们所知，这是第一个分布式算法优化WCC度量。
2014-11-03 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
Community detection and graph partitioning
网络中的社区发现已经提出了许多方法。一些最有前途的方法是基于统计推断的方法，这些方法建立在坚实的数学基础上，并在实践中获得出色的结果。在本文中，我们表明，两个最广泛使用的推理方法可以直接映射到版本的标准最小割图划分问题，这使我们能够应用任何许多很好理解的划分算法解决社区发现问题。我们说明了适应拉普拉斯谱划分方法来执行社区推理的方法，测试所得到的算法的范围内的例子，包括计算机生成的和真实世界的网络。无论是结果的质量和运行时间的竞争对手最好的以前的方法。
2013-05-21 cs.SI physics.data-an physics.soc-ph
A New Metric for Quality of Network 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社区结构的强度。然而，模块化最大化受到两个相反但并存的问题的困扰：在某些情况下，它倾向于支持小社区而不是大社区，而在其他情况下，大社区则倾向于支持小社区。后一种趋势在文献中被称为分辨率极限问题。为了解决这些问题，我们建议修改模块化，从它减去连接不同社区的节点的边缘的分数，并包括社区密度到模块化。我们将修改后的度量称为模块密度，并证明它确实解决了上述两个问题。我们通过直观清晰和简单的例子来描述引入此度量的动机。我们还证明了这个新的度量解决了分辨率限制问题。最后，我们讨论了应用这个度量，模块化，和其他几个流行的社区质量指标的结果，两个真正的动态网络。结果表明，模块化密度是一致的，所有的社区质量的测量，但不是模块化，这表明模块化密度是一个改进的测量相比，模块化的社区质量。
2015-07-15 cs.SI physics.soc-ph
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
Metrics for Community Analysis: A Survey
在过去的十年里，从社会和信息网络中检测和分析密集群体或社区引起了人们的极大关注，因为它在不同领域具有巨大的适用性。社区发现是一个定义不清的问题，因为社区的性质事先并不知道。这个问题已经被证明是甚至复杂的，由于社区出现在网络中的各种形式-不相交的，重叠的，分层的等，已经提出了各种不同的算法取决于在手的应用程序。所有这些生态学已经具体化的形式，在大多数情况下，作为优化功能，用于检测社区结构，或提供一个良好的检测社区在评估过程中的指示。有必要对社区发现和评价方面提出的衡量标准进行有组织的详细调查。在这项调查中，我们提出了一个全面的和结构化的概述，用于检测和评估社区结构的最先进的指标。我们还对合成网络和真实网络进行了实验，以比较分析这些指标在衡量底层社区结构的良好性方面的作用。
2016-04-12 cs.SI physics.soc-ph
Metrics matter in community detection
我们提出了一个重要的评价归一化互信息（NMI）作为评价指标的社区发现。NMI夸大了leximin方法在弱社区上的性能：leximin在寻找平凡的单例聚类时，真的优于其他八种社区发现方法吗？来自文献的三种NMI改进是AMI、rrNMI和cNMI。我们在相关随机模型下显示了等效性，并且为了评估社区发现，我们建议在$\mathbb{M}_{\mathrm{all}}$模型（$n$节点的所有分区）下单侧AMI。这项工作的目的是（1）开始关于健全的衡量标准的对话，（2）倡导不提供“免费午餐”的评价。
2019-01-05 cs.SI physics.soc-ph
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
Spectral methods for network community detection and graph partitioning
我们认为三个不同的和研究的问题，网络结构：社区检测模块化最大化，社区检测统计推断，和规范化的切割图分区。这些问题中的每一个都可以使用谱算法来解决，该算法利用网络的矩阵表示的特征向量。我们表明，与某些选择的自由参数出现在这些频谱算法的算法，所有三个问题，事实上，是相同的，因此，至少在这里使用的频谱近似，有没有区别之间的模块化和基于推理的社区检测方法，或之间的任何一个和图分区。
2013-07-29 cond-mat.stat-mech cs.SI physics.data-an
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
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
Network Community Detection on Metric Space
