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
Community Detection in Political Twitter Networks using Nonnegative Matrix Factorization Methods
社区发现是社会网络分析中的一项基本任务。在本文中，首先，我们开发了一个背书过滤用户连接网络，利用海德的结构平衡理论和某些Twitter的三元模式。接下来，我们开发了三个非负矩阵分解框架来研究不同类型的用户连接和内容信息在社区发现中的贡献。我们表明，用户内容和认可过滤连接信息是相辅相成的，在聚类的政治动机的用户到纯政治社区。在所有内容类别中，词汇使用是用户政治倾向的最强指标。简化用户词矩阵和词相似性正则化器提供了仅连通性方法中的缺失环节，该方法受到人为大量Twitter网络聚类检测的影响。
2016-08-05 cs.SI physics.soc-ph stat.ML
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
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
Community detection in multiplex networks based on orthogonal nonnegative matrix tri-factorization
Michigan State University（密歇根州立大学）
本文提出多重正交非负矩阵三分解方法，将每层邻接矩阵分解为共有与私有社区两部分，并引入两阶段方法自动确定社区数量，在合成与真实多重网络及多视图聚类中优于现有方法。
2023-01-08 cs.LG cs.SI
On approximate equivalence of modularity, D and non-negative matrix factorization
社团结构检测是复杂网络分析中理解网络拓扑结构和功能的基本问题之一，非负矩阵分解（NMF）是社区发现的一种常用方法，而模块度Q和模块度密度D是评价社团结构质量的标准。本文首次建立了Q、D与NMF之间的联系。Q最大化问题可以在Frobenius范数下近似地在NMF框架下重新表述，特别是当$n$较大时，D最大化问题也可以在NMF框架下重新表述. Q最小化可以在Kullback-Leibler发散的NMF框架下重新表述。基于上述发现，我们提出了新的社区结构检测方法，在合成网络上的实验结果证明了它们的有效性。
2018-01-19 cs.SI physics.soc-ph
Quality-Sensitive Matrix Factorization for Community Notes: Towards Sample Efficiency and Manipulation Resistance
Stanford University（斯坦福大学）
本文提出质量敏感矩阵分解方法，通过引入每名评价者的质量敏感参数，提升质量估计的鲁棒性与样本效率，减少噪声和策略性评价的影响。
2026-04-13 cs.SI
Contrastive Deep Nonnegative Matrix Factorization for Community Detection
Sun Yat-sen University（中山大学）
针对现有NMF方法在社区检测中难以捕捉层次信息、忽略节点属性及全局结构的问题，提出CDNMF算法，通过深化NMF、构建拓扑与属性的对比视图及去偏负采样层，在真实数据集上取得了优于SOTA的效果。
2024-02-14 cs.AI cs.LG cs.SI
Classic Graph Structural Features Outperform Factorization-Based Graph Embedding Methods on Community Labeling
University of California, Santa Cruz（加州大学圣克鲁兹分校）；Google（谷歌）
图表示学习（也称为图嵌入）是一种将网络结构整合到机器学习模型中的流行技术。无监督图嵌入方法旨在通过学习每个节点的低维向量表示（嵌入）来捕获图结构。尽管这些嵌入被广泛用于各种下游转导机器学习任务，但很少有对这种方法在常见任务中的有效性进行原则性分析。在这项工作中，我们提供了一个经验和理论分析的一类嵌入对成对社区标记的共同任务的性能。这是经典社区发现问题的二进制变体，该问题寻求构建分类器以确定一对顶点是否参与社区。根据我们的基础理解目标，我们专注于一类流行的无监督嵌入技术，这些技术学习顶点邻近矩阵的低秩因子分解（该类包括GraRep，DeepWalk，node2vec，NetMF等方法）。我们进行了详细的实证分析，在各种真实的和合成的图形与地面真理的社区标签。在我们研究的所有情况下，从嵌入特征训练的模型在社区标记上表现不佳。在组播中，具有经典图结构特征的简单逻辑模型轻松地优于嵌入模型。对于一个更原则性的理解，我们提供了一个理论分析，这些嵌入在捕捉社区结构的有效性。我们正式证明了流行的低维分解方法要么不能产生社区结构，要么只能产生"不稳定”社区。这些社区在小扰动下本质上是不稳定的。
