Community Detection via Local Dynamic Interaction
我们如何才能发现真实网络中的自然群落，从而深入了解其底层结构和潜在功能？在本文中，我们介绍了一种新的社区发现算法，称为吸引子，自动点的社区或团体在网络中随着时间的推移，通过本地动态交互。其基本思想是将网络设想为一个动态系统，每个代理都与其本地合作伙伴进行交互。而不是调查节点的动态，我们实际上是检查的变化的“距离”之间的链接节点。随着时间的推移，这些距离将根据其拓扑结构逐渐缩小或拉伸。最后，所有链接节点之间的距离将收敛到一个稳定的模式，社区可以直观地识别。由于社区发现的动态视角，吸引子具有几个潜在的吸引力特性：（a）吸引子提供了一个直观的解决方案来分析网络的社区结构，并忠实地捕获自然社区（高质量）。(b)由于其时间复杂度$O(|E|)$，吸引器允许在大型网络上查找社区。(c)通常存在于真实世界网络中的小社区或异常现象可以很好地定位。(d)吸引子很容易参数化，因为不需要指定簇的数量。在合成网络和真实网络上的大量实验进一步证明了该方法的有效性和效率。
2014-09-29 cs.SI physics.soc-ph
The Genetic Programming Collaboration Network and its Communities
有关科学合作结构和模式的有用信息可以从已发表论文的计算机数据库中推断出来。遗传规划参考书目是关于遗传规划的最完整的参考文献。除了查找出版物，它还包含共同作者和共同编辑的关系，从中可以更全面地了解该领域。我们将这些关系视为无向小世界图，其研究揭示了GP协作社会网络的社区结构。自动分析发现新的社区并突出它们的新方面。调查显示，GP和其他科学领域的合作网络之间有许多相似之处，但也有一些微妙的差异，如较小的中心网络组件和高聚类。
2007-04-04 physics.soc-ph
Expertise localization discovered through correlation of key term distribution and community detection in co-author networks
我们提出了一个高效和有效的自动方法来确定合作作者网络中发现的科学社区的研究重点。它利用数据库中的书目数据来形成网络，然后通过快速贪婪社区发现来识别网络中大型连接组件中的社区。文本分析技术被用来识别代表社区主题的社区特定的重要术语。为了大大减少计算时间，对网络中每份出版物的“主题”字段而不是其整个文本进行分析。使用这种文本分析方法需要一定程度的统计置信度，因此使用这种技术分析非常小的社区并不有效。我们发现一个最小的社区规模阈值8合著论文;低于这个值，社区的主题不能可靠地识别与此方法。此外，我们认为这项研究的影响，在合著网络的科学社区的形成所涉及的因素。
2014-07-14 cs.DL cs.SI physics.soc-ph
A testing based extraction algorithm for identifying significant communities in networks
在网络研究中出现的一个常见且重要的问题是如何将给定网络的顶点划分为一个或多个称为社区的组，以这种方式，同一社区的顶点比属于不同社区的顶点更加互连。我们提出并研究了一个基于测试的社区发现过程，称为统计显著社区提取（ESSC）。ESSC过程是基于$p$ -值的一个单一的顶点和一组顶点之间的连接强度的参考分布来自一个条件配置网络模型。该过程自动选择网络中的社区数量及其大小。此外，ESSC可以处理重叠的社区，不像大多数现有的方法，确定“背景”顶点不属于一个定义良好的社区。该方法只有一个参数，用于控制假设检验的严格性。我们调查的性能和潜在的使用ESSC，并比较它与现有的方法，通过验证研究，使用四个真实的网络数据集。此外，我们进行了模拟研究，以评估ESSC的有效性，在网络中的各种类型的社区结构，包括网络与重叠社区和背景顶点。这些结果表明，ESSC是一个有效的探索工具，发现相关的社区结构的复杂网络系统。数据和软件可在\urlhttp：//www.example.com上获得。www.unc.edu/~jameswd/research.html
2014-12-03 cs.SI physics.soc-ph stat.ME