复杂网络中的社区发现是近年来研究的热点问题。一般来说，社区发现算法选择一个目标函数，通过优化目标函数来捕获网络中的社区，然后使用各种算法来解决优化问题，从而为用户提取感兴趣的社区。在这篇文章中，我们展示了一个图转换成一个度量空间的点的过程，并开发了社区发现的方法与定义的一对点的度量的帮助。我们还研究和分析了网络的社区结构。我们的方法得到的结果是非常有竞争力的，在文献中的大多数知名的算法，这是合理的，在大量的数据集。另一方面，可以观察到，与其他方法相比，我们的算法所花费的时间要少得多，并且证明了理论研究结果。
2015-08-26 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
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
Constrained Spectral Clustering for Dynamic Community Detection
网络是许多具有交互实体的系统的有用表示，例如社会，生物和物理系统。描述中尺度组织即社团结构是网络科学的一个重要问题。社区检测的目的是将网络划分为内部连接密集但与其他密集节点集稀疏连接的节点集。目前的社区检测工作主要集中在静态网络上。然而，许多现实世界的网络是动态的，即它们的结构和属性随时间变化，需要动态社区检测的方法。在本文中，我们提出了一个新的随机块模型（SBM）的社区成员的演化建模。与现有的SBM不同，所提出的模型允许每个社区以不同的速度发展。这个新的模型被用来推导出一个最大后验估计社区检测，它可以被写为一个受约束的谱聚类问题。特别地，每个社区的转移概率在每个时间点修改图邻接矩阵。该公式提供了动态网络的统计网络推理和谱聚类之间的关系。所提出的方法进行评估模拟和真实的动态网络。
2019-11-04 cs.SI physics.soc-ph
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
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
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
A divisive spectral method for network community detection
社区发现是复杂网络分析中的一个基本问题。它受到了极大的关注，在过去的十年中提出了许多社区发现方法。本文提出了一种区分谱方法来识别网络中的社团结构，该方法首先利用稀疏化操作对网络进行预处理，然后利用重复二分谱算法对网络进行社团划分.稀疏化操作使得社团边界更加清晰、尖锐，从而使得重复谱平分算法能够从稀疏化后的网络中准确地提取出高质量的社团结构。实验结果表明，网络稀疏化与谱平分算法的结合是非常成功的，该方法在检测网络社团结构方面比其他方法更有效。
2015-07-13 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 algorithm evaluation with ground-truth data
社区结构对于理解复杂网络至关重要。因此，为了开发有效的社区发现算法，存在巨大的努力。不幸的是，公平评估这些算法的问题是一个蓬勃发展的开放问题。如果真值社区结构可用，则使用各种基于聚类的度量，以便将其与这些算法发现的度量进行比较。然而，在节点级别定义的这些度量对整个社区结构的变化相当不敏感。为了克服这些限制，我们建议利用的拓扑特征的“社区图”（其中的节点是社区和链接代表他们的相互作用），以评估算法。为了说明我们的方法，我们进行了全面的分析重叠社区发现算法使用一组现实世界的网络与已知的先验社区结构。结果提供了一个更好的感知其相对性能相比，经典的指标。此外，他们表明，更多的重点应该放在社区结构的拓扑结构。我们还研究了社区结构的拓扑性质和替代评价指标（质量指标和聚类指标）之间的关系。显然，他们提出了不同的意见，社区结构，他们必须结合起来，以评估社区发现算法的有效性。
2017-11-26 cs.SI physics.soc-ph
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
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
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
Joint Nonnegative Matrix Factorization for Community Structures Detection in Signed Networks
符号网络中的社团结构检测对于理解符号网络的拓扑结构以及符号网络的功能（如信息扩散、传染病传播等）具有重要意义.本文提出了一种联合非负矩阵分解模型来检测社团结构.此外，我们提出了修改的分区密度来评估社区结构的质量。我们使用它来确定社区的适当数量。我们的方法的有效性证明了基于合成和现实世界的网络。
2018-07-22 cs.SI physics.soc-ph