2022-01-20 cs.AI cs.DS cs.SI
UCoDe: Unified Community Detection with Graph Convolutional Networks
本文提出 UCoDe，利用图卷积网络和宏观节点相似性对比损失，在属性图中统一完成重叠与非重叠社区检测，并在真实数据上取得稳定领先性能。
2023-11-02 cs.SI
Detecting the community structure and activity patterns of temporal networks: a non-negative tensor factorization approach
随着时间网络数据可用性的不断提高，人们需要对时间网络中的介观结构进行提取和表征，并将这种结构与系统的特定功能或属性联系起来。一个突出的挑战是扩展静态网络的结果随时间变化的网络，其中系统的拓扑结构和其组件的时间活动模式交织在一起。在这里，我们研究使用潜在的因子分解技术，非负张量因子分解，提取时间网络的社区活动结构。该方法本质上是时间性的，可以同时识别社区并跟踪其活动。我们将时间网络的时变邻接矩阵表示为三向张量，并将此张量近似为可以解释为具有相关活动时间序列的节点社区的项的总和。我们总结了已知的张量分解的计算技术，并讨论了一些质量指标，可用于调整的复杂性的因式分解表示。随后，我们将张量因式分解应用到一个时间网络中，对于该网络，社区结构和时间活动模式都可以使用地面实况。我们使用的数据描述了学生在学校的社会互动，学生和学校班级之间的关联，以及学生随时间的时空轨迹。我们表明，非负张量因式分解是能够恢复的类结构具有高精度。特别地，所提取的张量分量可以被验证为已知的学校班级，或者根据相关的活动模式，即，由已知的学校活动时间表确定的空间和时间巧合。
2013-11-05 cs.SI physics.soc-ph
CIMTDetect: A Community Infused Matrix-Tensor Coupled Factorization Based Method for Fake News Detection
在当今的数字世界中，很容易创建和传播误导性的新闻文章，检测新闻文章是假还是真是一项至关重要的任务。在社交媒体上分享的新闻故事尤其如此，因为它们没有经过与主流媒体相关的任何严格的新闻检查。鉴于人类固有的倾向是通过点击鼠标与他们的社会关系分享信息，假新闻文章伪装成真实的，往往会广泛传播和病毒式传播。在社交网络中存在回音室（共享相同信仰的人），只会增加社交媒体上广泛存在的假新闻的问题。在本文中，我们通过利用用户社交网络中存在的回声室来解决社交媒体中的假新闻检测问题，以获得新闻文章的有效和信息丰富的潜在表示。通过将回声室建模为社会网络中紧密连接的社区，我们将新闻文章表示为结构<News，User，Community>的3模式张量，并提出了一种基于张量因子分解的方法来在潜在嵌入空间中编码新闻文章，以保持社区结构。我们还提出了上述方法的扩展，通过耦合矩阵-张量分解框架联合建模新闻文章的社区和内容信息。我们在两个真实世界的数据集上实证证明了我们的方法对于假新闻检测任务的有效性。此外，我们验证了泛化的嵌入在其他两个辅助任务，即：\textbf{1)}新闻队列分析和\textbf{2)}协作新闻推荐。我们提出的方法优于适当的基线的任务，建立其泛化。
2018-09-14 cs.IR cs.SI
Degree-Corrected Joint Matrix Factorization for Multilayer Community Detection
University of Mons（蒙斯大学）
针对多层网络社区检测，提出联合非负对称矩阵三分解方法，通过共享社区约束并允许层间差异，结合MDCBM评估，实验验证其优于现有方法。
2026-10-02 cs.LG cs.SI
Simplification of Graph Convolutional Networks: A Matrix Factorization-based Perspective
RealAI（瑞尔智能）；Tsinghua University（清华大学）
近年来，图卷积网络（GCN）的研究取得了实质性的进展。然而，GCN的计算通常需要大量的存储空间来保存整个图。因此，GCN不够灵活，特别是对于复杂现实世界应用中的大规模图。幸运的是，基于矩阵分解（MF）的方法自然支持构造小批量，因此与GCN相比，对分布式计算更友好。因此，本文分析了GCN和MF之间的联系，并将GCN简化为具有单位化和协同训练的矩阵分解。此外，在我们的分析的指导下，我们提出了一个替代模型GCN命名为Unitized和Co-training矩阵分解（UCMF）。在几个真实世界的数据集上进行了广泛的实验。在半监督节点分类任务上，实验结果表明，UCMF取得了与GCN相似或更好的性能。同时，分布式UCMF显著优于分布式GCN方法，这表明UCMF可以极大地有利于大规模和复杂的现实世界的应用。此外，我们还对图嵌入的典型任务进行了实验，即，社区发现，提出的UCMF模型优于几种有代表性的图嵌入模型。
