Graph energy as a measure of community detectability in networks
Frankfurt School of Finance and Management(法兰克福金融管理学院);University of Florida(佛罗里达大学);University of California, Los Angeles(加州大学洛杉矶分校);Santa Fe Institute(圣塔菲研究所);Indiana University(印第安纳大学)
本文通过图能量差异研究网络中社区的可检测性阈值,揭示标准图矩阵仍能区分可检测与不可检测社区。
2026-01-08 cond-mat.stat-mech cs.SI math.PR
Universal Phase Transition in Community Detectability under a Stochastic Block Model
我们证明了谱模块化方法中社区可检测性的渐近相变阈值的存在性[M。E. J.Newman,Phys.Rev.E74,036104(2006)和Proc.National Academy of Sciences. 103,8577(2006)]中的随机块模型。随着社区间边缘连接概率$p$的增长,社区可检测性发生相变。该相变将小$p$的次临界状态(其中基于模块的社区检测成功地识别社区)与大$p$的超临界状态(其中成功的社区发现是不可能的)分开。我们发现,随着社区规模变大,渐近相变阈值$p^*$等于$\sqrt{p_1\cdot p_2}$,其中$p_i~(i=1,2)$是社区内边缘连接概率。因此,相变阈值是普遍的,在这个意义上,它不依赖于社区大小的比例。通过对中等规模社区的模拟,验证了普遍的相变现象。使用推导出的相变阈值的表达式,我们提出了一个经验的方法来估计这个阈值从现实世界的数据。
2015-06-17 cs.SI physics.soc-ph
Detectability thresholds and optimal algorithms for community structure in dynamic networks
University of Colorado(科罗拉多大学);Santa Fe Institute(圣塔菲研究所);BioFrontiers Institute, University of Colorado(科罗拉多大学生物前沿研究所)
我们研究了在动态网络中学习潜在社区结构的基本限制。具体来说,我们研究动态随机块模型,节点随着时间的推移改变他们的社区成员,但在每个时间步独立生成的边缘。在这种情况下(这是一个特殊的情况下,现有的几个模型),我们能够准确地得出检测阈值,作为变化率和社区的强度的函数。低于这个阈值,我们声称没有算法可以比机会更好地识别社区。然后,我们给出了两个算法是最优的,在这个意义上,他们成功的所有方式下降到这个限制。第一个使用的信念传播(BP),它给出了渐近最佳的精度,第二个是一个快速的谱聚类算法,线性化的BP方程的基础上。我们通过数值模拟验证了我们的分析和算法结果,并结束了简短的讨论扩展和开放的问题。
2015-06-19 cond-mat.dis-nn cs.LG cs.SI
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
Modeling and Detecting Communities in Node Attributed Networks
社区作为现实网络中的一种基本结构,除了图的拓扑结构外,还可以通过丰富的节点属性来反映。在属性社区发现中,概率生成模型(PGMs)由于其原则性的特征描述和竞争性的性能而成为主流方法。在这里,我们提出了一种新的PGM不施加任何分布假设的属性,这是优于现有的PGM,需要属性是分类或高斯分布。该模型基于图结构的块模型,通过描述属性对节点流行度的影响来引入属性。为了定量地描述这种影响,我们分析了我们模型的社区可检测性,然后建立了节点流行度项的要求。这为选择和求解属性社区发现模型中的关键模型选择问题提供了一种新的解决方案。在模型确定的基础上,提出了一种有效的参数估计算法和群落推断算法。从两个方面对所提出的方法进行了验证。首先,我们的算法的有效性从理论上保证了可检测性条件。第二,大量的实验表明,我们的方法不仅优于竞争的方法在所采用的数据集,但也显示出更好的适用性,以各种节点属性的网络。
2022-05-30 cs.SI physics.soc-ph
Spatial correlations in attribute communities
