An Optimal and Progressive Approach to Online Search of Top-k Influential Communities
大型图上的社区搜索是图分析中的一个基本问题。最近的研究提出计算top-k有影响力的社区，其中每个报告的社区不仅是一个有凝聚力的子图，而且具有高的影响力值。现有的top-k有影响力社区搜索算法可以分为基于索引的算法和无索引的在线搜索算法。基于索引的算法，虽然是非常有效的进行社区搜索，需要预先计算一个特殊用途的索引，只工作于一个内置的顶点权重向量。在本文中，我们研究了在线搜索方法，并提出了一个实例优化算法LocalSearch的时间复杂度是线性比例的最小子图的大小，一个正确的算法需要访问没有索引。此外，我们还提出了技术，使LocalSearch逐步计算和报告的社区在减少影响值的顺序，这样k不需要指定。此外，我们将我们的框架扩展到top-k有影响力的社区搜索其他凝聚力措施的一般情况下。大量的实证研究表明，我们的算法优于现有的在线搜索算法的几个数量级。
2017-12-13 cs.DB cs.SI
Approximate Closest Community Search in Networks
近年来，社会网络和信息网络中的社区搜索问题引起了人们极大的兴趣：给定一个或多个查询节点，找到包含查询节点的密集连接社区。然而，大多数现有的研究并没有解决“搭便车”的问题，即远离查询节点，并与他们无关的节点被包括在检测社区。一些国家的最先进的模型试图解决这个问题，但不仅是他们制定的问题NP难，他们不承认任何近似没有限制性的假设，这可能并不总是在实践中。在本文中，给定一个无向图G和一组查询节点Q，我们研究社区搜索使用的k-truss基于社区模型。我们制定我们的问题，找到一个最近的桁架社区（CTC），找到一个连接的k-桁架子图，其中最大的k包含Q，并具有最小的直径在这样的子图。我们证明了这个问题是NP难的。此外，对于任何$\varepsilon >0 $，在因子$(2-\varepsilon)$内近似该问题是NP难的。然而，我们开发了一个贪婪的算法框架，它首先找到一个包含Q的CTC，然后迭代地从图中删除距离Q最远的节点。该方法实现了对最优解的2-逼近。为了进一步提高效率，我们使用了一个紧凑的桁架索引，并开发了有效的算法，k-桁架识别和维护节点被淘汰。此外，使用批量删除优化和局部探索策略，我们提出了两个更有效的算法。其中一个交易的效率，而另一个是一个非常有效的启发式近似质量。在6个真实网络上进行的大量实验表明了我们的社区模型和搜索算法的有效性和效率。
2015-09-12 cs.DB cs.SI
Butterfly-Core Community Search over Labeled Graphs
社区搜索的目的是在图中找到查询顶点的密集连接子图。虽然这一任务已经在文献中得到了广泛的研究，但大多数现有的作品只关注于寻找同质社区，而不是具有不同标签的异质社区。在本文中，我们提出了一个新的问题，跨组社区搜索，即蝴蝶核心社区（BCC），在一个标记的图，其中每个顶点有一个标签表示其属性和两个顶点之间的边表示它们的交叉关系。具体来说，对于两个查询顶点具有不同的标签，我们的目标是找到一个密集连接的交叉社区，包含两个查询顶点，并由蝴蝶网络，其中每个翅膀的蝴蝶是由一个k-核心搜索的基础上，一个查询顶点和两个翅膀连接这些蝴蝶。事实上，BCC结构允许结构的内聚性和最小直径，从而可以有效地捕获异构和简洁的协作团队。此外，我们从理论上证明了该问题是NP-困难的，并分析了它的不可逼近性。为了有效地解决这个问题，我们开发了一个启发式算法，它首先找到一个BCC包含查询顶点，然后迭代地删除最远的顶点从图中的查询顶点。该算法可以达到最优解的2-近似。为了进一步提高效率，我们设计了一个蝴蝶核索引，并开发了一套有效的算法来识别和维护蝴蝶核的顶点被删除。八个真实世界的网络和四个新的案例研究的广泛实验验证了我们的算法的有效性和效率。
2021-05-20 cs.DB cs.SI
Finding Top-r Influential Communities under Aggregation Functions
社区搜索是在图中寻找满足某些拓扑约束的内聚和连通子图的问题，例如，度约束。现有的研究大多只关注网络的拓扑结构，而忽略了节点对网络社区的影响。为了解决这个问题，有影响力的社区搜索进一步提出了包括节点的影响力。在有影响力社区搜索问题中，每个节点都有一个权重，即影响力值，来表示其网络影响力。社区的影响力值由聚合函数产生，例如，max、min、avg和sum，对同一社区中的节点的影响值。有影响力社区搜索问题的目标是在满足拓扑约束的情况下找到具有最高影响力值的前r个社区。现有的有影响力的社区搜索的研究有几个局限性：（i）他们只专注于简单的聚合功能，如min，这可能达不到某些要求，在许多现实世界的情况下，（ii）他们对社区的大小没有限制，而大多数现实世界的情况下。这促使我们进行一项新的研究来填补这一空白。我们考虑的问题，确定顶R有影响力的社区，有/没有大小的限制，同时使用更复杂的聚合函数，如总和或平均值。我们给出了一个理论分析，证明了困难的问题，并提出了高效和有效的启发式解决方案，我们的topr有影响力的社区搜索问题。在真实大图上的大量实验表明，我们提出的解决方案比基线解决方案更有效。