2020-11-04 cs.LG cs.SI
Matrix Factorization Framework for Community Detection under the Degree-Corrected Block Model
University of Mons（蒙斯大学）
本文提出基于度校正块模型的社区检测矩阵分解框架，通过将推断问题转化为约束非负矩阵分解问题，提出新的社区检测方法和理论支持的初始化策略，实现高效且鲁棒的社区检测。
2026-11-09 cs.SI math.OC stat.ML
Non-Negative Matrix Factorizations for Multiplex Network Analysis
网络已经成为表示、分析和建模多个领域中出现的关系数据的通用工具。网络分析的一个重要方面是社区发现或网络聚类。直到最近，主要的焦点一直是发现社区结构中的单一（即，单路）网络。然而，随着具有多种模态的关系数据的出现，多重网络，即，出现了由代表关系不同方面的多个层次组成的网络。因此，复用网络中的社区发现，即，检测所有层共享的节点集群已成为新的挑战。在本文中，我们提出了网络融合复合社区提取（NF-CCE），一类新的算法，基于四种不同的非负矩阵分解模型，能够提取复合社区在多路复用网络。每个算法分为两个步骤：首先，它找到每个网络层的非负，低维特征表示;然后，它通过集体因子分解将层的特征表示融合成一个共同的非负，低维特征表示。从共同特征表示中提取复合聚类。我们证明了我们的算法在各种类型的多路复用网络，包括生物，社会，经济，引用，电话通信和大脑多路复用网络的最先进的方法的优越性能。
2017-01-25 cs.SI stat.ML
Coupled Graphs and Tensor Factorization for Recommender Systems and Community Detection
University of Minnesota（明尼苏达大学）
对来自多个信息存储库的数据进行联合分析有助于揭示异构数据集的底层结构。单和耦合矩阵张量因子分解（CMTF）已被广泛用于这种情况下的估算为基础的建议，从收视率，社交网络，和其他用户项目数据。当该边信息是项目-项目相关矩阵或图的形式时，现有的CMTF算法可能达不到要求。为了缓解当前的限制，我们引入了一种新的模型，称为耦合图张量因子分解（CGTF），它明智地考虑了图相关的边信息。CGTF模型具有克服实际挑战的潜力，例如张量中缺少板和/或相关矩阵中缺少行/列。一种新的交替方向的乘法器（ADMM）的方法也被开发，恢复CGTF的非负因子。我们的算法享有封闭形式的更新，从而降低计算复杂性，并允许收敛索赔。一个新的方向，进一步探索采用可解释的因素，以检测图社区的张量作为边信息。由此产生的社区检测方法是成功的，即使在图中的一些链接丢失。真实数据集的结果证实了所提出的方法相对于最先进的竞争因子分解技术在提供建议和检测社区的优点。
2019-05-30 cs.LG cs.SI eess.SP
Less is More: Simple yet Effective Heuristic Community Detection with Graph Convolution Network
本文提出一种无需数据增强和对比优化的简单社区检测算法，通过预检测提取全局结构、用GCN融合局部结构与属性特征，并结合模块度最大化实现自适应、高效准确的社区发现。
2025-01-22 cs.SI
Exact Recovery of Community Structures Using DeepWalk and Node2vec
North Carolina State University（北卡罗来纳州立大学）
基于随机游走的网络嵌入算法（如DeepWalk和node 2 vec）被广泛用于在执行下游推理任务之前获得网络中节点的欧几里得表示。然而，尽管他们令人印象深刻的经验表现，有一个解释他们的大样本行为的理论结果缺乏。在本文中，我们通过矩阵分解的角度来研究node 2 vec和DeepWalk。特别是，我们分析了这些算法的设置社区检测随机块模型图（及其度校正的变体）。通过利用领先奇异向量的行向均匀扰动界，我们推导出基于矩阵分解的node 2 vec/DeepWalk嵌入与其真实对应物之间的高概率误差界，均匀分布在所有节点嵌入上。基于强大的浓度结果，我们进一步展示了node 2 vec/DeepWalk的完美成员恢复，然后是$K$ -均值/中位数算法。具体来说，随着网络变得稀疏，我们的结果保证，有足够大的窗口大小和顶点数，应用$K$ -均值/中位数的矩阵分解为基础的node 2 vec嵌入可以，以很高的概率，正确地恢复从随机块模型（或其度校正变体）生成的网络中的所有顶点的成员资格。理论的理由反映在数值实验和实际数据的应用，无论是原来的node 2 vec和它的矩阵分解的变体。