社区发现是探索和分类大型复杂网络特性的重要工具,对空间网络有很大的帮助。事实上,除了它们的位置之外,空间网络中的节点还可以具有诸如个人语言或我们希望在社区中识别的任何其他社会经济特征等属性。在本文中,我们讨论了一个重要的方面,这是没有考虑在以前的研究,这是可能存在的空间和属性之间的相关性。引入一个简单的玩具模型,其中空间和节点属性都被认为是,我们讨论了空间属性的相关性的各种社区检测方法的结果,提出了空间网络在本文和以前的研究。当空间无关时,我们的模型等价于随机块模型,该模型已被证明显示可检测性-不可检测性转变。在空间主导链接形成过程的制度中,大多数方法都无法恢复社区,当空间属性相关性很强时,这种效果特别明显。在后一种情况下,移除网络的空间分量的社区检测方法可能会错过社区结构的很大一部分,并可能导致不正确的结果。
2012-05-31 cs.SI physics.soc-ph
Model of communities isolation at hierarchical modular networks
本文将社区隔离模型扩展至层次模块化网络,揭示阻塞节点数的幂律增长及首个孤立簇出现时间的单峰非高斯分布,且解析结果与模拟一致。
2011-06-02 cs.SI physics.soc-ph
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
A paradox in community detection
最近的研究表明,几乎所有旨在识别网络中社区的算法都受到相同的主要限制的影响:如果内部和外部节点度之间的差异的平均值不超过严格的正值,则不可能检测到社区,即使这些社区是明确定义的,在文献中称为可检测性阈值。在这里,我们反直觉地表明,这个阈值的值是成反比的社区的内在质量:明确定义的模块的检测,因此比定义不明确的社区的识别更困难。
2014-05-06 cs.SI physics.soc-ph
Message-Passing on Hypergraphs: Detectability, Phase Transitions and Higher-Order Information
该研究针对超图社区检测缺乏可检测性极限理论分析的问题,推导闭式界并提出高效消息传递算法与精确采样方法,揭示结构属性对检测的影响,拓展了相关理论认知并提供了研究高阶相互作用系统的工具。
2024-04-24 cs.IT cs.SI math.IT
Communities and Hierarchical Structures in Dynamic Social Networks: Analysis and Visualization
社交网络中社团结构的检测是社会学和行为科学领域的研究热点。社交网络也表现出动态的性质,因为这些网络随着时间的推移而不断变化。社交网络也可能呈现由在社会中扮演重要角色的个人(如管理者和决策者)领导的层级结构。这些网络的检测和可视化随着时间的推移而变化是一个具有挑战性的问题,社区的变化作为一个功能的事件发生在社会和人在其中发挥的作用,在本文中,我们解决这些问题,提出了一个系统来分析动态社交网络。该系统是基于动态图离散化和图聚类。该系统允许检测随着时间的推移在社会社区中发生的主要结构变化,并通过识别社交网络中有影响力的人来揭示等级。我们使用两个不同的数据集进行实证评估,并观察到我们的系统有助于发现有关这些社交网络中存在的社交和分层结构的有趣事实。
2014-09-17 cs.SI physics.soc-ph
Detecting hierarchical and overlapping network communities using locally optimal modularity changes
凝聚聚类是一种确定网络社区的成熟策略。社区逐渐合并为更大的社区,使行为者网络粗化为更易于管理的社区网络。合并发生的顺序一般不清楚,因此需要选择要合并的社区对。我们描述了一个层次聚类算法的基础上的局部最优属性。对于网络中的每个边缘,我们将模块化变化与其链接的社区合并相关联。对于每一个社区顶点,我们称之为首选的边缘的模块化变化是最大的。当一条边被它所链接的两个顶点所偏好时,从局部观点来看,它似乎是最佳选择。我们使用局部最优边缘来定义算法:同时合并由局部最优边缘连接的所有社区对,这将增加模块化,在每一步之后重新确定局部最优边缘,并继续只要模块化可以进一步增加。我们将该算法应用于模型和经验网络,证明它可以有效地产生高质量的社区解决方案。我们将性能和实现细节与由此产生的社区层次结构相关联。我们还考虑了一个互补的局部聚类算法,描述了如何识别重叠社区的局部最优条件的基础上。
2013-09-04 cond-mat.dis-nn cs.SI physics.soc-ph
Reinventing the Triangles: Rule of Thumb for Assessing Detectability
