Community Discovery in Dynamic Networks: a Survey
为模拟现实世界现象而构建的网络具有一些吸引科学界关注的特性:(i)它们是根据社区结构组织的;(ii)它们的结构随时间而演变。许多研究人员致力于研究可以有效揭示复杂网络中的子结构的方法,从而诞生了社区发现领域。最近,一个新的和具有挑战性的问题开始引起研究人员的兴趣:不断发展的社区的识别。为了模拟系统的演化,可以使用动态网络:节点和边缘是可变的,它们的存在或缺失会深刻影响组成它们的社区结构。本调查的目的是提出动态社区发现的独特特征和挑战,并提出了一个分类的方法。作为一个“用户手册“,这项工作组织成一个分类的基础上,他们的基本原理,他们的具体实例化的最先进的方法。鉴于网络动态、社区特征和分析需求的理想定义,这项调查将支持研究人员确定最适合其需求的一套方法。拟议的分类还可以帮助研究人员选择未来研究的方向。
2019-09-03 cs.SI physics.soc-ph
On Accuracy of Community Structure Discovery Algorithms
复杂网络中的社区结构发现是一个非常具有挑战性的问题,它涉及到生物学、社会网络和物理学等多个学科。从各种方法中出现了许多算法已经提出来解决这个问题。然而,很少有人关注比较他们的效率在现实的模拟数据。为了更好地了解它们的相对性能,我们系统地评估了涵盖主要方法的11种算法。标准化互信息(NMI)度量用于评估从具有真实拓扑特性的受控人工网络中发现的社区结构的质量。结果表明,随着网络规模,社区内的平均比例社区间的链接是最有影响力的性能参数。总体而言,“Infomap”是领先的算法,其次是“Walktrap”,“SpinGlass”和“Louvain”,它们也实现了良好的一致性。
2011-12-18 cs.SI physics.soc-ph
Secure Friend Discovery via Privacy-Preserving and Decentralized Community Detection
社交网络上的安全朋友发现问题已经被提出并研究了很久。要求是一对节点可以在向另一方暴露最少信息的情况下做出友好决策。在本文中,我们提出使用社区发现来解决安全的朋友发现问题。我们制定了第一个隐私保护和分散的社区发现问题作为一个多目标优化。我们设计了第一个协议来解决这个问题,它将社区发现转换为一系列使用截断随机游走(TRW)的私有集相交(PSI)实例。初步的理论结果表明,我们的协议可以发现社区以压倒性的概率和保护隐私。我们还讨论了未来的工作,潜在的扩展和变化。
2014-05-20 cs.CR cs.SI stat.ML
Community detection and tracking on networks from a data fusion perspective
网络中的社区结构已经从许多角度进行了研究,通常有相同的最终结果:某种社区检测算法。最近的研究提供了将这些算法的结果结合到社区进化时间表中的方法。本文从数据融合的角度研究了社区检测和跟踪问题。我们避免了传统社区检测算法的硬调用,以保留尽可能多的不确定性信息。这导致直接估计节点对在同一社区中的概率的方法。我们使用LFR测试平台证明了这种方法是准确的,它在许多标准网络数据集上是快速的,并且它具有多种用途,可以补充标准的硬调用方法。保留不确定性信息使我们能够开发用于跟踪社区的贝叶斯过滤器。我们推导出方程的完整过滤器,并将其边缘化,以产生一个潜在的实用版本。最后,我们讨论了封闭的边缘化过滤器和工作,仍然发展成为一个有原则的,有效的方法来跟踪时间演变的网络上的时间演变的社区。
2012-01-06 cs.SI math.PR physics.soc-ph
Node Embedding via Word Embedding for Network Community Discovery
神经节点嵌入最近已经成为涉及图结构数据的监督学习任务的强大表示。我们利用这一最新进展,开发了一种新的算法,在图中的无监督社区发现。通过大量的实验研究模拟和真实世界的数据,我们证明,所提出的方法不断改善目前的最先进的。具体来说,我们的方法经验上达到的信息理论限制下的基准随机块模型图生成的社区恢复,并表现出更好的稳定性和准确性在谱聚类和非循环的信念传播的社区恢复限制。
2017-06-28 cs.SI physics.soc-ph stat.ML
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
ABACUS: frequent pAttern mining-BAsed Community discovery in mUltidimensional networkS
