Prospecting Community Development Strength based on Economic Graph: From Categorization to Scoring
近年来，关于社区表征的研究越来越多。针对目前社区发展评价的分类测度（上升或下降）研究较多的现状，本文提出了社区发展强度（上升或下降的程度）的估计方法。更具体地说，在已知社区发展分类信息的情况下，我们试图量化社区发展强度，这是非常有意义的。在社区实体间网络大规模数据日益丰富的背景下，本文研究了如何对社区的发展强度进行评分。基于多元关系网络信息，从分类的角度对社区发展强度进行了形式化界定，并指出了社区发展强度量化中存在的两个挑战：（1）整合实体多元关系网络对社区发展强度量化的指导作用有限;（2）社区发展强度对网络形成的选择效应。针对这些问题，本文提出了一种基于多元关系网络的社区发展强度量化方法。然后，利用网络生成过程来消除选择过程的偏差。最后，将该模型应用于企业业务发展实力的量化，对模型进行了实证评价。通过仿真和实测数据处理验证了所提方法的有效性。
2023-03-11 cs.CY cs.SI
Relational flexibility of network elements based on inconsistent community detection
网络成分的社区识别使我们能够理解网络的中尺度聚类结构。已经开发了许多算法来确定网络中最可能的社区结构。这个问题的这种概率或随机性质自然会涉及到最终社区结构的模糊性。更具体地说，随机算法原则上可以为每个实现产生不同的社区结构。在这项研究中，我们没有试图“解决”这个社区退化问题，而是通过将退化作为一个机会来量化每个节点与其他节点之间的友谊程度来扭转局面。为此，我们定义了伙伴关系不一致的概念，它表明一个节点被识别为社区成员的不一致性。通过对模型和真实网络的分析，我们发现伙伴关系不一致性揭示了节点的独特特征，因此我们提出将其作为一种新的节点中心性。例如，在社交网络中，同伴关系不一致可以将没有固定社区成员资格的局外人节点和与多个社区有多个连接的混杂节点分类。在电网等基础设施网络中，它可以诊断连接结构在电力传输方面如何均衡。因此，伴随不一致性抽象了个体节点与网络的高阶组织关系的内在属性。
2019-08-19 cond-mat.dis-nn cs.SI physics.soc-ph
FCS-HGNN: Flexible Multi-type Community Search in Heterogeneous Information Networks
针对异构信息网络中现有社区搜索方法难以灵活处理多类型社区且依赖用户预定义约束的问题，提出FCS-HGNN方法，通过多视角互补信息提取与动态关系贡献建模，并引入采样与启发式搜索提升效率，在单类型和多类型社区上分别取得14.3%和11.1%的平均性能提升。
2024-07-21 cs.SI
Leveraging Node Attributes for Incomplete Relational Data
Monash University（莫纳什大学）
在实际应用中，关系数据通常是高度不完整的，这启发我们利用边信息来提高社区检测和链接预测的性能。本文提出了一种贝叶斯概率方法，它结合了各种节点属性编码的二进制形式的关系模型与泊松似然。我们的方法灵活地适用于有向和无向关系网络。可以通过有效的吉布斯抽样来进行推理，该采样利用了网络和节点属性的稀疏性。大量的实验表明，我们的模型达到了最先进的链接预测结果，特别是高度不完整的关系数据。
2017-06-14 cs.LG cs.SI stat.ML
Relational Thematic Clustering with Mutually Preferred Neighbors
自动学习网络数据中的主题簇一直是机器学习领域的一个挑战性课题。已经提出了许多方法来实现它，利用边缘，顶点特征，或两者兼而有之。然而，很少有人考虑如何量化的二分法倾向w.r.t.网络拓扑和顶点特征可能影响顶点簇偏好，这阻碍了先前的方法在网络数据中发现更多可解释的潜在组。为了填补这一空白，我们提出了一种新的概率模型，被称为关系主题聚类与相互偏好的邻居（RTCMPN）。与现有的边结构和顶点特征的学习重要性预先确定的方法不同，RTCMPN可以进一步学习潜在的偏好，指示哪些相邻顶点更可能在同一个簇中，以及描述相对重要性如何w.r.t.边结构和顶点特征可以影响成对顶点之间的关联。因此，植入边缘结构，顶点特征，邻居的喜好，和顶点-顶点二分倾向的集群结构可以通过RTCMPN学习。我们还推导出一个有效的期望最大化算法RTCMPN推断最优模型参数。RTCMPN与各种网络数据的几个强基线进行了比较。实验结果验证了RTCMPN的有效性。
2020-01-23 cs.SI
Clustering Network Layers With the Strata Multilayer Stochastic Block Model