网络聚类的统计意义一直是一个悬而未决的问题,因为它被观察到,社区发现算法产生误报,即使在随机图。在发现了不可检测和可检测的簇结构之间的相变之后,显示了邻接矩阵的谱与可检测性极限之间的联系,并且针对具有任意度分布和社区结构的广泛网络计算了两者。在实践中,并不知道整个本征谱,也不容易确定某个网络是否有任何社区处于可探测性范围内。基于全局聚类系数,我们构建了一个标准,告诉是否在一个无向的,未加权的网络有一些/没有可检测的社区结构,或者如果网络是在一个瞬态政权。该方法比涉及自举的方法简单且快速。
2015-11-03 cs.IR cs.SI physics.soc-ph
Scalable detection of statistically significant communities and hierarchies, using message-passing for modularity
模块化是衡量社区结构的一个常用指标。然而,最大化模块性可能会导致许多具有几乎相同模块性的竞争分区,这些分区彼此之间的相关性很差。它还可以在不存在的随机图中产生虚幻的“社区”。我们解决这个问题,通过使用的模块化作为一个哈密顿量在有限的温度,并使用一个有效的信念传播算法,以获得共识的许多分区具有高模块化,而不是寻找一个单一的分区,最大化it.We分析和数值计算表明,该算法的工作一直到可检测性过渡的随机块模型所产生的网络。它在现实世界的网络中也表现良好,揭示了一些网络中的大型社区,而以前的工作声称不存在社区。最后,我们表明,通过递归地应用我们的算法,细分社区,直到没有显著的子社区可以找到,我们可以更有效地检测在现实世界中的网络层次结构比以前的方法。
2014-12-27 cond-mat.stat-mech cs.SI physics.soc-ph
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
A new hierarchical clustering algorithm to identify non-overlapping like-minded communities
如果网络中的节点可以被划分成不相交的集合,使得集合中的每个节点与集合内的其他节点紧密连接,与集合外的节点稀疏连接,则网络具有非重叠社区结构。有许多指标可以验证这种结构的有效性,如聚类系数,介数,中心性,模块性和相似性。已经提出了许多方法来优化这些指标中的一些,但没有一个在最近引入的度量相似性上效果很好。为了解决这个问题,我们提出了一种基于行为属性的算法来识别优化志同道合度量的社区,并将其性能与其他基于行为数据的方法以及仅依赖于结构数据的社区发现方法进行比较。我们在Filmtipset和Twitter的真实数据集上执行这些算法,并表明我们的算法在志同道合度量方面比现有算法表现得更好。
2016-02-24 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
Community Detection with Node Attributes and its Generalization
社区发现算法是理解社交网络中组织原则的基本工具。随着社交媒体平台的日益强大,当检测社区时,存在可以用途:社交网络的结构和节点属性的两个可能的信息源。然而,在社区发现的研究中,社交网络的结构和节点属性往往被分开解释。当这两个来源同时解释,一个共同的假设共享以前的研究是,节点属性与社区。本文提出了一种模型,该模型能够将拓扑信息和节点属性信息相结合,而无需假设相关性。该模型在节点属性与社区不相关的情况下,仍能以较高的精度恢复社区。我们推导出该模型的可检测性阈值,并使用置信传播(BP)进行推理。该算法是最佳的,因为它可以恢复社区的所有方式下降到阈值。这种新模型也有可能处理边缘内容和动态设置。
2016-04-12 cs.SI physics.soc-ph stat.ML
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
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
Super-resolution community detection for layer-aggregated multilayer networks