2022-10-24 cs.LG cs.SI stat.ML
BotRGCN: Twitter Bot Detection with Relational Graph Convolutional Networks
Twitter bot检测是一项重要且具有挑战性的任务。现有的机器人检测措施无法解决社区和伪装的挑战，无法检测伪装成真正用户并集体攻击的机器人。为了解决Twitter bot检测的这两个挑战，我们提出了BotRGCN，这是Bot检测与关系图卷积网络的缩写。BotRGCN通过从跟随关系构建异构图来解决社区的挑战，并应用关系图卷积网络。除此之外，BotRGCN利用多模态用户语义和属性信息来避免特征工程，并增强其捕获具有多样化伪装的机器人的能力。大量的实验表明，BotRGCN优于竞争对手的基线上的全面基准TwiBot-20提供了以下关系。
2021-09-27 cs.SI
Advancing Community Detection with Graph Convolutional Neural Networks: Bridging Topological and Attributive Cohesion
Victoria University of Wellington（维多利亚大学）；Goldenset Collective（Goldenset集体）；School of Computer Science, Beijing University of Posts and Telecommunications（北京邮电大学计算机学院）
针对GCN社区检测中模块度优化次优及人工标签破坏拓扑连通性的问题，提出TAS-Com，借助Leiden算法优化损失并细化标签，实现模块度与标签遵从性的平衡，性能优于现有方法。
2025-05-15 cs.AI cs.SI
Longitudinal Analysis of Discussion Topics in an Online Breast Cancer Community using Convolutional Neural Networks
Columbia University（哥伦比亚大学）；King’s College London（伦敦国王学院）
识别在线健康社区（OHC）中的讨论主题对各种应用程序至关重要，但可能很困难，因为OHC内容的主题通常是异构的，并且依赖于域。在本文中，我们提供了一个多类模式，一个注释数据集，和监督分类器的基础上卷积神经网络（CNN）和其他模型的任务分类的讨论主题。我们将CNN分类器应用于最受欢迎的乳腺癌在线社区，并进行纵向分析，以显示整个成员参与过程中的主题分布和主题变化。我们的实验结果表明，CNN优于其他分类器在主题分类的任务，并可以检测到某些轨迹的主题变化。
2016-04-07 cs.CL cs.CY cs.SI
CS-MLGCN : Multiplex Graph Convolutional Networks for Community Search in Multiplex Networks
University of British Columbia（不列颠哥伦比亚大学）
社区搜索是网络科学中的一项基本任务，由于其能够发现具有广泛应用前景的个性化社区而备受关注。给定任何查询节点，CS寻求找到包含查询节点的密集连接子图。大多数现有的方法通常研究节点之间具有单一类型邻近度的网络，这定义了网络的单一视图。然而，在许多应用中，如生物，社交和交通网络，对象之间的交互跨越多个方面，产生具有多个视图的网络，称为多路复用网络。现有的复用网络中的CS方法采用预定义的子图模式来对社区进行建模，在现实网络中无法找到不具有这种预定义模式的社区。在本文中，我们提出了一个查询驱动的图卷积网络在多路复用网络，CS-MLGCN，可以捕捉灵活的社区结构，通过学习从地面真理社区在数据驱动的方式。CS-MLGCN首先将局部查询依赖结构和全局图嵌入到每种类型的邻近度中，然后使用注意力机制来合并不同类型关系的信息。在真实世界的图与地面真相社区上的实验验证了我们获得的解决方案的质量和我们的模型的效率。
2022-10-17 cs.LG cs.SI
Heterogeneous-Temporal Graph Convolutional Networks: Make the Community Detection Much Better
Harbin Institute of Technology（哈尔滨工业大学）；Jilin University（吉林大学）；Peng Cheng Laboratory（鹏城实验室）；Nanyang Technological University（南洋理工大学）