多层网络是一种用于同时捕获一组节点之间的多种类型关系的有用数据结构。在这样的网络中，每一个关系定义都会产生一个层。虽然每一层都提供了自己的信息集，但跨层的社区结构可以共同用于发现和量化节点之间的底层关系模式。为了从多层网络中简洁地提取信息，我们建议识别和组合社区结构中具有有意义相似性的层集。本文描述了一种多层群落结构的概率模型--“地层多层随机块体模型”（sMLSBM）。该模型的中心扩展是存在层组，称为“层”，其被定义为使得给定层中的所有层具有由公共随机块模型（SBM）描述的社区结构。也就是说，层中的层表现出类似的节点到社区分配和SBM概率参数。将sMLSBM拟合到多层网络提供了产生节点到社区和层到层分配的联合聚类，其在推断期间相互协作地辅助。我们描述了一种算法，用于分离层到其适当的地层和推断技术，用于估计每个地层的SBM参数。我们使用合成网络和从人类微生物组项目收集的数据推断的多层网络来演示我们的方法。
2015-10-09 cs.SI physics.soc-ph stat.ML
Interesting Multi-Relational Patterns
从多关系数据中挖掘模式是数据采掘界越来越感兴趣的问题。传统的数据采掘方法通常是针对高度简化的数据类型开发的，例如属性-值表或二进制数据库，使得这些方法不能直接应用于多关系数据。然而，多关系数据更真实，因此通常也是现实的更强大的代表。因此，直接从这种表示中挖掘具有适当表达能力的语法模式是一个非常重要的研究问题。在本文中，我们介绍了一种新的方法来挖掘模式的多关系数据。我们提出了一个新的语法多关系模式的完全连通子图的数据库表示为一个K-部图。我们展示了这种模式语法如何普遍适用于多关系数据，而当数据是一个简单的二进制或属性值表时，它可以简化为众所周知的瓦片[7]。我们提出了RMiner，一个有效的算法来挖掘这样的模式，我们引入了一种方法来量化他们的兴趣时，与先验信息的数据挖掘。最后，我们通过讨论真实世界和合成数据库的结果来说明我们的方法的有用性。
2011-09-12 cs.DB cs.DS cs.SI
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
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
Community Detection in Multimodal Data: A Similarity Network Perspective
该研究从相似性网络视角探究多模态社区检测，通过设置模态间聚类信息与噪声差异，评估SNF、NEMO等整合技术性能，发现简单均值聚合在聚类不一致场景下更优，且NEMO与均值聚合对不完整模态鲁棒性更强。
2025-02-21 cs.SI
Understanding the Personal Networks of People Experiencing Homelessness in King County, WA with aggregate Relational Data
University of Washington（华盛顿大学）；King County Regional Homelessness Authority（金县区域无家可归者管理局）
利用2022-2024年对金县3000多名无家可归者的调查数据，通过网络抽样方法分析其熟人、密友、亲属和同伴推荐网络，发现社会连通性随时间下降，但亲属网络扩大，表明社会隔离加剧且家庭支持依赖增强。
2026-06-15 cs.SI physics.soc-ph
Comparing Community-aware Centrality Measures in Online Social Networks
识别关键节点对于加速或阻止网络中的动态传播至关重要。社区感知的中心性措施通过利用网络的社区结构来解决这个问题。虽然设计新的社区意识中心措施的趋势日益明显，但对拟议措施的有效性没有进行系统的调查。本研究进行了广泛的比较评估突出的社区意识的中心性措施，使用易感-感染-传播（SIR）模型在现实世界的在线社交网络。总体而言，结果表明，K壳与社区和社区为基础的中心性措施是最准确的识别有影响力的节点下，一个单一的传播问题。此外，流行病传播率对社区感知中心性指标的行为没有显著影响。
2022-01-30 cs.SI
Annotation of Positive vs Negative User Interactions for Social Sign Prediction
Institute of Informatics and Telematics, CNR（意大利国家研究委员会信息与电信研究所）；University of Pisa（比萨大学）
提出利用大语言模型零样本识别交互中的个人赞扬和攻击作为关系信号，以改进社交关系符号预测。