应用网络科学通常涉及在应用网络分析方法之前对网络数据进行预处理,这些步骤之间通常存在理论上的脱节。例如,在分析之前将时变网络数据聚合到窗口中是常见的,并且这种预处理的权衡还没有得到很好的理解。针对多层网络中小社区的检测问题,我们通过建立随机矩阵理论来研究层聚集的影响,该理论适用于具有$N$节点和$L$层的层聚集网络的模块度矩阵,这些层聚集网络来自Erdens-Rényi网络的集合.我们研究相变,其中特征向量本地化到社区(允许他们的检测),并发生在一个给定的社区提供其大小超过了可检测性限制$K^*$。当通过求和聚合层时,我们获得$K^*\varpropto \mathcal{O}(\sqrt{NL}/T)$,其中$T$是社区持续存在的层数。有趣的是,如果允许$T$随$L$而变化,则基于求和的层聚合增强了小社区发现,即使社区在层的消失部分上持续存在,只要$T/L$比$ \mathcal{O}(L^{-1/2})$衰减得更慢。此外,我们发现,在某些情况下,阈值的总和可以导致$K^*$指数衰减,减少了数量级的现象,我们称之为超分辨率社区发现。也就是说,具有阈值的层聚合是一种非线性数据过滤器,能够检测否则太小而无法检测的社区。重要的是,不同的阈值通常增强具有不同属性的社区的可检测性,这说明如果使用单个阈值分析网络数据,则社区发现可能被模糊。
2017-07-13 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
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
Kaleidoscopic reorganization of network communities across different scales
本研究揭示网络社区随尺度变化呈现分裂与合并并存的重组现象,通过数学论证、真实网络分析和简单模型,指出需转变研究范式以理解其真实结构。
2025-01-21 cond-mat.stat-mech cs.SI physics.soc-ph
Information dynamics algorithm for detecting communities in networks
社区检测的问题与许多科学学科有关,从社会科学到统计物理学。考虑到社区检测在许多领域(如心理学和社会科学)的影响,我们已经解决了通过结合领域应用领域的元素(即领域启发)来修改现有性能良好的算法的问题。我们集中在心理学和社会网络启发的方法,这可能是有用的,进一步加强社会网络研究和数学之间的联系,社区检测。在这里,我们介绍了一个社区检测算法来自范东根的马尔可夫聚类算法(MCL)的方法,通过考虑网络的节点作为代理能够作出决定。在这个框架中,我们引入了一个记忆因子来模仿一个典型的人类行为,如遗忘效应。该方法是基于信息扩散,它包括一个非线性处理阶段。我们测试我们的方法在两个经典的社区基准和计算机生成的网络与已知的社区结构。我们的方法有三个重要的特点:检测重叠社区的能力,从个人的角度来看,识别社区的能力和微调社区的可检测性方面的先验知识的数据。最后讨论了如何利用Shannon熵测度进行复杂网络的参数估计。
2011-12-06 cs.SI 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
Community detection in networks with unequal groups
最近,在网络社区发现问题中发现了一个相变,在该相变下,没有算法能够比随机猜测更好地区分哪些节点属于哪些社区。然而,这个结果到目前为止仅限于社区具有相同大小或相同平均度的情况。在这里,我们考虑的情况下,大小或平均程度是不同的。这种不对称性使我们能够通过检查社区的局部邻域,将节点分配给比随机成功更好的社区。使用腔的方法,我们表明,这完全消除了可检测性过渡的网络与四组或更少,而超过四组的过渡持续到一个临界量的不对称性,但不超过。在后一种情况下,临界点与局部信息的扩散点重合,导致从较不准确的解到更准确的解的全局过渡。
2015-09-10 cs.SI physics.soc-ph
Multilayer Modularity Belief Propagation To Assess Detectability Of Community Structure
基于模块化的社区发现包括许多广泛使用的、有效的网络结构识别算法。最近,一种用于模块化优化的置信传播方法为识别单层网络中的非平凡结构提供了有用的指导,这是其他优化算法所没有的。在本文中,我们扩展模块化的信念传播多层网络。作为该开发的一部分,我们还直接引入了分辨率参数。我们表明,调整分辨率参数影响算法的收敛性能,并产生不同的社区结构比基线。我们比较我们的方法与广泛使用的社区发现工具,GenLouvain,在一系列的合成,多层基准网络,证明我们的方法执行的最先进的状态。最后,我们证明了我们的工具提供的额外信息的实际优势,通过两个现实世界的网络例子。我们展示了该算法的收敛特性如何可以用于选择适当的分辨率和耦合参数,以及节点级边缘如何为所确定的社区的附着强度提供解释。为了方便使用,我们将我们的工具作为Python包发布。
2020-07-03 cs.SI physics.data-an physics.soc-ph
Finding compact communities in large graphs