2022-07-03 cs.DB cs.SI
Random Walk-based Community Key-members Search over Large Graphs
针对社区搜索返回规模过大问题，提出社区关键成员搜索（CKS），设计基于随机游走的优化算法与轻量级优化方法，在真实数据集上验证了有效性与效率。
2023-07-27 cs.DB cs.SI
UniCom: Towards a Unified and Cohesiveness-aware Framework for Community Search and Detection
University of New South Wales（新南威尔士大学）；University of Technology Sydney（悉尼科技大学）；Hong Kong Polytechnic University（香港理工大学）
UniCom通过跨领域知识转移解决社区搜索与检测问题，提升模型泛化能力和运行效率。
2025-12-02 cs.DB cs.SI
Improved Methods for k-core Community Search
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Ladybug Memory
针对大规模网络中的多顶点社区搜索，提出基于k-core的SteinerKCore算法及并行ShellStruct构建方法，在Icebug中实现，较现有工具更高效可扩展，可处理数十亿边网络。
2026-09-17 cs.SI
Multi-attributed Community Search in Road-social Networks
给定一个基于位置的社交网络，如何根据用户的偏好找到与查询用户高度相关且在多个属性中得分最高的社区？通常，面对这样的问题设置，我们可以将网络建模为多属性道路社交网络，其中每个用户都与位置信息和$d$（$\geq\! 1$）数值属性相关联。在实践中，用户偏好（即，权重）通常固有地是不确定的，并且只能以有限的精度来估计，因为人类用户不能以绝对精度指定精确值。受此启发，我们引入了一个规范的社区模型，适用于多标准决策，称为多属性社区（MAC），基于$k$核心的概念和一个新的优势关系的具体偏好。给定不确定的用户偏好，即权重的近似表示，MAC搜索报告每个可能的权重设置的确切社区。我们设计了一个优雅的索引结构，以保持优势关系，基于此两个算法开发，以有效地计算顶部的$j$ MAC。我们的算法和MAC模型的有效性的效率和可扩展性证明了广泛的实验在现实世界和合成的道路社会网络。
2021-02-21 cs.DB cs.SI
FirmTruss Community Search in Multilayer Networks
在生物、社会和交通网络等应用中，对象之间的交互跨越多个方面。为了准确地建模这样的应用，已经提出了多层网络。社区搜索允许个性化的社区发现，在大型现实网络中有广泛的应用。虽然社区搜索已被广泛探索单层图，多层图的问题最近才引起注意。现有的社区模型在多层图有几个局限性，包括断开连接，搭便车效应，分辨率限制，和效率低下。为了解决这些限制，我们研究了大型多层图上的社区搜索问题。我们首先介绍FirmTruss，多层网络中的一种新的稠密结构，它将桁架的概念扩展到多层图。我们表明，FirmTrusses具有良好的结构和计算性能，并带来了许多优势相比，现有的模型。在此基础上，我们提出了一个新的社区模型的基础上FirmTruss，称为FTCS，并表明，找到一个FTCS社区是NP-难的。我们提出了两个有效的2-近似算法，并表明，没有多项式时间算法可以有一个更好的近似保证，除非P = NP。我们提出了一个基于索引的方法，以进一步提高算法的效率。然后，我们考虑属性的多层网络，并提出了一个新的社区模型的基础上，网络同质性。我们证明了属性多层图的社团搜索是NP难的，并给出了一个有效的近似算法。真实世界的图与地面真实社区的实验研究验证了我们获得的解决方案的质量和所提出的算法的效率。
2022-11-17 cs.SI
Deep Overlapping Community Search via Subspace Embedding
针对重叠社区搜索缺乏个性化且机器学习模型训练效率低的问题，提出SSF框架与轻量SMN模型，实现个性化重叠社区搜索，并显著提升F1和效率。
2025-01-09 cs.DB cs.SI physics.soc-ph
Keyword-based Community Search in Bipartite Spatial-Social Networks (Technical Report)
Kent State University（肯特州立大学）；University of Zakho（扎赫奥大学）