2026-06-04 cs.SI
Locally Boosted Graph Aggregation for Community Detection
MIT Lincoln Laboratory（麻省理工学院林肯实验室）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
近年来，从嘈杂的多源数据中学习正确的图形表示已经引起了人们的极大兴趣。这个问题的核心原则是关系学习。这里的目标是将每个数据源提供给我们的部分信息以一种捕获真正的潜在关系的方式合并。为了应对这一挑战，我们提出了一个通用的，鼓舞人心的框架相结合的弱证据的实体关联到一个强大的相似性度量。在以前工作的基础上，我们探索在何种程度上不同的本地质量测量产生适合于社区发现的图形表示。我们在各种数据集上展示了这个框架的实用性，特别是对于噪声和规模带来严重挑战的真实数据集，我们提出了实证结果。最后，我们证明了一个收敛定理，在一个理想的设置，并概述了未来的研究到其他应用领域。
2014-05-13 cs.LG cs.SI physics.soc-ph
When Less Is More: Systematic Analysis of Cascade-Based Community Detection
信息扩散、传染病的传播和谣言的传播是发生在现实生活网络中的基本过程。在许多实际情况下，人们可以观察到节点何时被感染，但感染或信息传播的底层网络是隐藏的。推断底层网络的属性是很重要的，因为这些属性可以用于约束感染、预测、病毒式营销等。此外，对于许多应用程序来说，只恢复该网络的粗略高级属性就足够了，而不是恢复其所有边。本文对以下问题进行了系统和广泛的分析：仅给定感染次数，找到高度互连节点的社区。这个任务显着不同的研究社区发现的问题，因为我们没有观察到一个图进行聚类。我们在几个大型数据集上对现有方法和新方法进行了彻底的比较，并涵盖了针对这一问题的方法学挑战。其中一个主要结论是，最稳定的性能和最显着的改善，目前的最先进的是通过我们提出的简单的启发式方法不可知的特定的图结构和流行病模型。我们还表明，一些著名的社区发现算法可以通过包括边缘权重的级联数据的基础上得到增强。
2022-03-30 cs.SI physics.soc-ph
A bibliometric approach to Systematic Mapping Studies: The case of the evolution and perspectives of community detection in complex networks
在确定值得追求的新研究路线时，对最先进的技术进行批判性分析是一项必要的任务。为此，必须考虑到与感兴趣领域有关的所有现有工作。关键是如何组织、分析和理解当今关于任何主题的大量科学文献。为了解决这个问题，我们在这里提出了一个文献计量学的方法系统映射研究（SMS）。因此，修改SMS协议依赖于科学参考文献元数据来提取、处理和解释当今研究文献中包含的丰富信息。作为一个测试案例，该过程被应用于确定复杂网络中的社区发现的现状和前景。我们的研究结果表明，社区发现是一个仍然活跃，远未枯竭，在发展中的领域。此外，我们发现，到目前为止，利用最多的方法是那些有关确定层次社区结构。另一方面，结果表明，模糊聚类技术，尽管他们的兴趣，是欠发达的，以及适应现有的算法，并行或更具体地说，分布式计算系统。
2017-02-08 cs.DL cs.SI physics.soc-ph
Median evidential c-means algorithm and its application to community detection
Northwestern Polytechnical University（西北工业大学）；University of Rennes 1（雷恩第一大学）；IRISA（IRISA研究所）
中值聚类对于关系数据的划分具有重要价值。提出了一种新的基于原型的聚类方法--中值证据C均值（Median Evidential C-Means，MECM），它是中值C均值和中值模糊C均值在置信函数理论框架下的扩展。中值变量放宽了对对象嵌入度量空间的限制，但将原型约束在原始数据集中。由于这些属性，MECM可以应用于图聚类问题。研究了一种基于MECM的社交网络社区发现方案，得到的图的置信划分比清晰划分和模糊划分更精细，使我们能够更好地理解图的结构.为了避免局部早熟收敛，提出了一种基于证据半中心性的初始原型选择方案，并定义了一个证据模块度函数来选择最优社区数.最后，在模拟数据集和真实数据集上的实验表明了MECM的性能，并显示了它与其他方法的区别。
2015-01-07 cs.AI cs.SI
Information Extraction from Larger Multi-layer Social Networks