本文提出了一种有效的层次聚类算法,解决了核心社区发现的问题。它是标准社区发现问题的一个变体,我们对社区的连接核心特别感兴趣。为了解决这个问题,我们对社区的标准定义提出了质疑,并提供了替代方案。我们还提出了一个功能称为紧凑性,旨在评估质量的解决方案,这个问题。我们的算法是基于图遍历算法,LexDFS。我们的方法的时间复杂度是在$O(n\times log(n))$。实验表明,我们的算法创建高度紧凑的集群。
2015-08-31 cs.SI physics.soc-ph
Hyperlink communities in higher-order networks
本文将链接社区扩展为超图中的超链接社区,通过超边层次聚类揭示高阶网络的层次与多尺度结构,并支持节点重叠归属及结构角色分类。
2024-02-19 cs.SI physics.soc-ph stat.ME
HiGen: Hierarchical Graph Generative Networks
HiGen提出了一种分层图生成网络,通过模块化方法生成大规模复杂图,并在多个基准数据集上实现了图质量的最先进性能。
2025-12-30 cs.LG cs.SI
GraphC: Parameter-free Hierarchical Clustering of Signed Graph Networks v2
针对谱聚类方法在大规模带符号图中性能下降的问题,提出无参数可扩展层次聚类算法GraphC,在14个数据集上对比10种基线算法平均累计提升18.64%,可处理数千万顶点边的Amazon数据集。
2025-01-14 cs.SI
Hierarchical Overlapping Belief Estimation by Structured Matrix Factorization
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
许多关于社交媒体意见极化的工作都集中在对来自媒体痕迹的不同社区的立场(或正交信仰)进行扁平分类。我们在这项工作中扩展了两个重要方面。首先,我们不仅发现社区之间的分歧点,而且还发现协议点。换句话说,我们在存在重叠的情况下估计社区信仰。第二,代替平面分类,我们考虑分层的信念估计,社区可能是分层划分。例如,两个对立的政党可能在核心问题上存在分歧,但在一个政党内部,尽管在基本问题上达成了一致,但在进一步的细节上可能会出现分歧。我们称由此产生的组合问题的层次重叠的信念估计问题。为了解决这个问题,本文提出了一类新的无监督非负矩阵分解算法,我们称之为信念结构矩阵分解算法。我们提出的无监督算法捕获了潜在的信念交叉点和相异点,以及层次结构。我们讨论了该算法的性能,并在合成和真实世界的数据集上进行了评估。在合成数据集中,我们的模型将误差降低了40%。在真实的Twitter跟踪中,它将准确率提高了约10%。该模型在健全性检查中也达到了96.08%的自一致性。
2022-09-19 cs.AI cs.SI
Network community detection via neural embeddings
该研究揭示了浅层线性神经网络node2vec的社区检测能力源于其嵌入与对称归一化拉普拉斯谱嵌入的等价性,证实其在稀疏图及度异质网络中可达到信息论检测极限,阐明了图神经网络的社区分离机制。
2024-11-01 cs.SI physics.soc-ph
CommunityFish: A Poisson-based Document Scaling With Hierarchical Clustering
Universität Hamburg(汉堡大学)
本文提出CommunityFish,一种基于层次聚类(Louvain算法)的Wordfish增强版本,通过生成语义社区作为输入,提升文档缩放的可解释性与速度,并在美国国情咨文和德国政党宣言语料上优于经典模型。
2023-08-28 cs.CL cs.LG cs.SI
Spectral Multi-scale Community Detection in Temporal Networks with an Application
Imperial College London(帝国理工学院);King’s College London(伦敦国王学院)
时间网络的分析在技术进步的世界中具有广泛的应用领域。时序网络分析的一个重要方面是发现社区结构。真实的数据网络通常非常大,并且观察到社区具有称为多尺度社区的层次结构。随着时间的推移,群落结构的变化可能发生在群落结构的一个尺度上,也可能发生在所有尺度上。介绍的模块化最大化(MM)方法的多层配方捕捉不断变化的多尺度的时间网络的社区结构。该方法通过允许层间连接来引入相邻时间层中的社区之间的耦合,而分辨率参数的不同值使得能够检测多尺度社区。但是,必须手动选择此参数值的范围。在处理真实生活数据时,如果没有选择适当的参数范围,一个或多个尺度上的社区可能会被发现。一种新的时间多尺度社区检测方法(TMSCD)克服了上述障碍。这是通过使用表示为多层网络的时间网络的频谱特性来实现的。在这个框架中,我们自动选择的范围内寻求多尺度社区分区的相关尺度。