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
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
RobustECD: Enhancement of Network Structure for Robust Community Detection
社区发现是网络分析中的一个重要环节，它主要研究节点间的相互作用。然而，它也面临着许多挑战，如数据丢失和对抗攻击。如何进一步提高社区发现在现实网络中的性能和鲁棒性，已经引起了人们的极大关注。本文从增强网络结构的角度研究了鲁棒社区发现问题，提出了两种通用算法：一种是基于遗传算法的鲁棒社区发现算法（RobustECD-GA），在适应度函数中结合模块度和聚类数来寻找最优的结构增强方案;另一种是基于相似性集成的鲁棒社区发现（RobustECD-SE），集成了各种顶点相似性捕获的社区结构的多种信息，在大规模网络上具有很好的扩展性。在真实网络上的综合实验表明，与传统的两种增强策略相比，新方法使六种典型的社区发现算法的性能得到了更显著的提高。在相应的对抗网络上的实验表明，新方法还能在一定程度上优化网络结构，对对抗攻击具有较强的鲁棒性。本文的源代码发布在https://github.com/jjzhou012/RobustECD上。
2021-07-01 cs.SI physics.soc-ph
Phase Transitions in Spectral Community Detection of Large Noisy Networks
研究了基于谱聚类的社区发现算法在Erdos-Renyi型随机噪声模型下的灵敏度问题。我们证明了在社区可检测性的相变作为外部边缘连接概率和噪声边缘存在概率的函数下的一般网络模型，其中两个任意连接的社区由随机外部边缘互连。具体地，当社区间边缘连接概率超过某个临界值时，社区发现性能从几乎完美的可检测性转变为低可检测性。我们推导出上界和下界的临界值，并表明，当两个社区具有相同的大小的界限是相同的。使用网络仿真验证了相变结果。使用推导出的相变阈值的表达式，我们提出了一种方法，从观测数据估计这个阈值。
2015-04-10 cs.SI physics.data-an physics.soc-ph
Community Detection via Facility Location
在本文中，我们应用设施选址理论的理论和实际结果的问题，社区检测网络。其结果是一个算法，计算上的局部模块化的最小化变量的界限。我们还定义了边缘支持的概念和一个新的措施的良好的社区结构相对于这个概念。我们目前的初步结果，并指出，我们的方法是大规模并行化。
2007-11-09 physics.data-an physics.soc-ph
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
Local Core Members Aided Community Structure Detection
社交网络中的朋友关系可能很强，也可能很弱。一些研究工作表明，朋友之间的亲密关系会产生良好的社区结构。在此基础上，我们提出了一种基于邻居关系紧密度的社交网络社区结构检测方法。该方法通过计算每个邻居节点对核心节点的引力，判断该节点是否属于社区，最终形成社区发现过程。实验结果表明，该方法能够以较低的计算复杂性有效地挖掘社会结构
2017-10-31 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
Node-centric community detection in multilayer networks with layer-coverage diversification bias
信息网络中以节点为中心的或局部的社区发现问题是指对于具有关于网络拓扑的有限信息的给定输入节点的社区的识别。然而，解决这个问题的现有方法并不适用于复杂网络。在本文中，我们提出了一个新的框架，局部社区发现的多层网络模型的基础上。我们的方法依赖于社区内部连接密度和外部连接密度之间的比例最大化，根据多层相似性为基础的社区关系。我们还定义了一个偏置方案，允许发现当地社区的特点是不同程度的层覆盖多样化。在真实世界的多层网络上进行的实验评估表明了我们的方法的意义。
2017-04-11 cs.SI physics.soc-ph
Modeling Node Exposure for Community Detection in Networks
在社区发现中，数据集经常遭受采样偏差，通常具有高亲和力的节点似乎具有零亲和力。例如，当社交网络的两个仿射用户彼此不接触时，就会发生这种情况。在这种数据上的社区发现则受到将仿射节点视为非仿射节点的影响。为了解决这个问题，我们明确的模型（非）暴露机制的贝叶斯社区发现框架，通过引入一组额外的隐藏变量。与不对暴露进行建模的方法相比，我们的方法能够更好地重建输入图，同时在恢复社区方面保持类似的性能。重要的是，它允许估计两个节点被暴露的概率，这是标准模型无法提供的可能性。