复杂网络中的社区发现是针对网络中的每个节点,根据相似性函数来检测其对多个节点组(社区)中的一个的成员资格的问题,这些节点组是密集连接的,或高度交互的,或更一般地,相似的。到目前为止,这个问题已经在一维网络中得到了广泛的研究,即两个实体之间只能存在一个连接的网络。然而,真实的网络通常是多维的,即,在任何两个节点之间可以存在反映不同种类的关系或者表示相同类型的联系的不同值的多个连接。在这种情况下,社区发现的问题必须重新定义,考虑到多维结构的图。我们定义了一个新的社区概念,将共享成员资格的节点聚集在一起,在不同的一维中共享相同的一维社区。正如我们所展示的,这样的社区是有意义的,能够将高度相关的节点分组,即使它们在任何一维网络中可能都没有连接。我们设计了ABACUS(Apriori-Based Community Discoverer in mUltidimensional networkS),一种能够基于应用于一维社区成员关系的先验项集挖掘器提取多维社区的算法。在两个不同的真实多维网络上的实验证实了所引入的概念的意义,并为一类新的社区发现算法开辟了道路,这些算法不依赖于节点之间的密集连接。
2013-06-26 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
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
Community Specific Temporal Topic Discovery from Social Media
研究社交媒体中话题的时间动态对理解在线用户行为非常有用。关于这一主题的现有工作大多数通常监测全球趋势,而忽略了社区之间的差异。由于来自不同社区的用户往往具有不同的品味和兴趣,因此捕获社区级别的时间变化可以改善对社交内容的理解和管理。此外,它还可以进一步促进社区发现,时间预测和在线营销等应用。然而,由于社区和主题之间复杂的相互作用以及难以处理的计算复杂性,这种抽取变得具有挑战性。本文针对社区级主题动态抽取问题,提出了一种统一的解决方案。提出了一个概率模型CosTot(Community Specific Topics-over-Time),用于发现隐藏的主题和社区,并捕捉社区特定的时间动态。具体而言,CosTot同时考虑文本,时间和网络信息,并很好地发现社区和主题之间的互动随着时间的推移。然后,我们讨论了近似推理实现,使模型参数的可扩展计算,特别是对于大型社会数据。在此基础上,研究了应用层对多尺度时态分析和社区探索的支持。在一个真实的微博数据集上进行了大量的实验研究,验证了该模型在时间戳预测、链接预测和主题混淆等任务上的优越性。
2013-12-03 cs.SI physics.soc-ph
Community Shaping in the Digital Age: A Temporal Fusion Framework for Analyzing Discourse Fragmentation in Online Social Networks
本文提出一种融合文本与网络时序数据的框架,通过Twitter案例识别歧视话语碎片,揭示在线社区形成演化机制及其对社会极化的影响。
2024-09-18 cs.CY cs.SI
A Constraints Fusion-induced Symmetric Nonnegative Matrix Factorization Approach for Community Detection
College of Computer Science and Technology, Chongqing University of Posts and Telecommunications(重庆邮电大学计算机科学与技术学院);Chongqing Institute of Green and Intelligent Technology, Chinese Academy of Sciences(中国科学院重庆绿色智能技术研究院);College of Computer and Information Science, Southwest University(西南大学计算机与信息科学学院)
社区是无向社会网络的一个重要特征,社区发现是网络表示学习中的一个重要而棘手的问题。对称非负矩阵分解(SNMF)模型由于其良好的可解释性和可扩展性,经常被用来解决这个问题。然而,它采用单一的潜在因子矩阵来表示一个无向网络,以精确地表示其对称性,这导致了表示学习能力的损失,由于潜在空间减少。基于这一发现,本文提出了一种新的约束融合诱导的对称非负矩阵分解(CFS)模型,该模型采用三个方面的思想:a)用多个潜在因子矩阵表示目标无向网络,从而保持其表示学习能力; b)将保持所学习的对邻接矩阵的低秩近似的对称性的保序正则化器构造到所述损失函数中,从而使得所得到的检测器清楚地知道目标网络的对称性;以及c)引入保持网络的固有几何的局部不变性的图正则化器,从而使得所实现的检测器清楚地知道目标网络内的社区结构。对工业应用中的8个真实社交网络的广泛实证研究表明,所提出的CFS模型在实现高准确度社区发现结果方面明显优于最先进的模型。
2023-02-23 cs.LG cs.SI
Complex network community discovery using fast local move iterated greedy algorithm
