研究OSS协作网络中的社区形成问题。虽然目前大多数工作都在研究小规模OSS项目的出现，但我们的方法借鉴了180万GitHub用户及其存储库贡献的大规模历史数据集。开放源码软件协作的特点是，小规模的用户群体密切合作，从而在基础网络结构中形成由短周期界定的社区。为了理解这种现象的影响，我们应用了一个预处理步骤，该步骤通过使用Renewal-Nonbacktracking Random Walks（RNBRW）和成对协作的强度来解释循环网络结构，然后再实施Louvain方法来识别网络中的社区。装备鲁汶RNBRW和贡献强度提供了一个更自信的方法来检测小规模的团队，并揭示了社区发现的重要差异，如用户倾向于优先连接到更成熟的协作社区。使用这种方法，我们还确定了影响社区形成的关键因素，包括用户位置和主要程序设计语言的影响，这是使用贡献活动的比较方法确定的。总的来说，本文提供了几个有前途的方法论的见解，开源软件专家和网络学者有兴趣研究团队的形成。
英文摘要：
This paper studies community formation in OSS collaboration networks. While most current work examines the emergence of small-scale OSS projects, our approach draws on a large-scale historical dataset of 1.8 million GitHub users and their repository contributions. OSS collaborations are characterized by small groups of users that work closely together, leading to the presence of communities defined by short cycles in the underlying network structure. To understand the impact of this phenomenon, we apply a pre-processing step that accounts for the cyclic network structure by using Renewal-Nonbacktracking Random Walks (RNBRW) and the strength of pairwise collaborations before implementing the Louvain method to identify communities within the network. Equipping Louvain with RNBRW and the contribution strength provides a more assertive approach for detecting small-scale teams and reveals nontrivial differences in community detection such as users tendencies toward preferential attachment to more established collaboration communities. Using this method, we also identify key factors that affect community formation, including the effect of users location and primary programming language, which was determined using a comparative method of contribution activities. Overall, this paper offers several promising methodological insights for both open-source software experts and network scholars interested in studying team formation.
Centrality in Collaboration: A Novel Algorithm for Social Partitioning Gradients in Community Detection for Multiple Oncology Clinical Trial Enrollments
University of Toronto（多伦多大学）；University Health Network（大学健康网络）
Hierarchical organization of H. Eugene Stanley scientific collaboration community in weighted network representation
通过映射当代社会互动的最先进的元素，世界科学合作网络发展了一个极其复杂的组织。这种异质性的选择特征进行了研究，并确定了重点放在科学合作社区的H。尤金·斯坦利-目前世界上最多产的学者之一。基于截至2016年3月28日的Web of Science记录，构建了几种网络变体。结果发现，斯坦利#1网络-这在类比的Erdos的# -发展了一个很大程度上一致的层次结构和斯坦利自己遵守规则的相同层次结构。然而，这仅在加权网络表示中看到。当这样的加权网络的发展，现有的相关模型表明，权重的传播得到刺激的乘法突发在相邻的节点，这导致它们之间的互连的平衡增长。虽然不是斯坦利独有的，但这种行为并不是一种规则。在这里研究的其他杰出学者的网络更经常发展成一种星状形式，中心枢纽构成了离群点。这项研究的补充频谱分析的归一化拉普拉斯矩阵来自相应的网络的加权变体，除其他外，它指出了这样一个程序的效率，用于确定组件社区和它们之间的关系在复杂的加权网络。
A Community Detection and Graph Neural Network Based Link Prediction Approach for Scientific Literature
Chengdu Library and Information Center, Chinese Academy of Sciences（中国科学院成都文献情报中心）；University of Michigan（密歇根大学）；Shandong University of Technology（山东理工大学）；Kunming University of Science and Technology（昆明理工大学）；Macau University of Science and Technology（澳门科技大学）；Purdue University（普渡大学）