2019-01-29 cs.LG cs.SI physics.soc-ph
Communities as Well Separated Subgraphs With Cohesive Cores: Identification of Core-Periphery Structures in Link Communities
网络中的社区通常被认为是高度内聚的子图,它们与网络的其他部分很好地分离。然而,内聚和分离往往不能同时最大化,这就是为什么一些方法寻求折衷的原因。当折衷方案不适合于要解决的问题时,将这两个标准分开可能是有利的。在本文中,我们探索这样一种方法,定义社区以及分离的子图,可以有一个或多个凝聚力的核心周围的外围。我们将这一思想应用于链接社区,并提出了一个算法,用于构建层次化的核心-外围结构的链接社区和第一个测试结果。
2018-10-24 cs.DL cs.SI physics.soc-ph
Maintaining Leiden Communities in Large Dynamic Graphs
ByteDance Inc.(字节跳动)
针对现有动态 Leiden 算法在频繁更新下效率低的问题,提出 HIT-Leiden 算法,通过维护连通分量和层次社区结构减少受影响顶点范围,实现高达五个数量级的加速。
2026-06-18 cs.DB cs.GR 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
Detecting Cohesive and 2-mode Communities in Directed and Undirected Networks
网络是表示对象之间关系信息的通用语言。对网络进行建模、推理和总结的一种有效方法是发现具有共同连接模式的节点集。这样的集合通常被称为网络社区。网络社区发现的研究主要集中在无向网络中密集连接节点的社区识别。在本文中,我们开发了一种新的重叠社区发现的方法,可扩展到数以百万计的节点和边缘的网络,并沿两个维度推进研究:社区的连接结构,并使用边缘定向社区发现。首先,我们扩展了传统的网络社区的定义,通过观察节点可以以两种不同的方式紧密相连:在有凝聚力的社区中,节点相互链接,而在2模式社区中,节点以二分的方式链接,其中链接在两个分区之间占主导地位,而不是在它们内部。我们的方法成功地检测2模式以及凝聚力的社区,也可能重叠或分层嵌套。第二,虽然大多数现有的社区发现方法对待有向边缘,好像他们是无向的,我们的方法占边缘方向,并能够识别新的和有意义的社区结构,在有向和无向网络,使用数据从社会,生物和生态领域。
2014-01-29 cs.SI physics.soc-ph
A Spectral Framework for Tracking Communities in Evolving Networks
University of Cambridge(剑桥大学);University of Michigan(密歇根大学)
本研究提出一种基于格拉斯曼流形子空间追踪的谱框架,将静态谱社区检测方法推广到时变网络场景,通过块黎曼优化方案实现,在多种类型的合成与真实时序网络中均大幅提升了动态社区检测性能。
2024-12-10 cs.LG cs.SI stat.ML
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
Hierarchical community structure in networks
RWTH Aachen University(亚琛工业大学);Maastricht University(马斯特里赫特大学)
本文针对网络中层次社区结构缺乏严格理论的问题,基于随机外部公平划分和随机块模型定义层次结构,并通过谱分析提出一种高效且有原则的层次检测方法。
2023-04-25 cs.LG cs.SI
Power-law relations in random networks with communities
大多数随机图模型都是局部树状的-不包含短循环-使其不适合建模具有社区结构的网络。我们介绍了分层配置模型(HCM),一个概括的配置模型,包括社区结构,而属性,如巨大的组件的大小,和键渗流下的巨大膨胀集群的大小仍然可以推导出解析。将现实世界的网络视为HCM的实现,我们观察到两个以前未观察到的幂律关系:社区内部的边缘数量与社区大小之间的关系,以及社区外部的边缘数量与社区大小之间的关系。我们还将度分布的幂律指数$τ$与群落大小分布的幂律指数$γ$联系起来。在极其密集的社区的特殊情况下(例如,完全图),该关系采用简单形式$τ=γ-1$。