针对复杂网络社区发现问题,提出融合快速局部移动启发式与迭代贪心机制、结合随机邻居移动和改进Prune Louvain的FLMIG算法,在合成与真实网络上准确率和计算效率均优于现有前沿方法,为大规模动态网络分析提供支持。
2024-06-20 cs.SI
A Novel Methodologyof Router-To-ASMapping inspired by Community Discovery
在过去的十年中,许多工作已经完成了在路由器或自治系统(AS)级的互联网拓扑结构。AS路由器是AS的基本组成部分,而AS控制着路由器的行为。确定路由器和AS之间的隶属关系无疑可以让我们对拓扑结构有更深入的了解。然而,现有的方法,分配路由器到一个AS只是根据其IP地址的起源AS,这并没有充分利用我们手中的信息。在本文中,我们提出了一种方法来分配路由器到其所有者AS社区发现技术的基础上。首先,我们利用源AS的信息以及路由器对的相似性来构造一个加权的路由器级拓扑;其次,针对CAIDA ITDK项目中的大量拓扑数据(超过2 M节点和19 M边),我们提出了一种时间和空间复杂度都是线性的快速层次聚类算法来进行AS社区发现;最后,我们基于这些AS社区进行路由器到AS的映射。实验表明,结合ASes社区,我们的方法发现,路由器到AS映射的最佳准确率可以达到82.62%,这是显着高于以往的作品,停滞在65.44%。
2015-12-12 cs.NI cs.SI
Binomial Tails for Community Analysis
Cisco Tetration Analytics(思科Tetration Analytics)
网络中社区发现的一个重要任务是评估结果的重要性和生成的候选组的鲁棒排名。在实践中,经常会发现许多候选社区,将分析师的时间集中在最突出和最有希望的发现上是至关重要的。我们开发了简单有效的组评分函数来自尾部概率使用二项式模型。对合成数据和大量真实数据的实验证明,二项式评分比其他廉价的评分函数(如电导)更可靠。此外,我们获得的置信度值($p$值),可用于过滤和标记所发现的组。我们的分析揭示了各种属性的方法。二项式尾是简单和通用的,我们描述了其他两个应用程序的社区分析:社区成员的程度(这反过来又产生组评分功能),并发现显着的边缘社区诱导图。
2020-12-17 cs.AI cs.LG cs.SI
High-order Order Proximity-Incorporated, Symmetry and Graph-Regularized Nonnegative Matrix Factorization for Community Detection
社区描述了网络的运行机制,使得社区发现成为社交圈发现等各种实际应用的基础图工具。到目前为止,对称和非负矩阵分解(SNMF)模型已被频繁采用,以解决这个问题,由于其高度的可解释性和可扩展性。然而,大多数现有的基于SNMF的社区发现方法忽略了网络中的高阶连接模式。基于这一发现,本文提出了一种结合高阶邻近度(HOP)、对称性和图正则化的NMF(HSGN)模型,该模型采用以下三个方面的思想:a)采用基于加权逐点互信息(PMI)的方法来测量网络中节点之间的HOP索引; b)利用迭代重建方案将捕获的HOP编码到网络中;以及c)引入对称和图正则化NMF算法来精确地检测社区。对八个真实网络的广泛实证研究表明,基于HSGN的社区检测器在提供高准确度的社区发现结果方面明显优于基准和最先进的社区检测器。
2022-03-08 cs.AI cs.LG 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
We Need to Rethink How We Describe and Organize Spatial Information: Instrumenting and Observing the Community of Users to Improve Data Description and Discovery
在空间数据基础设施或网络基础设施中,地理数据语义的描述旨在支持数据的发现、重用和集成。在绝大多数情况下,这些数据的生产者基于对数据用途的特定理解来生成描述。这种面向生产者的视角意味着描述通常无助于回答数据集是否对可能希望在不同上下文中应用它的消费者有用的问题。在本文中,我们讨论了地理信息观测站可以发挥的作用,在提供一个基础设施,观察消费者使用数据的情况。这些数据语用学的观察导致操作的统计方法,将支持更好的适合使用的评估。最后,我们强调了建设这些观测站的一些挑战,并简要讨论了应对这些挑战的战略。
2020-10-18 cs.IR cs.SI
Community Detection for Heterogeneous Multiple Social Networks
School of Computer Science and Technology, China University of Mining and Technology(中国矿业大学计算机科学与技术学院);College of Computer and Information Engineering, Nanjing Tech University(南京工业大学计算机与信息工程学院);School of Cyber Science and Engineering, Southeast University(东南大学网络空间科学与工程学院);Purple Mountain Laboratories(紫金山实验室)