Comprehensive spectral approach for community structure analysis on complex networks
介绍了一种简单而有效的分析复杂网络社团结构的谱方法。它对所有类型的网络都是以同样的方式工作的，通过光谱将邻接矩阵分成“单部”和“多部”分量。这两个矩阵从不同的角度揭示了网络的结构，可以在不同的细节层次上进行分析。它们的条目，或者它们的低等级近似的条目，提供了突出社区的节点和将它们连接在一起的“网关”链接之间的亲和力或对抗性的度量。然后，提出了一种算法，以实现自动分配的节点的社区提供的信息的基础上的矩阵。该算法自然会生成重叠的社区，但也可以进行调整以消除重叠。
2016-02-03 cond-mat.dis-nn cs.SI physics.soc-ph
I will be there for you: six friends in a clique
网络科学在分析社交网络的结构和动力学方面已被证明是有用的。本文旨在分析情景喜剧《老友记》中的人物关系。特别是，两个重要的方面进行了调查。第一，社区的结构如何。其次，不仅静态结构的图和因果关系的调查，而且时间方面。此外，这部情景喜剧经常与以下事实联系在一起：所有六个角色都同样突出;它没有占主导地位的故事情节;和友谊作为代理家庭。本文使用网络理论的工具来检查这些假设和其他假设是否可以量化并证明是正确的。关于中心性和时间方面的主要发现是：在代表不同时间片的节目变化的图形中的模式;总体上，六个朋友的程度确实几乎相同;但是，在不同的情况下，（因此图），度中心性的大小确实改变了;介数中心性对于每个字符显着不同，因此一些字符比其他字符是更好的连接器;这六个朋友的程度与其余角色的程度存在很大差异，这表明这是一个集中式网络;有强烈的迹象表明这六个朋友是代理家庭的一部分。至于网络中的组的存在，不同性质的方法进行了研究，旨在检测组（社区）在网络中代表不同的时间片以及网络的所有情节。对这些方法进行了比较（两两比较，也使用了各种指标，包括可扩展性）。总体上，多水平方法表现合理。此外，这些方法并不完全一致，导致不同方法之间的组非常不同。
2019-12-11 cs.SI physics.soc-ph
Community Detection in Complex Networks Using Density-based Clustering Algorithm
与聚类分析一样，社区发现的目的是将网络中的节点分配到不同的社区中。Fdp是最近提出的一种基于密度的聚类算法，它不需要事先输入聚类数，聚类结果对聚类参数不敏感。然而，Fdp不能直接应用于社区发现，因为它不能识别网络中的社区中心。针对这一问题，提出了一种新的社区发现方法IsoFdp。首先，我们使用Isomap技术将网络数据映射到一个低维流形上，该流形可以显示不同的成对相似性。然后应用Fdp算法检测网络中的社区。提出了一种改进的划分密度函数来自动选择合适的社区数目。我们在合成网络和真实网络上测试了我们的方法，结果表明我们的算法比最先进的方法有效。
2016-01-31 cs.SI physics.data-an physics.soc-ph
Using network science and text analytics to produce surveys in a scientific topic
使用科学来理解其自身的结构正变得越来越流行，但理解知识领域的组织仍然是有限的，因为一些模式只有通过对大规模数据集进行适当的计算处理才能解释。在本文中，我们介绍了一种基于网络的方法，结合文本分析，以构建科学领域的分类。该方法被应用到两个主题：复杂网络（CN）和光子晶体（PC）。我们使用Web of Science的数据构建了引文网络，并使用社区发现算法进行分区，以获得所考虑领域的科学地图。我们还为文本分析创建了一个重要性索引，以获得定义社区的关键字。子主题之间的相关性的树状图也得到了。在分析中出现的有趣模式中，我们强调了PC领域两个定义明确的社区的识别，这与该领域两个不同的研究人员社区的已知存在是一致的：电信工程师和物理学家。利用这一方法，还可以评估关键词所界定的分专题的跨学科和时间演变情况。这里描述的自动工具不仅可以提供科学领域的概述，而且可以帮助科学家对特定主题进行系统研究。
2016-03-16 cs.SI physics.soc-ph