社区发现一直是复杂网络分析中的一个重要而又具有挑战性的课题，其研究重点是发现图数据的拓扑结构。本质上，真实世界的图数据包含各种特征、节点和边类型，这些特征随时间动态变化，这使得大多数现有的社区发现方法失效。为了解决这些问题，本文提出了异构时间图卷积网络（HTGCN），以检测社区从异构和时间图。特别地，我们首先设计了一个异构GCN组件，以获取每个异构图在每个时间步的特征表示。然后，提出了一个残余的压缩聚合组件来表示“变化”社区的“动态”特征，然后将其与从当前图中提取的“静态”特征聚合。在两个真实世界的数据集上进行了广泛的实验，即，DBLP和IMDB。有希望的结果表明，提出的HTGCN是优于基准和国家的最先进的方法，例如，GCN、GAT、GNN、LGNN、HAN和STAR，涉及若干评价标准。
2020-03-13 cs.LG cs.SI stat.ML
Nonnegative Bayesian nonparametric factor models with completely random measures for community detection
我们提出了一个贝叶斯非参数泊松因子分解模型建模网络数据的未知和潜在的重叠社区的数量不断增加。该构造基于完全随机的措施，并允许社区的数量以指定的对数或多项式速率随节点的数量增加，或者有界。我们开发的节点数量和网络的度分布的渐近性，并推导出一个马尔可夫链蒙特卡罗算法，针对这个模型的确切后验分布。该方法的实用性说明了各种真实的网络。
2019-02-27 cs.SI stat.ME
Structural and Functional Discovery in Dynamic Networks with Non-negative Matrix Factorization
时间序列图形在现代数据中越来越普遍，并对视觉探索和模式提取提出了独特的挑战。本文介绍了矩阵分解的发展和应用，探索和时变社区发现的时间演变图序列。矩阵分解模型允许用户锁定并显示有趣的底层结构及其随时间的演变。该方法可扩展到具有大量时间点或节点的加权网络，并且可以适应图拓扑的突然变化。我们的技术证明了几个动态图系列从合成和现实世界的数据，包括引文和贸易网络。这些示例说明了用户如何驾驭这些技术，并将其与现有方法相结合，以在许多时间点上发现和显示有意义的图形。
2013-05-30 cs.SI physics.soc-ph stat.ML
MNTD: An Efficient Dynamic Community Detector Based on Nonnegative Tensor Decomposition
本文提出MNTD模型，通过融合模块度最大化的非负张量RESCAL分解提取时序社区结构并优化划分，解决了非负矩阵分解无法刻画动态网络时序变化的问题，在真实数据集上检测准确性优于现有方法。
2024-07-26 cs.CY cs.SI
Modularity Optimization as a Training Criterion for Graph Neural Networks
Tokyo Institute of Technology（东京工业大学）
图卷积是一种最近的可扩展方法，用于通过聚合多层上的本地节点信息来对属性图执行深度特征学习。这些层只考虑前向模型中节点邻居的属性信息，而不将全局网络结构的知识纳入学习任务中。特别是，模块化功能提供了一个方便的信息来源的社区结构的网络。在这项工作中，我们研究了在图卷积模型中加入网络的社区结构保护目标对学习表示质量的影响。我们以两种方式合并目标，通过输出层成本函数中的显式正则化项以及通过辅助层计算的额外损失项。我们报告了社区结构保留项在图卷积架构中的效果。两个属性bibilographic网络的实验评估表明，社区保护的目标，提高了半监督节点分类精度在稀疏标签制度。
2022-06-30 cs.LG cs.SI
A Spectral Method for Joint Community Detection and Orthogonal Group Synchronization
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Chicago（芝加哥大学）
社区检测和正交群同步是科学和工程中具有重要应用的基本问题。在这项工作中，我们考虑的联合问题的社区检测和正交组同步，旨在恢复社区和同步的同时进行。为此，我们提出了一个简单的算法，包括一个频谱分解步骤，然后是一个块列枢轴QR分解（CPQR）。所提出的算法是有效的，并与图中的边的数量成线性比例。我们还利用最近开发的“留一出”技术，建立一个接近最佳的保证准确恢复的集群成员和稳定恢复的正交变换。数值实验表明，我们的算法的效率和有效性，并确认我们的理论表征。
2022-09-16 cs.LG cs.SI stat.ML
Two Layer Walk: A Community-Aware Graph Embedding
School of Artificial Intelligence, Xidian University（西安电子科技大学人工智能学院）；Guangzhou Institute of Technology, Xidian University（西安电子科技大学广州研究院）