针对异构多社交网络中的跨网社区检测问题,提出基于非负矩阵三因子分解、共识矩阵与重叠用户对齐矩阵的方法,并在多平台数据集上验证其社区质量与融合优势。
2024-05-07 cs.AI cs.CY cs.SI
DEMON: a Local-First Discovery Method for Overlapping Communities
复杂网络中的社区发现是一个有趣的问题,具有许多应用,特别是在社会和信息网络中的知识提取任务。然而,许多大型网络往往缺乏全球一级的特定社区组织。在这些情况下,传统的图划分算法无法让嵌入在模块化结构中的潜在知识显现出来,因为它们强加了一个自上而下的网络全局视图。我们在这里提出了一个简单的本地优先的方法来发现社区,能够揭开真正的复杂网络的模块化组织。这是通过民主地让每个节点投票给它在其有限的全局系统视图中看到的社区来实现的,即它的自我邻居,使用标签传播算法;最后,本地社区被合并成一个全局集合。我们对最先进的重叠和非重叠社区发现方法进行了测试,发现我们的新方法在获得社区的质量方面明显优于其他方法,通过使用提取的社区来预测有关几个真实世界网络节点的元数据进行评估。我们还展示了我们的方法是如何确定性的,完全增量的,并具有有限的时间复杂度,使它可以用于网络规模的真实网络。
2012-06-04 cs.DS 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
LLMs Between the Nodes: Community Discovery Beyond Vectors
该研究针对传统社区检测方法仅侧重图结构的局限,提出融合LLM语义与图结构的CommLLM两步框架,经6个真实数据集验证,图感知策略引导的LLM可有效提升中小型图社区检测的准确性与一致性。
2025-07-29 cs.LG cs.SI
An Efficient Local Search Approach for Polarized Community Discovery in Signed Networks
Chalmers University of Technology & University of Gothenburg(楚德斯技术大学及哥德堡大学)
本文提出了一种在带符号网络中发现极化社区的高效局部搜索方法,解决了以往方法中解决方案大小不平衡的问题,并在大规模网络上实现了线性收敛率。
2026-03-07 cs.AI cs.LG cs.SI
Efficient Community Detection in Large Networks using Content and Links
在本文中,我们讨论了一个非常简单的方法相结合的内容和链接信息的图形结构的社区发现的目的,在网络分析中的一项基本任务。我们的方法取决于基本的直觉,即许多网络在链接结构中包含噪声,并且内容信息可以帮助加强社区信号。这使人们能够消除噪声的影响(假阳性和假阴性),这是特别普遍的在线社交网络和Web规模的信息网络。具体来说,我们引入了一个衡量网络中两个节点之间的信号强度,通过融合它们的链接强度与内容相似性。链路强度是基于链路是否可能(以高概率)驻留在社区内来估计的。通过余弦相似度或Jaccard系数来估计内容相似度。我们讨论了一个简单的机制,融合内容和链接的相似性。然后,我们提出了一个有偏的边缘采样过程,它保留了每个图节点的局部相关的边缘。可以使用标准的社区发现算法(例如Metis和Markov聚类)来聚类所得到的骨干图。通过对具有不同大小和特征的多个真实世界数据集(Flickr,Wikipedia和CiteSeer)的广泛实验,我们证明了我们的方法在最先进的学习和挖掘方法中的有效性和效率,其中一些方法还试图将链接和内容分析结合起来用于社区发现。具体来说,我们总是发现一个定性的好处时,结合内容与链接分析。此外,我们的有偏图采样方法实现了定量的好处,因为它通常比竞争方法快几个数量级。
2012-12-01 cs.SI physics.soc-ph
SSBM: A Signed Stochastic Block Model for Multiple Structure Discovery in Large-Scale Exploratory Signed Networks
提出SSBM概率模型以发现符号网络中的社区、二部及其共存等多重结构,并结合MML准则与CEM算法实现无先验的模型选择和大规模可扩展学习。
2023-04-21 cs.SI
20 years of network community detection