2022-07-06 cs.SI physics.soc-ph
A similarity-based community detection method with multiple prototype representation
社区对于理解社交网络中的图结构具有重要意义。一些现有的社区发现算法使用单个原型来表示每个组。在实际应用中，这可能无法充分模拟不同类型的社区，因此限制了社交网络上的聚类性能。针对这一问题，提出了一种基于相似性的多原型社区发现方法。在SMP中，每个社区中的顶点具有不同的权重来描述它们的代表性程度。这种机制使每个社区能够由多个节点表示。节点的中心性用于计算原型权重，而相似性用于指导我们划分图。计算机生成的和真实世界的网络上的实验结果清楚地表明，SMP执行良好的检测社区。此外，与现有的社区发现模型相比，该方法借助原型权值，能够提供更丰富的社区内部结构信息。
2015-08-25 cs.SI physics.soc-ph
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
Community Detection with the Map Equation and Infomap: Theory and Applications
IceLab, Department of Physics, Umeå University（于默奥大学物理系冰实验室）；Scientific Computing Laboratory, Center for the Study of Complex Systems, Institute of Physics Belgrade, University of Belgrade（贝尔格莱德大学贝尔格莱德物理研究所复杂系统研究中心科学计算实验室）
本文介绍了Map Equation和Infomap方法用于复杂网络社区发现的理论与应用，探讨其灵活性及在不同研究问题中的适用性。
2026-02-04 physics.data-an physics.soc-ph
Accelerating Community Detection by Using K-core Subgraphs
社区检测是昂贵的，并且成本通常至少线性地取决于图中的顶点的数量。我们建议使用一个简化的图，它具有更少的节点，但仍然可以捕获关键的社区结构。图的K-核心是每个节点至少有K个连接的最大子图。我们提出了一个框架，通过应用昂贵的算法（模块化优化，鲁汶方法，谱聚类等）加速社区检测。到K-核心，然后使用廉价的启发式（如本地模块化最大化）来推断剩余节点的社区标签。我们的实验表明，该框架可以减少80%以上的运行时间，同时保持解决方案的质量。最近的理论研究提供了支持使用K-核心作为一个简化的表示。
2014-10-13 cs.SI physics.soc-ph
Modular Networks for Validating Community Detection Algorithms
如何准确比较不同的社区发现算法？这些算法对给定网络中的节点进行集群，并且它们的性能通常在具有显式地面真相社区的基准网络上进行验证。由于现实网络中缺乏聚类标签，因此需要一个生成真实网络的模型来准确评估这些算法。在本文中，我们提出了一个简单，直观，灵活的基准生成器生成本质上模块化的网络社区验证。我们展示了如何生成的网络密切遵守观察到的真实网络的特性，而他们的特性可以直接控制，以匹配广泛的现实世界的网络。我们进一步展示了如何共同的社区发现算法排名不同，当被评估这些基准相比，目前可用的替代品。
2018-01-04 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
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
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
Sparse Nonnegative Matrix Factorization for Multiple Local Community Detection
局部社区发现包括找到一组与种子密切相关的节点，即感兴趣的节点的小集合。这样的节点组是密集连接的，或者与它们到网络中的其他集群的连接相比，具有更高的内部连接概率。现有的局部社区发现方法集中于找到所有种子最可能所在的一个局部社区，或者为每个种子找到单个社区。然而，种子成员通常属于多个局部重叠社区。在这项工作中，我们提出了一种新的方法来检测多个本地社区，其中一个单一的种子成员属于。该方法包括三个关键步骤：（1）使用个性化PageRank（PPR）进行局部采样;（2）使用稀疏非负矩阵分解（SNMF）生成的稀疏度估计采样子图中的社区数量;（3）使用SNMF软社区成员资格向量为社区分配节点。该方法显示出良好的准确性性能和良好的导电性相比，国家的最先进的社区发现方法的实验使用人工和真实世界的网络相结合。
2020-05-08 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