2016-04-04 cs.SI physics.soc-ph
Versatility of nodal affiliation to communities
网络社区结构的图论分析试图识别每个节点所属的社区(或模块)。然而,在大多数情况下,这是一个不适定的问题,因为一个节点到一个社区的从属关系往往是模糊的。以前的解决方案试图识别每个节点所属的所有社区。我们没有采用这种方法,而是引入了多功能性$V$作为节点隶属关系的新指标:$V \sim 0$意味着节点被一致地分配给特定社区; $V \gg 0$意味着它被不一致地分配给不同的社区。多功能性与现有的社区检测算法结合使用,它满足了理想化网络中许多理论上理想的属性,这些理想化网络旨在最大限度地提高模块分解的模糊性。全局平均通用性的局部最小值确定了分层社区检测算法的分辨率参数,该算法最不含糊地分解了社交(空手道俱乐部)网络和小鼠大脑连接体的社区结构。我们的研究结果表明,节点的多功能性是有用的量化模块化分解的固有的模糊性。
2017-01-03 cs.SI physics.soc-ph q-bio.QM
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
Unfolding communities in large complex networks: Combining defensive and offensive label propagation for core extraction
标签传播已被证明是一种快速的方法来检测大型复杂网络中的社区。最近的发展也提高了方法的准确性,但是,一个通用的算法仍然是一个悬而未决的问题。我们提出了一种先进的标签传播算法,结合了两个独特的战略,即社区的防御性保护和进攻性扩张的社区形成。两种策略相结合,在一个层次的方式,递归地提取网络的核心,并确定晶须社区。该算法进行了评估的两类基准网络种植分区和近25个现实世界的网络,从网络与几十个节点的网络与几千万的边缘。它被证明是目前国家的最先进的社区检测算法和优于所有以前的标签传播算法,具有可比的时间复杂度。特别地,对真实世界网络的分析已经证明,该算法具有几乎线性的复杂度$\mathcal{O}(m^{1.19})$,并且比基本标签传播算法($m$是网络中的边的数量)具有更好的扩展性。
2011-03-14 cs.SI physics.data-an physics.soc-ph
Automatic detection of multilevel communities: scalable and resolution-limit-free
社团结构是复杂网络的重要特征之一。基于模块的社区检测方法通常依赖于启发式算法来优化特定的社区质量函数。这种方法受到两个主要缺陷的限制:(1)分辨率限制问题,它禁止同时检测不同大小的社区,以及(2)启发式算法的发散输出,这使得难以区分相关和不相关的结果。本文提出了一种改进的基于可扩展社区适应度函数的社区发现方法。“我们引入了一个新的参数来增强其可扩展性,以及一个严格的策略来过滤输出。由于可扩展性,一方面,我们的方法是免费的分辨率限制的问题,并在大型异构网络上表现出色,而另一方面,它是能够检测更多的社区比以前的方法在深层次的网络。此外,我们的严格策略会自动删除冗余和不相关的结果,而无需任何人工选择。因此,我们的方法只输出稳定和独特的社区,这些社区在很大程度上可以通过关于网络的先验知识来解释,包括合成网络中的植入结构或真实网络的元数据。
2022-09-01 cs.SI physics.soc-ph
Unfolding network communities by combining defensive and offensive label propagation
标签传播已被证明是一种快速的方法来检测复杂网络中的社区。最近的工作也提高了基本算法的精度和稳定性,但是,一个通用的方法仍然是一个悬而未决的问题。我们提出了不同的标签传播算法,传达两个独特的策略,即社区的防御性保护和进攻性扩张。此外,这些策略结合在一个先进的标签传播算法,保留了这两种方法的优点,并加强了分层社区提取,突出用于大型网络。所提出的算法在不同的基准网络与种植分区和超过30个不同类型和大小的真实世界的网络进行了经验评估。结果证实了充分的命题,并为未来的(大型)复杂网络的分析提供了有前途的理由。然而,这项工作的主要贡献是表明,不同类型的网络(具有不同的拓扑性质)有利于不同的社区形成策略。
2011-03-14 cs.SI physics.data-an physics.soc-ph
Complex Networks, Communities and Clustering: A survey