Indiana University Network Science Institute (IUNI)(印第安纳大学网络科学研究所(IUNI));Luddy School of Informatics, Computing and Engineering, Indiana University(印第安纳大学勒迪信息学、计算与工程学院);University of Michigan(密歇根大学)
本文回顾了网络社区自动发现这一根本性技术挑战在过去20年的研究进展,梳理了识别紧密连接或相似节点群组的方法发展。
2022-08-02 cs.AI cs.SI physics.soc-ph
Explicit objective functions in modularity-based community detection on multiplex networks
Delft University of Technology(代尔夫特理工大学);KairosHelix, Inc.(KairosHelix公司)
本文针对多重网络中的模块度社区检测,分析比较了早期融合、同时融合和晚期融合三种策略的目标函数,揭示了它们之间的显式关系,并通过实验验证了理论结果。
2026-10-19 cs.SI
Using Social Network Information in Bayesian Truth Discovery
Nanyang Technological University(南洋理工大学)
我们调查的问题,真理发现的基础上,从多个代理人谁可能是不可靠的或有偏见的意见。我们考虑的情况下,代理人的可靠性或偏见是相关的,如果他们属于同一个社区,这定义了一组代理人有类似的意见,关于一个特定的事件。对于不同的事件,智能体可以属于不同的社区,而这些社区是先验未知的。我们将知识的代理人的社会网络在我们的真理发现框架和开发拉普拉斯变分推理方法来估计代理人的可靠性,社区和事件状态。我们还开发了一个随机变分推理方法,将我们的模型扩展到大型社交网络。对真实数据的仿真和实验表明,当观测稀疏时,我们提出的方法比其他几种推理方法,包括多数投票,Truthfall,AccuSim,置信度感知的真相发现方法,贝叶斯分类器组合(BCC)方法和社区BCC方法表现得更好。
2019-04-29 cs.LG cs.MA cs.SI
Layered Division and Global Allocation for Community Detection in Multilayer Network
本文提出LDGA方法,通过分层划分与全局分配提升多层网络社区检测的准确性。
2026-01-11 cs.SI
Modeling community structure and topics in dynamic text networks
在过去的十年中,动态网络建模和主题建模都取得了很大的进展。本文借鉴这两个领域创建一个贝叶斯方法,允许主题发现通知潜在的网络模型和网络结构,以促进主题识别。我们将这种方法应用于2012年467个顶级政治博客。我们的研究结果发现复杂的社区结构,在这组博客,社区成员强烈依赖于一套主题的博客作者感兴趣。
2018-08-23 cs.SI physics.soc-ph stat.ML
An Optimization-based Approach To Node Role Discovery in Networks: Approximating Equitable Partitions
本文提出一种基于优化的节点角色发现方法,通过图同构测试与等权划分定义角色并给出理论保证,同时构建角色注入划分基准进行验证。
2023-05-30 cs.SI
On converting community detection algorithms for fuzzy graphs in Neo4j
大规模自由图的一个基本特征,如网络,蛋白质与蛋白质的相互作用,大脑连接和社交媒体图,是它们倾向于形成递归社区。后者是密集连接的顶点簇,表现出快速的本地信息传播和处理。在模糊图模型下,顶点是固定的,而每条边根据隶属函数以给定的概率存在。本文提出了模糊Walktrap和模糊纽曼-Girvan,模糊版本的两个既定的社区发现算法。所提出的算法已被应用到合成图生成的克罗内克模型与不同的终止标准和结果进行了讨论。
2017-02-22 cs.SI
Community Detection Across Multiple Social Networks based on Overlapping Users
随着互联网技术的飞速发展,在线社交网络(OSNs)得到了快速发展,并日益流行。同时,跨多个社交网络的研究也越来越受到研究者的关注,而社区发现是跨OSN的网络安全问题的重要研究内容,主要用于分析用户行为和发现异常社区。提出了一种基于用户重叠的多社交网络社区发现方法。首先定义了重叠用户的概念,然后设计了一种基于社会相关性的重叠用户存根社区发现算法CMN NMF。在此基础上,通过添加具有较强相似性的用户,扩展不同社交网络中的存根社区,最终挖掘出不同的社区。在真实数据集上的实验结果表明了该方法的有效性。
2019-10-08 cs.SI
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