Clique percolation method: memory efficient almost exact communities
针对中等 $k$ 下 CPM 难以扩展的问题，论文基于高效 $k$-团列举扩展团渗流方法，并提出低内存近似算法 CPMZ。
2021-10-04 cs.DS cs.IR cs.SI
Collective emotions online and their influence on community life
电子社区，社会群体在网上互动，最近已成为跨学科研究的对象。与面对面的会议一样，互联网交流不仅包括事实信息，还包括情感信息-参与者对所讨论的主题或其他小组成员的感受。众所周知，情绪在离线通信中以多种方式影响交互伙伴是重要的。互联网交流中的情绪是否会影响他人，并系统地影响电子社区轨迹的数量和质量方面？自动情感分析的发展使得使用从网络收集的文本消息进行大规模情感检测和分析成为可能。目前尚不清楚电子社区中的情绪是否主要来自群体成员的个性，或者是否来自群体内的互动，以及它们是否影响群体活动。我们在从博客，Digg和BBC论坛下载的400万个帖子中观察到大规模的情感现象的集体特征。为了测试社区成员的情绪是否会影响其他人的情绪，帖子被分组为具有相似情绪效价的消息集群。长串的频率比情绪随机发生的频率要高得多。集群长度的分布可以用优先过程来解释，因为连续消息的条件概率随集群长度呈幂律增长。对于BBC论坛的帖子，前十条评论中的绝对平均情绪效价值越大，平均讨论长度越高，并且在讨论期间消息中的平均情绪量下降。我们的研究结果证明，集体的情绪状态可以通过互联网通信和情绪表达是维持一些电子社区的燃料创建和调制。
2011-07-13 cs.SI physics.soc-ph
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
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
Topological Feature Based Classification
人们对开发从网络中提取集群或社区的算法很感兴趣。这项工作提出了一种基于块建模的方法，用于利用社区和其他拓扑特征用于预测分类任务。受社区发现领域所面临的问题和贝叶斯主题建模的最新进展的启发，所提出的模型自动发现与给定分类任务相关的拓扑特征。通过这种方式，而不是试图为未定义的目标识别一些通用的最佳聚类集合，目的是为特定目的找到最佳聚类集合。使用这种方法，拓扑特征可以在给定的上下文中通过其预测性能进行验证和评估。该模型不同于其他关系和半监督学习模型，因为它确定拓扑特征来解释分类决策。在一些真实的网络的拓扑特征的预测能力的演示中示出的基于内容的关系学习器的性能相媲美。此外，该模型在有向和近似二分网络上的性能优于基于图的半监督方法。
2011-10-18 cs.SI physics.soc-ph
Identifying network communities with a high resolution
社团结构是复杂网络的一个重要性质。这种结构的自动发现是许多学科的基本任务，包括社会学，生物学，工程学和计算机科学。最近，已经提出了几个社区发现算法的基础上优化的数量称为模块度（Q）。然而，模块化优化问题是NP-难的，现有的方法往往具有运行时间长或质量差的缺点。此外，最近已经指出，基于优化Q的算法将具有分辨率限制，即，低于一定规模的社区可能检测不到。在本研究中，我们首先提出一个有效的启发式演算法Qcut，结合频谱图分割与局部搜寻来优化Q。使用合成和真实的网络，我们表明，Qcut可以找到更高的模块性，比现有的算法更具可扩展性。此外，使用Qcut作为一个必要的组成部分，我们提出了一个递归算法，HQcut，解决分辨率限制问题。我们表明，HQcut可以成功地检测社区在一个更精细的规模和更高的精度比现有的算法。最后，我们应用Qcut和HQcut来研究蛋白质-蛋白质相互作用网络，并表明这两种算法的组合可以揭示有趣的生物学结果，否则可能无法检测到。
2007-04-27 physics.comp-ph physics.soc-ph
Modeling the Co-occurrence Principles of the Consonant Inventories: A Complex Network Approach