本文是对复杂网络社区和聚类文献的广泛调查。复杂网络描述了自然界和社会中广泛存在的各种系统,特别是由大量高度互联的动态实体组成的系统。像真实网络一样,复杂网络也可以有社区结构。复杂网络中社团的发现和识别有多种方法和算法。一些复杂网络具有聚类性或网络传递性。复杂网络领域的一些重要概念是小世界和规模鲁棒性,度分布,聚类,网络相关性,随机图模型,网络增长模型,网络动力学过程等。当前复杂网络社区的一些研究领域是社区演化,重叠社区,有向网络社区,社区表征和解释,为通过聚类进行网络社区发现而提出的许多算法或方法是基于最小割的算法、基于分层连通性的算法、原始GirvanNewman算法、模块化最大化的概念、利用来自信息和编码理论的度量的算法以及基于团的算法的修改版本或从这些概念中得到启发。
2015-03-21 cs.SI
Community detection in multiplex networks using locally adaptive random walks
多重网络是一种特殊类型的多层网络,越来越多地应用于从社交媒体分析到生物学的许多领域。在这些应用程序中的一个共同的任务涉及社区结构的检测。许多现有的多路复用中的社区发现算法试图检测由所有层共享的社区。在这篇文章中,我们提出了一个社区发现算法,LART(局部自适应随机转换),用于检测社区共享的一些或所有层的复用。该算法是基于一个随机游走的多重,和定义的随机游走的转移概率被允许依赖于在任何给定的节点,以促进社区的探索层之间的局部拓扑相似性。基于这种随机游走,推导出节点相异性度量,并基于该距离以分层方式对节点进行聚类。我们目前的实验结果,使用网络模拟在各种情况下,展示LART的性能相比,相关的社区发现算法。
2015-07-20 cs.SI physics.soc-ph stat.ML
The interplay between ranking and communities in networks
社区发现和层次提取通常被认为是网络上独立的推理任务。在研究真实世界的数据时,只考虑两者之一可能过于简单化。在这项工作中,我们提出了一个生成模型的基础上社区和层次结构之间的相互作用。它假设每个节点在交互机制中有一个偏好,具有相同偏好的节点更有可能进行交互,而异构交互仍然是允许的。利用网络的稀疏性来实现更有效的算法。我们证明了我们的方法在合成和真实世界的数据和性能比较与两个标准的方法社区发现和排名提取。我们发现,该算法准确地检索整体节点的偏好在不同的情况下,我们表明,它可以区分小的子集的节点的行为不同于大多数。因此,该模型可以识别网络是否具有总体偏好的交互机制。这在没有关于什么结构可以很好地解释所观察到的网络数据集的明确“先验”信息的情况下是相关的。我们的模型允许从业者从数据中自动学习这一点。
2022-05-13 cs.SI physics.data-an physics.soc-ph
Multiple dynamical time-scales in networks with hierarchically nested modular organization
许多自然和工程复杂网络具有复杂的介观组织,例如,将组成节点聚集成若干社区或模块。通常,这种模块化表现在几个不同的层次结构中,在一个层次上定义的集群在下一个更高的层次上表现为基本实体。使用一个简单的模型的层次模块化网络,我们表明,这样的拓扑结构引起的特征的时间尺度之间的分离发生在不同层次的动态。这推广了我们早期的简单模块化网络的结果,其中快速模块内和缓慢模块间的过程被清楚地区分开来。调查的过程中的振荡器的同步分层模块化网络,我们表明存在尽可能多的不同的时间尺度,因为有系统中的层次。这表明这种介观组织原理在自然系统中可能发挥的功能作用,即,在不同的空间尺度上发生的事件的动态分离。
2011-10-13 cs.SI physics.bio-ph physics.soc-ph
Multi-resolution community detection in massive networks
为了提高复杂网络中社区发现的效率和准确性,提出了一种新的社区发现算法,该算法通过比较子网络内部和外部的凝聚度来发现社区。在我们的方法中,相似的节点首先聚集成元社区,然后决定保留或合并,通过多级标签传播过程,直到他们都满足我们的社区标准。我们的算法既不需要社区的先验信息,也不需要优化任何目标函数。在合成网络和真实网络上的实验结果表明,与其他几种流行的算法相比,我们的算法性能相当好,运行速度非常快。通过调整分辨率参数,我们还可以观察不同尺度的社区,因此这可以揭示网络的层次结构。为了进一步探索该方法的有效性,我们将其应用于大肠杆菌转录调控网络,发现所有识别的模块都具有很强的结构和功能一致性。
2016-12-17 cs.SI physics.soc-ph