社交网络通常使用节点之间的多种不同类型的链接对社区结构进行编码。在本文中，我们介绍了一种新的方法来提取信息，从这样的多层网络，其中每种类型的链接形成自己的层。利用帕累托最优性的概念，社区发现在这种多层设置制定为多准则优化问题。我们提出了一个算法，找到一个近似的Pareto边界包含一个家庭的解决方案。在Twitter数据集上展示了这种方法的强大功能，其中节点是主题标签，并且层对应于（1）连接时间配置文件相似的主题标签对的行为边缘和（2）连接出现在相同推文中的主题标签对的关系边缘。
2015-07-01 cs.SI physics.soc-ph
Fast inference of latent space dynamics in huge relational event networks
Università della Svizzera italiana（瑞士意大利语区大学）
提出一种基于似然的分层算法，利用平滑样条过程和凸聚类惩罚，在可解释潜在空间中快速推断大型关系事件网络的社区动力学，数分钟内可在公共GPU上拟合数百万节点。
2023-03-29 cs.LG cs.SI stat.CO
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
Consistently estimating network statistics using Aggregated Relational Data
收集完整的网络数据是昂贵的，耗时的，而且往往是不可行的。聚合关系数据（ARD），它通过向受访者提出“你认识多少具有X特质的人？”''在无法收集完整网络数据时提供低成本选项。ARD不是直接询问每对个体之间的联系，而是收集受访者知道的具有给定特征的联系人的数量。尽管广泛使用和越来越多的文献ARD方法，仍然没有系统的了解，什么时候以及为什么ARD应该准确地恢复未观察到的网络的功能。本文提供了这样一个特征，推导出的条件下，有关未观察到的网络的统计数据（或这些统计数据的功能，如回归系数）可以一致地估计使用ARD。我们这样做，首先提供相合估计的网络模型参数的三种常用的概率模型：β模型与节点特定的未观察到的影响，随机块模型与未观察到的社区结构，和潜在的几何空间模型与未观察到的潜在位置。这些结果背后的一个关键观察是，（可能未观察到的）组的集合的跨组链接概率确定模型参数，这意味着ARD足以进行参数估计。利用这些估计的参数，可以从拟合的分布模拟图形并分析网络统计数据的分布。然后，我们可以表征条件下，基于ARD的模拟网络将允许一致的估计未观察到的网络统计，如特征向量中心或响应函数的未观察到的网络，如回归系数。
2022-10-21 cs.SI stat.AP stat.ME
Community Identity and User Engagement in a Multi-Community Landscape
Cornell University（康奈尔大学）；Stanford University（斯坦福大学）
一个社区的特性决定并塑造了它的内部动态。我们目前对这种相互作用的理解主要局限于从个别社区的孤立研究中收集的一瞥。在这项工作中，我们提供了一个系统的探索，这种关系的性质在各种各样的在线社区。为此，我们引入了一个定量的，基于语言的类型学，反映了两个关键方面的一个社区的身份：如何独特，以及如何时间动态的。通过将近300个Reddit社区映射到由这种类型学引起的景观中，我们揭示了用户参与模式如何随社区特征而变化。我们的研究结果表明，新的和现有的用户参与社区的方式强烈和系统地依赖于它所培养的集体身份的性质，在方式上是非常重要的社区维护者。例如，具有独特和高度动态身份的社区更有可能留住用户。然而，这种利基社区也表现出现有用户和新来者之间更大的文化适应差距，这可能会阻碍后者的融合。更一般地说，我们的方法揭示了各种社会现象在不同社区中表现的差异，并表明构建多社区景观可以更好地理解这种多样性的系统性。
2017-05-26 cs.CL cs.CY cs.SI
NetPTR: Optimal Differentially Private Spectral Community Detection on Sparse Networks
National University of Singapore（新加坡国立大学）
提出NetPTR算法，通过稳定性测试和噪声扰动实现谱聚类的差分隐私，在度修正随机块模型下达到最优隐私预算，支持普通网络和二分网络。
2026-06-26 cs.SI stat.ME
The stability of a graph partition: A dynamics-based framework for community detection