本文提出了一种新的双分空间-社交网络社区搜索方法，通过引入(ω, π)-关键词核心，有效过滤无关用户和兴趣点，提升查询效率。
2026-04-08 cs.SI
CS-Agent: LLM-based Community Search via Dual-agent Collaboration
本文提出CS-Agent，一种基于双智能体协作的大语言模型框架，通过求解器与验证器的迭代反馈及决策器选择，无需微调即可提升社区搜索的质量与稳定性，并首次将LLMs应用于该任务。
2025-08-14 cs.SI
Significant Engagement Community Search on Temporal Networks: Concepts and Algorithms
社区搜索是一种检索包含查询顶点的内聚子图的搜索方法，在过去的几十年里得到了广泛的关注。现有的社区搜索研究主要集中在静态网络上。然而，现实世界的网络通常是时间网络，其中每个边都与时间戳相关联。以前的方法在处理时态网络时不起作用。我们研究的问题，确定用户指定的查询属于显着的参与社区。具体地说，给定一个整数k和一个查询顶点u，然后我们搜索满足以下条件的子图H：（i）u $\in$ H;（ii）H的去时态图是一个连通的k-核;（iii）在H中u具有最大参与度。为了解决我们的问题，我们首先开发了一个自顶向下的贪婪剥离算法TDGP，迭代删除的顶点与最大的时间程度。为了提高效率，我们设计了一个自底向上的局部搜索算法BULS及其增强版本BULS+和BULS*。最后，我们经验表明，我们提出的解决方案的优越性在六个现实世界的时间图。
2022-06-14 cs.SI
Top-r Influential Community Search in Bipartite Graphs
针对二分图中最小顶点权重无法准确反映社区影响力的缺陷，提出基于两层平均顶点权重的 $(α,β)$-影响力社区模型，并设计了精确递归算法与贪心近似算法以高效识别 top-$r$ 社区。
2025-09-16 cs.SI
Effective Individual Fairest Community Search over Heterogeneous Information Networks
针对异构信息网络中社区搜索忽视个体公平性的问题，提出IFCS问题及基于探索过滤、消息与下界剪枝的高效算法，在四个真实数据集上验证了其有效性，速度至少提升3倍。
2024-04-18 cs.DB cs.DS cs.SI
Keyword Aware Influential Community Search in Large Attributed Graphs
BUET（孟加拉国工程技术大学）；Swinburne University of Technology（斯威本科技大学）；Melbourne University（墨尔本大学）
我们介绍了一种新的关键字感知的有影响力的社区查询KICQ，发现最有影响力的社区从属性图，其中一个有影响力的社区被定义为一个紧密连接的顶点组，具有一定的优势，超过其他组的顶点与专业知识（一组关键字）匹配的查询条件（单词或短语）。我们首先设计的KICQ，方便用户发出一个有影响力的CS查询直观地使用一组查询条件，和谓词（与或）。在这种情况下，我们提出了一种新的基于词嵌入的相似度模型，使语义社区搜索，这大大扩展了精确的关键字为基础的社区搜索的局限性。接下来，我们提出了一个新的社区的影响力的措施，考虑了社区的凝聚力和影响力，并消除了需要指定的网络的内部参数的值。最后，我们提出了两个有效的算法搜索有影响力的社区在大型属性图。我们提出了详细的实验和案例研究，以证明所提出的方法的有效性和效率。
2019-12-04 cs.CL cs.SI
Nearest Neighbor search in Complex Network for Community Detection
最近邻搜索是计算机科学的几乎所有研究领域都广泛使用的基本计算工具，特别是在处理大数据量时。然而，最近邻搜索的使用受到限制的目的，算法的发展之间的数据点的接近的概念的存在。最近的研究趋势是大型复杂网络及其结构分析，其中节点表示实体，边表示实体之间的任何关系。复杂网络中的社区发现是一个重要的研究课题。一般而言，社区发现算法表示目标函数，并通过优化目标函数来捕获社区，以提取用户感兴趣的社区。本文通过引入贴近度的概念，研究了复杂网络中的最近邻搜索问题。首先，我们研究和分析了精确最近邻搜索度量树的建议度量空间构造复杂网络。然后，利用局部敏感哈希算法研究了近似最近邻搜索问题。为了评估所提出的最近邻搜索在复杂网络上，我们将其应用于社区发现问题。使用我们的方法得到的结果是非常有竞争力的，与大多数知名的算法存在于文献中，这是验证收集的真实网络。另一方面，可以观察到，我们的算法所花费的时间是相当少的流行的方法相比。
2015-11-23 cs.SI
Fast Butterfly-Core Community Search For Large Labeled Graphs