针对现有图嵌入方法无法有效保留社区结构或计算成本高的问题，提出结合层次社区结构的算法 TLWalk，通过无需额外参数的社区感知随机游走平衡社区内外关系，有效缓解局部性偏差，在链路预测任务中准确率提升达 3.2%，兼具鲁棒性与可扩展性。
2024-12-18 cs.AI 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
Non-negative Tensor Factorization for Human Behavioral Pattern Mining in Online Games
University of Southern California Information Sciences Institute（南加州大学信息科学研究所）
多人在线战斗竞技场已成为一种流行的游戏类型。它也得到了我们研究界越来越多的关注，因为它们提供了关于人类互动和行为的丰富信息。一个主要的问题是从这种类型的数据中提取有意义的活动模式，以一种易于解释的方式。在这里，我们建议利用张量分解技术，特别是非负张量分解，以发现隐藏的相关行为模式的发挥在一个流行的游戏：英雄联盟。我们首先收集一组大约1000名玩家的整个游戏历史，总共大约有$100K$场比赛。通过应用我们的方法框架，我们将玩家分成具有相似特征和游戏策略以及相似时间轨迹的组，即，在他们的游戏历史过程中的行为进展：这将使我们能够调查玩家如何学习和提高他们的技能。
2017-02-19 cs.HC cs.LG cs.SI
Overlapping community detection in weighted networks
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
Self-Supervised Deep Graph Embedding with High-Order Information Fusion for Community Discovery
Dalian University of Technology（大连理工大学）
深度图嵌入是社区发现的一种重要方法。具有自监督机制的深度图神经网络可以从未标记和非结构化的图数据中获取节点的低维嵌入向量。图的高阶信息可以为节点的表示学习提供更丰富的结构信息。然而，由于图神经网络的层数有限，大多数自监督图神经网络只使用邻接矩阵作为图的输入拓扑信息，不能获得太高的阶信息。如果有太多的层，过度平滑的现象会出现。因此，如何利用浅层图神经网络获取并融合图的高阶信息是一个重要的问题。提出了一种基于自监督机制的深度图嵌入算法。该算法利用自监督机制和图的不同高阶信息训练多个深度图卷积神经网络。该方法将多个图卷积神经网络的输出进行融合，提取包含图的属性和结构信息的节点表示。此外，在训练过程中引入了数据增强和负采样，以提高嵌入效果。在五个实验数据集上对所提出的算法和比较算法进行了实验。实验结果表明，在大多数实验数据集上，该算法的性能优于对比算法。实验结果表明，该算法是一种有效的社区发现算法。
2021-02-08 cs.AI 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
Community Detection in Partially Observable Social Networks
Dankook University（檀国大学）；Yonsei University（延世大学）；University of Konstanz（康斯坦茨大学）
社交网络中社团结构的发现是理解网络拓扑结构和功能的一个基本问题，因此受到了广泛的关注。然而，大多数社交网络数据都是从部分可观察的网络中收集的，其中既有缺失的节点，也有缺失的边缘。在本文中，我们解决了一个新的问题，检测重叠的社区结构的背景下，这样一个不完整的网络，在网络中的社区被允许重叠，因为节点属于多个社区一次。为了解决这个问题，我们引入KroMFac，一个新的框架，进行社区发现通过正则化非负矩阵分解（NMF）的基础上的克罗内克图模型。具体来说，从推断的Kronecker生成参数矩阵，我们首先估计网络的缺失部分。作为我们对所提出的框架的主要贡献，为了提高社区发现的准确性，我们然后通过排名来描述和选择有影响力的节点（往往具有高程度），并将它们添加到现有的图中。最后，我们通过解决正则化NMF辅助优化问题来最大化底层图的可能性来揭示社区结构。此外，采用归一化互信息（NMI），我们经验表明，我们的KroMFac方法的优越性，通过使用合成和真实世界的网络超过两个基线计划。
2021-04-16 cs.LG cs.SI physics.soc-ph
Scalable community detection in massive networks via predictive assignment
针对大规模网络社区检测内存与时间成本高的问题，提出预测分配策略，将任务拆分为小子图矩阵计算加并行向量分配，证明其在随机块模型下的强一致性，并在模拟及真实数据集上验证了性能。
2025-03-20 cs.SI physics.soc-ph stat.ME