近年来，人们对复杂网络分析的兴趣激增，这得益于关系数据的可用性和可用于分析的日益强大的计算资源。自然地，对现实世界系统的研究会导致高度复杂的网络，当前的挑战是从网络中提取相关子图的可理解的简化描述，这可以提供对整个系统的结构和功能的洞察。在Newman和Girvan的开创性工作的启发下，一个有趣的研究方向致力于研究网络中的模块化社区结构，重振了图划分的经典问题。然而，众所周知，网络中的模块或社区结构逃避了严格的定义。最被接受的社区概念可能是一组元素，它们在内部表现出比与社区外部元素更强的交互作用。这个概念导致了大量用于社区检测的计算方法和启发式方法。然而，到目前为止，对这些方法中的大多数方法，在它们如何运作以及它们应该检测什么方面，仍然缺乏坚定的理论理解。在这里，我们将开发一个动态的角度对社区检测，使我们能够定义一个衡量命名的稳定性图分区。它将被证明，一些以前的特设定义的社区检测算法可以被看作是我们的方法为我们提供了一个动态的重新解释这些措施的特殊情况。因此，我们的动态为基础的方法作为一个统一的框架，以获得更深入的了解与社区检测的不同方面和问题，并允许我们提出新的动态启发的标准，社区结构。
2013-08-07 cond-mat.stat-mech cs.SI physics.data-an
Mining and Intervention of Social Networks Information Cocoon Based on Multi-Layer Network Community Detection
本文通过构建用户关系与特征相似性的双层网络，提出两种基于图自编码器的社区发现算法用于识别信息茧房，并设计基于影响力的干预策略，在提升NMI和Q指标的同时以最小代价缓解观点极化。
2025-05-06 cs.SI math.ST stat.TH
Hawkes based Representation Learning for Reasoning over Scale-free Community-structured Temporal Knowledge Graphs
School of Software, Dalian University of Technology（大连理工大学软件学院）
针对真实 TKG 的社区结构、无标度长尾分布与事件时间衰减特征，提出 HERLN，通过社区发现、Hawkes 关系图卷积网络和条件解码提升推理性能。
2024-12-28 cs.AI cs.LG cs.SI
The Triadic Loop: A Framework for Negotiating Alignment in AI Co-hosted Livestreaming
University College London（伦敦大学学院）
本文提出三元循环框架，用于协商AI共播直播中的对齐问题，通过三者之间的双向适应过程，解决多用户社交环境中的动态反馈循环问题。
2026-04-20 cs.AI cs.HC cs.SI
Spectral clustering for dependent community Hawkes process models of temporal networks
Department of Statistics The Ohio State University（统计学系俄亥俄州立大学）；Department of Electrical Engineering and Computer Science University of Toledo（电气工程与计算机科学系托莱多大学）；Department of Computer and Data Sciences Case Western Reserve University（计算机与数据科学系凯斯西储大学）
针对时间网络中的社区结构与节点对依赖性，提出依赖社区Hawkes（DCH）模型，结合随机块模型与相互激发Hawkes过程，推导了谱聚类误聚类误差的非渐近上界，并提出基于广义矩估计的高可扩展参数估计方法。
2025-05-28 cs.LG cs.SI stat.ME
CHIP: A Hawkes Process Model for Continuous-time Networks with Scalable and Consistent Estimation
University of Toledo（托莱多大学）；The Ohio State University（俄亥俄州立大学）
在许多涉及网络的应用环境中，例如在线社交网络用户之间的消息或金融市场交易员之间的交易，观察到的数据由时间戳关系事件组成，这些事件形成连续时间网络。我们提出了社区霍克斯独立对（CHIP）生成模型，这样的网络。我们表明，应用谱聚类的聚合邻接矩阵构造的CHIP模型提供了一致的社区发现的节点数量和持续时间不断增加。我们还开发了一致的和计算效率的模型参数的估计。我们证明了我们提出的CHIP模型和估计过程可扩展到具有数万个节点的大型网络，并在几个真实网络上提供优于现有连续时间网络模型的拟合。
2020-11-10 cs.LG cs.SI physics.soc-ph