Mosaic benchmark networks: Modular link streams for testing dynamic community detection algorithms
针对现有动态社区检测评估方法不适用于高细节链接流的问题,研究提出可生成带预定义社区的合成模块化链接流的新型框架,评估发现各成熟检测方法无绝对优胜者但存在显著差异。
2023-10-04 cs.SI
ECoHeN: A Hypothesis Testing Framework for Extracting Communities from Heterogeneous Networks
社区发现是从网络中获得独立社区的一般过程:在网络中密集连接但与网络其余部分稀疏连接的节点集合。虽然社区发现已经得到了很好的研究,很少有这样的技术存在异构网络,其中包含不同类型的节点和节点类型之间可能不同的连接模式。在本文中,我们介绍了一个框架称为ECoHeN,\textbf{e}提取\textbf{co}从一个\textbf{he}异构\textbf{n}网络在统计上有意义的方式。使用异构配置模型作为参考分布,ECoHeN确定的社区,是显着更密集的连接比预期给定的节点类型和连接的成员。具体而言,ECoHeN算法提取社区一次一个通过一组动态的迭代更新规则,保证收敛,并不施加任何约束的类型组成的提取社区。据我们所知,这是第一个发现方法,区分和识别同质和异质,可能重叠,社区结构的网络。我们展示了性能的ECoHeN通过模拟和应用程序的政治博客网络,以确定收集的博客,其中提到彼此比预期的考虑其成员的意识形态。
2022-12-20 cs.SI stat.ME
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
An Introduction to Community Detection in Multi-layered Social Network
社会社区的提取及其动态变化是当今社会网络分析的重要问题之一。近年来,许多研究者提出了自己的社交网络群体发现方法。但是,几乎没有人注意到,现代社交网络比几年前复杂得多。由于IT系统中存在大量关于各种用户活动的不同数据,因此可以区分称为多层社交网络的新类别的社交网络。为此,本文提出了一种利用多层边聚类系数的多层社会网络社区发现新方法。
2012-09-26 cs.SI physics.soc-ph
Matching Community Structure Across Online Social Networks
网络中社团结构的发现是近年来引起人们极大兴趣的一个问题。在在线社交网络中,用户经常同时参与多个社交媒体站点,其中一些共享共同的社交关系。在这些网络中发现一个共享的社区结构是非常有趣的。然而,在现实中,用户通常在社交媒体网站上使用不同的用户名来标识自己。这就给探测群落结构带来了很大的困难。在本文中,我们探讨了几种方法,社区发现在线社交网络与有限的知识,跨网络的用户名对齐。我们将已知的用户名对齐称为种子。我们研究了种子选择策略及其对具有不同重叠顶点比例的网络的影响。我们的目标是研究网络拓扑结构和种子选择策略之间的相互作用,并了解它如何影响检测到的社区结构。我们还提出了几种措施来评估社区发现的性能,并使用它们来衡量Twitter-Twitter网络和Twitter-Instagram网络中检测到的社区的质量。
2016-08-03 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
From Base Data To Knowledge Discovery -- A Life Cycle Approach -- Using Multilayer Networks
任何用于推断或发现有意义的信息/知识的大型复杂数据分析都涉及以下步骤(除了数据汇集、清理、准备用于分析的数据,例如属性消除):i)对数据建模--一种用于建模和导出用于使用该方法进行分析的数据表示的方法,ii)将分析目标转换为对所生成的模型的计算;这可以像单个计算一样简单(例如,社区发现)或可涉及一系列操作(例如,在多个网络上的成对社区发现),iii)使用基于模型的表达式,计算所生成的表达式--效率和可伸缩性在这里进入画面,以及iv)深入研究结果以清楚地解释或理解它们。除此之外,可视化结果以便于理解也是有意义的。本文介绍的Covid-19可视化仪表板就是一个例子。本文涵盖了数据分析生存周期的所有上述步骤,使用的数据表示方法对多实体、多特征数据集越来越重要-多层网络。我们使用几个数据集建立使用MLN建模的有效性,并使用建议的解耦方法进行分析。对于覆盖率,我们使用不同类型的MLN进行建模,并使用社区和中心计算进行分析。使用的数据集-美国商业航空公司,IMDb,DBLP和Covid-19数据集。我们的实验分析使用确定的步骤验证建模,可以计算的目标的广度,和整体的多功能性的生存周期的方法。在可能的情况下,使用独立可用的地面实况验证结果的正确性。我们展示了这种方法提供的下钻(由于结构和语义保留),以便更好地理解和可视化结果。
2021-05-24 cs.DB cs.IR cs.SI