Central South University of Forestry and Technology（中南林业科技大学）；State University of New York New Paltz（纽约州立大学新帕尔茨分校）
针对异构图社区搜索难以识别跨组社区且效率不足的问题，提出基于BCC结构、结合RWR与蝴蝶度的快速搜索模型，并通过优化距离更新提升大图处理性能。
2024-01-19 cs.AI cs.SI
How Cohesive Are Community Search Results on Online Social Networks?: An Experimental Evaluation
本文在在线社交网络背景下，基于社会心理学群体内聚概念引入五种心理学内聚性度量，并提出CHASE框架评估八种社区搜索算法，发现结构内聚与心理内聚无显著相关性，为未来社区搜索方法提供新见解。
2025-05-01 cs.IR cs.SI
NCSAC: Effective Neural Community Search via Attribute-augmented Conductance
College of Computer and Information Science, Southwest University（西南大学计算机与信息科学学院）；University of Auckland（奥克兰大学）；Chongqing University of Posts and Telecommunications（重庆邮电大学）；Huazhong University of Science and Technology（华中科技大学）；Beijing Institute of Technology（北京理工大学）
本文提出NCSAC方法，通过融合结构与属性的属性增强电导提取候选社区，并利用强化学习进行图优化，从而显著提升社区搜索的准确性与效率。
2025-11-05 cs.SI
Beyond Homophily: Community Search on Heterophilic Graphs
University of New South Wales（新南威尔士大学）
AdaptCS通过分离多跳和多频信号，结合低秩优化和自适应社区分数，有效提升异质图中社区搜索的性能和效率。
2026-02-20 cs.AI cs.DB cs.IR
Towards a new social laboratory: An experimental study of search through community participation at Burning Man
斯坦利·米尔格拉姆（Stanley Milgram）提出的“小世界现象”（small world phenomenon）表明，社交网络中的个人通过一条短路径相互联系，可以利用他们的本地社交信息有效地遍历该网络。现有的社会搜索实验受到高损耗率的困扰，这阻碍了对社会搜索的全面研究。我们通过在美国内华达州黑岩沙漠的“火人节”上进行一个小世界实验来调查这一点，该活动以其独特的社会制度和社区参与而闻名。我们设计了位置跟踪船，我们通过燃烧的人走向目标，找到一个特定的人。一路上，这些船只记录了个人信息和GPS数据。十五艘船只中有两艘到达了指定的人，但在燃烧人一个月后。我们的研究结果表明，通过社区参与和强调文化习俗以帮助社会实验的设计方法，可能会有所改进，以限制自然减员率。
2019-03-11 cs.SI
Neural Attributed Community Search at Billion Scale
本文提出 ALICE 模型，通过密度草图模块度提取候选子图，并利用一致性感知网络 ConNet 建模查询与图的交互，在大规模图上实现高效、准确且可扩展的属性社区搜索。
2024-03-26 cs.SI
Adaptive Community Search in Dynamic Networks
社区搜索是一个研究得很好的问题，给定一个静态图和一个查询顶点集，需要找到一个包含查询顶点的内聚（或稠密）子图。本文研究了时态动态网络中的社团搜索问题。我们适应的时间设置的概念\emph{network inefficiency}，这是基于解决方案中的所有顶点之间的成对最短路径距离。为此，我们定义的概念\emph{shortest-fastest-path distance}：由用户定义的参数的时间和空间维度的线性组合。因此，我们定义了\textsc{Minimum Temporal-Inefficiency Subgraph}问题，并表明它是\NPhard。我们开发了一种算法，利用一个仔细的时间网络的静态有向和加权图的转换，和一些最近的近似算法找到最小的有向斯坦纳树。最后，我们将我们的框架推广到流媒体设置，其中时间图的新快照不断到达，我们的目标是为对应于滑动时间窗口的时间图产生社区搜索解决方案。
2020-11-10 cs.DS cs.SI