世界各地语言的语音都表现出显著的共现模式。在这项工作中，我们试图自动捕捉跨语言的辅音共现的模式，并在同一时间找出导致这种模式出现的力量的性质。为此，我们定义了一个加权网络，其中辅音是节点，两个节点（读辅音）之间的边表示它们在辅音库存上的同现可能性。通过这个网络，我们确定了辅音社区，基本上反映了它们在不同语言中的共现模式。我们测试社区的善良，并观察到组成辅音经常出现在这样的群体在真正的语言。有趣的是，形成这些社区的辅音反映出很强的相关性，在他们的功能，这表明，功能经济的原则作为一个社区形成的驱动力。为了衡量这种力量的强度，我们提出了一个信息理论的特征经济的定义，并表明，事实上，所表现出的辅音社区的特征经济大大优于那些如果辅音库存只是偶然演变。
2006-06-15 physics.soc-ph
Detecting signal from science:The structure of research communities and prior knowledge improves prediction of genetic regulatory experiments
本研究提出贝叶斯计算方法，利用文献自动提取的基因相互作用数据与LINCS L1000实验匹配，发现科学聚焦且机构独立的研究更易复现，为科研资助政策提供指导。
2020-08-23 cs.SI physics.soc-ph q-bio.MN
The ground truth about metadata and community detection in networks
在许多科学领域中，通常需要自动提取复杂系统组件如何交互的简化视图或粗粒度视图。这个一般任务称为网络中的社区发现，类似于在独立向量数据中搜索聚类。通常通过社区检测算法找到所谓的“真值”社区的能力来评估社区发现算法的性能。这在具有种植社区的合成网络中工作得很好，因为这种网络的链接是基于这些已知社区明确形成的。然而，在现实世界的网络中没有种植社区。相反，标准做法是将某些观察到的离散值节点属性或元数据视为真值。在这里，我们表明，元数据是不一样的真值，并把它们作为这样的诱导严重的理论和实践问题。我们证明，没有算法可以唯一地解决社区发现，我们证明了一个一般的没有免费午餐定理社区发现，这意味着不可能有算法是最佳的所有可能的社区发现任务。然而，社区发现仍然是一个强大的工具，节点元数据仍然有价值，因此仔细探索它们与网络结构的关系可以产生真正有价值的见解。我们通过引入两种统计技术来说明这一点，这些技术可以量化元数据和社区结构之间的关系，用于广泛的模型。我们使用合成和真实世界的网络，并为多种类型的元数据和社区结构演示这些技术。
2017-05-03 cs.SI physics.data-an physics.soc-ph
Towards fractal origins of the community structure in complex networks: a model-based approach
本文提出复杂网络的社区结构可能源于潜在分形特性，并通过一个具有节点度和社区规模双重尺度不变性的演化网络模型验证了该假设，发现网络中存在分形核心。
2023-09-20 cond-mat.dis-nn cs.SI physics.soc-ph
Hypothesis Testing for Automated Community Detection in Networks
University of California, Berkeley（加州大学伯克利分校）
网络中的社区检测是一个关键的探索性工具，在不同的领域中有着广泛的应用，从在社会和生物网络中寻找社区到在万维网中识别链接农场。在网络中寻找社区或簇的问题受到了统计学、物理学和计算机科学的广泛关注。然而，大多数聚类算法假设知道聚类数k。在本文中，我们提出了自动确定k生成的图从随机块模型。我们的主要贡献是双重的，首先，我们在理论上建立了适当的中心和缩放邻接矩阵的主特征值的极限分布，并使用该分布进行假设检验。其次，我们利用这个测试设计了一个递归二分算法。在真实网络上使用可量化的分类任务，我们证明了我们的算法在学习重叠集群方面优于现有的概率模型，并且在未标记的网络上，我们发现了嵌套的社区结构。
2013-11-20 cs.LG cs.SI math.ST