Estimating Network Parameters for Selecting Community Detection Algorithms
研究了社区发现算法的选择问题。社区发现的目的是识别网络中的节点集合，这些节点相对于它们与网络的其余部分的连接性而言是更加互连的。已经开发了大量的算法来解决这个问题，但与任何机器学习任务一样，没有“一刀切”的方法，每个算法都擅长问题空间的特定部分。本文研究了加权网络算法的性能对那些使用未加权网络的问题空间的不同部分（参数化的内部/社区间的链接）。然后，它演示了如何选择算法（加权/不加权）可以只根据观察到的网络。
2010-10-26 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
Using synthetic networks for parameter tuning in community detection
社区发现是网络分析中最重要也是最具挑战性的问题之一。然而，现实世界的网络可能具有非常不同的结构属性和各种性质的社区。因此，很难（甚至不可能）开发一种适用于所有数据集的算法。标准的机器学习工具是考虑参数算法并基于手头的数据集选择其参数。然而，这种方法不适用于社区发现，因为通常没有标记数据可用于这种参数调整。在本文中，我们提出了一个简单而有效的过程，允许调整超参数的任何给定的社区发现算法，而不需要任何标记的数据。其核心思想是生成一个合成网络，其属性与给定的现实世界相似，但具有已知的社区。事实证明，在这种合成图上调整参数也可以提高给定现实世界网络的质量。为了说明所提出的算法的有效性，我们展示了几个著名的参数社区发现算法在各种合成和真实世界的数据集上获得的显着改进。
2019-06-23 cs.SI physics.soc-ph
Community Detection from Location-Tagged Networks
许多真实世界系统或web服务可以被表示为诸如社交网络和运输网络之类的网络。在过去的十年中，已经开发了许多算法来使用节点之间的连接来检测网络中的社区。然而，在现实世界中的许多网络中，节点的位置对社区结构有很大的影响。例如，在社交网络中，在地理上接近的用户之间建立更多的连接。研究文献还没有充分研究地点对社区的影响。在本文中，我们提出了一个社区发现方法，考虑到节点的位置。目标是检测具有地理邻近性和网络紧密性的社区。我们分析了连接和非连接节点之间的距离分布，以衡量位置对两个真实的位置标记的社交网络的网络结构的影响。我们提出了一种方法来确定是否基于位置的社区发现方法是适合于一个给定的网络。我们提出了一种新的社区发现算法，将位置信息推到社区发现。我们测试我们提出的方法在合成数据和现实世界的网络数据集。实验结果表明，与传统方法相比，该方法检测出的社区分布范围更小，网络连接紧密度相近或更高。
2015-01-19 cs.SI physics.soc-ph
Debiasing Community Detection: The Importance of Lowly-Connected Nodes
社区发现是社会网络分析中的一项重要任务，它使我们能够识别和理解社会结构中的社区。然而，许多社区发现方法或者未能将低度（或低连接）用户分配到社区，或者将他们分配到微不足道的小社区，从而阻止他们被包括在分析中。在这项工作中，我们研究如何排除这些用户可以偏见的分析结果。然后，我们引入了一种方法，通过将低连接用户纳入更大的群体，对他们更具包容性。实验表明，我们的方法优于现有的国家的最先进的F1和Jaccard相似性分数，同时减少对低程度的用户的偏见。
2019-03-19 cs.SI physics.soc-ph
Size Matters: A Comparative Analysis of Community Detection Algorithms
了解社交媒体的社区结构是至关重要的，因为它的广泛应用，如朋友推荐，用户建模和内容个性化。现有的研究使用结构性指标，如模块化和电导和功能性指标，如地面真理来衡量各种社区发现算法发现的社区的质量，而忽略了一个自然和重要的维度，社区规模。最近，人类学家邓巴建议，社交媒体中稳定社区的规模应该限制在150人以内，称为邓巴数。在这项研究中，我们提出了一个系统的方法，算法比较正交整合社区规模作为一个新的维度到现有的结构性指标，一致和全面地评估社会媒体环境中的社区质量。我们设计了一个启发式的基于团的算法，它控制的大小和重叠的社区可调参数，并评估它与五个国家的最先进的社区发现算法在Twitter网络和DBLP网络。具体来说，我们将发现的社区根据它们的大小分为四类，称为亲密朋友，普通朋友，熟人，只是一张脸，然后计算覆盖率，模块化，三角参与率，传导性，传递性和社区的内部密度在每个类。我们发现，在不同的类社区表现出不同的结构质量和许多现有的社区发现算法往往输出非常大的社区。
2017-12-03 cs.SI 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