Skyline Community Search over Edge-Attributed Bipartite Graphs
State Key Lab of AI Safety, Institute of Computing Technology, CAS（中国科学院计算技术研究所人工智能安全国家重点实验室）；School of Computing and Data Science, The University of Hong Kong（香港大学计算与数据科学学院）；University of Chinese Academy of Sciences（中国科学院大学）
本文提出边属性Skyline社区模型，通过迭代删除最小属性边和扩展算法提升效率，实验证明其在大规模数据集上的有效性与扩展性。
2026-04-27 cs.GR cs.SI
Towards Truss-Based Temporal Community Search
本文针对时间社区搜索中忽略高阶时间连通性的问题，提出极大桁架（MDT）模型，并设计局部搜索框架和时间桁架度索引（TT-index）以高效搜索包含查询节点的社区，在多个真实网络上验证了其效率、有效性和可扩展性。
2024-10-19 cs.SI
Community Search in Attributed Networks using Dominance Relationships and Random Walks
Aristotle University of Thessaloniki（色萨利大学）；International Hellenic University（国际希腊大学）
本文提出一种结合跳数与随机游走方法、利用支配得分和k-核提取的算法，在属性网络中平衡结构与属性相似性，高效识别高内聚社区，适用于社交网络分析和推荐系统。
2025-10-26 cs.SI
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
CS-TGN: Community Search via Temporal Graph Neural Networks
University of British Columbia（不列颠哥伦比亚大学）
搜索本地社区是一个重要的研究挑战，它允许个性化的社区发现，并支持各种复杂网络，如万维网，社交网络和大脑网络中的高级数据分析。随着时间的推移，这些网络的演变，激发了一些最近的研究，以确定当地的时间网络社区。给定任何查询节点，社区搜索的目标是找到一个密集连接的子图包含查询节点。然而，现有的时态网络社区搜索方法存在两个主要的局限性：（1）它们采用预定义的子图模式对社区进行建模，无法在真实网络中发现不符合这些模式的社区;（2）它们只使用不相交的结构信息的聚合来度量质量，而忽略了连接的动态性和时态属性。在本文中，我们提出了一个查询驱动的时间图卷积网络（CS-TGN），可以捕捉灵活的社区结构，通过学习从地面实况社区在数据驱动的方式。CS-TGN首先在网络的每个快照中结合局部查询依赖结构和全局图嵌入，然后使用具有上下文注意力的GRU单元来学习交互的动态并随时间更新节点嵌入。我们演示了如何使用这个模型可以在在线设置的交互式社区搜索，让用户评估发现的社区，并提供反馈。在真实世界的时间图与地面真实社区的实验验证了所获得的解决方案的优越质量和我们的模型在时间和交互式静态设置的效率。
2023-03-15 cs.LG cs.SI
Topic-aware Most Influential Community Search in Social Networks
本文提出主题感知最具影响力社区搜索问题TAMICS，通过在线算法和基于索引的启发式算法在不确信有向图中高效发现与查询主题高度相关且影响力最大的内聚社区，实验证明其效果和效率优于现有方法。
2025-04-09 cs.SI
Ensemble-based Deep Multilayer Community Search
The University of New South Wales（新南威尔士大学）；Shanghai Jiao Tong University（上海交通大学）；Antai College of Economics & Management, Shanghai Jiao Tong University（上海交通大学安泰经济与管理学院）；Zhejiang Gongshang University（浙江工商大学）
针对多层社区搜索中规则方法不灵活、学习方法依赖标签或忽略层特性的问题，提出无监督集成框架 EnMCS，通过 HoloSearch 识别各层潜在社区并用 EMerge 融合生成共识社区。
2026-10-13 cs.SI
Query Driven-Graph Neural Networks for Community Search: From Non-Attributed, Attributed, to Interactive Attributed
The Chinese University of Hong Kong（香港中文大学）；Tencent AI Lab（腾讯人工智能实验室）；Hong Kong Baptist University（香港浸会大学）
给定一个或多个查询顶点，社区搜索（CS）的目标是找到密集的内部连接和松散的内部连接的结构包含查询顶点。属性社区搜索（ACS），一个相关的问题，是更具挑战性的，因为它发现社区的凝聚力结构和同质顶点属性。然而，CS任务的大多数方法依赖于不灵活的预定义的结构和研究ACS独立对待每个属性。此外，最流行的ACS策略将ACS分解为两个单独的子问题，即，CS任务和后续属性筛选任务。然而，在现实世界的图，社区结构和顶点属性是密切相关的。这种相关性对于ACS问题至关重要。在本文中，我们提出了用于CS和ACS问题的图神经网络模型，即，查询驱动GNN和属性查询驱动GNN。在QD-GNN中，我们结合了局部查询依赖结构和全局图嵌入。为了扩展QD-GNN来处理属性，我们将顶点属性建模为二分图，并通过在该二分图上构造GNN来捕获属性之间的关系。通过特征融合算子，AQD-GNN同时处理结构和属性，并根据每个属性查询预测社区。在真实图和真实社区上的实验表明，所提出的模型在效率和有效性方面优于现有的CS和ACS算法。最近，提出了一种用于CS的交互式设置，允许用户调整预测的社区。我们进一步验证了我们的方法下的互动设置和扩展到属性上下文。我们的方法实现了2.37%和6.29%的F1分数分别比最先进的模型没有属性和属性。
2022-03-23 cs.DB cs.LG cs.SI
An Effective Index for Truss-based Community Search on Large Directed Graphs
Central South University of Forestry and Technology（中南林业科技大学）；State University of New York（纽约州立大学）
针对大型有向图中最大 D-truss 检索开销高的问题，提出 D-truss-connected 关系并构建 ConDTruss 索引，实现理论最优的高效社区搜索。
2024-01-19 cs.AI cs.SI
Evading Community Detection via Counterfactual Neighborhood Search
Sapienza University of Rome（罗马第一大学）
本文提出一种基于深度强化学习的反事实邻域搜索方法，通过策略性修改网络结构隐藏目标节点的社区成员身份，在准确性与成本之间取得最佳平衡。
2024-06-07 cs.AI cs.LG cs.SI
WCCS: Efficient Wedge Conductance Community Search over Large Temporal Bipartite Graphs (Full Paper)
College of Computer and Information Science, Southwest University（西南大学计算机与信息科学学院）；Huazhong University of Science and Technology（华中科技大学）；Beijing Institute of Technology（北京理工大学）
针对现有二部图社区搜索忽略时序动态、高阶交互及社区质量的问题，提出WCCS问题，通过(α,β,τ)-楔形核和时序楔形传导率度量，结合在线过滤-扩展框架与离线压缩索引，在七个真实数据集上验证了高效性。
2026-09-16 cs.SI
Exploring the solution landscape enables more reliable network community detection
为了理解一个复杂系统是如何组织和运作的，研究人员经常在系统的交互网络中识别社区。由于实际上不可能探索所有解决方案以保证最佳解决方案，因此许多社区检测算法依赖于多次随机搜索。但是，对于给定的网络和随机算法的组合，有多少次搜索足以找到足够好的解决方案？标准的方法是选择合理数量的搜索，并选择具有最高质量的网络分区，或者基于所有网络分区导出共识解决方案。然而，如果不同的分区具有相似的质量，使得解决方案景观退化，则单个最佳分区可能会错过相关信息，并且共识解决方案可能会模糊互补社区。在这里，我们解决这个退化问题的解决方案景观的粗粒度描述。我们聚类网络分区的基础上，他们的相似性，并提出了一种方法来确定所需的最小搜索次数来充分描述解决方案的景观。为了充分利用所有分区，我们还提出了不同的方法来探索解决方案的景观，包括一个显着性聚类过程。我们使用两种对比的社区检测算法在合成网络和真实网络上测试这些方法：可以识别更一般结构的算法需要更多的搜索，而具有更清晰社区结构的网络需要更少的搜索。我们还发现，探索粗粒度的解决方案景观可以揭示互补的解决方案，并实现更可靠的社区检测。
2019-09-10 cs.SI physics.soc-ph
Partition Space Maps for Community Detection: Visualizing Algorithmic Behaviour and Guiding Search
Area Science Park（AREA科学园）
本文提出划分空间映射（PSM）工具，结合规范标记和粒度-模块度二维投影，可视化社区检测的划分空间，揭示模块度简并结构，为算法评估与搜索引导提供精确参考。
2026-09-30 cs.SI
Fast community detection using local neighbourhood search
社区在描述和分析现代网络方面发挥着至关重要的作用。然而，随着计算能力和数据存储的增加，这些网络的规模也急剧增长。虽然已经开发了各种方法来提取社区结构，但它们的计算成本或并行化现有算法的难度使得将真实网络划分为社区成为一个具有挑战性的问题。在本文中，我们建议改变一个有效的算法，鲁汶方法，使社区被定义为一个树状分配图的连通组件。在这个框架内，我们精确地描述了我们的算法的不同步骤，并证明其高度并行化的性质。然后，我们表明，尽管它的简单性，我们的算法有一个分区质量类似于原来的方法在基准图，甚至优于其他算法。我们还表明，即使在单个处理器上，我们的方法也要快得多，并且可以分析非常大的网络。
2013-08-28 cs.SI physics.soc-ph
Scalable Community Search with Accuracy Guarantee on Attributed Graphs
针对属性图社区搜索效率、精度保证及查询相关性问题，提出无索引采样估计方法，支持多种图与社区模型，并在十个真实数据集上显著加速且保证误差。
2024-02-29 cs.DB 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
Community Search in Time-dependent Road-social Attributed Networks
School of Computer Science and Technology, Anhui University（安徽大学计算机科学与技术学院）；School of Computer Science and Technology, Harbin Institute of Technology（哈尔滨工业大学计算机科学与技术学院）
针对现有社区搜索未同时兼顾关键词、位置及出行时间变化且遍历全网络效率低的问题，提出语义-空间感知k核发现问题，设计两种局部扩展算法及大语言模型语义相似度计算方法，在多项内聚性指标上优于基线。
2025-05-18 cs.AI cs.SI
Better Fewer but Better: Community Search with Outliers
给定网络中的一组顶点，我们认为这些顶点对所分析的应用程序感兴趣，社区搜索是产生一个子图的问题，该子图可能解释感兴趣的顶点之间存在的关系。在实践中，这意味着解决方案应该向查询顶点添加一些顶点，以便创建一个具有某种“内聚性”属性的连通子图。这个问题在最近几年得到了越来越多的关注：虽然已经研究了几个内聚函数，但大部分文献都在寻找包含所有查询顶点的解子图。然而，在许多探索性分析中，我们可能只对感兴趣的顶点有一个合理的信念：如果只有一个顶点与其他顶点不相关，那么强制解决方案包含所有这些顶点可能会隐藏更有凝聚力和有意义的子图的存在，我们可以通过允许解决方案检测并删除离群点来找到这些子图。在本文中，我们研究的问题，社区搜索与离群值，我们被允许下降到$k$查询顶点，与$k$是一个输入参数。我们考虑三个最常用的措施的凝聚力：最小程度，直径的子图和查询顶点的最大距离。通过优化一个和使用其他的一个作为约束，我们得到三个优化问题：我们研究了他们的硬度，我们提出了不同的精确和近似算法。
2020-12-04 cs.DS cs.SI
Community Detection through Likelihood Optimization: In Search of a Sound Model
社区发现是网络分析中最重要的问题之一。在为这项任务提出的许多算法中，基于统计推断的方法特别令人感兴趣：它们在数学上是合理的，并且被证明可以提供高质量的分区。统计推断方法是基于拟合一些随机图模型（a.k.a.零模型）通过最大化似然性来对所观察的网络进行估计。这一模式的选择极为重要，也是当前研究的主要焦点。我们提供了一个广泛的理论和实证分析比较几种模型：广泛使用的种植分区模型，最近提出的度校正修改这个模型，和一个新的空模型具有一些理想的统计特性。我们还开发和比较两个可能性优化算法适合所考虑的模型。对各种数据集的广泛的实证分析表明，特别是，新模型是最好的一个描述大多数考虑现实世界的复杂网络，根据观察到的图结构的可能性。
2019-02-22 cs.SI math.ST stat.TH
uHelp: intelligent volunteer search for mutual help communities
Artificial Intelligence Research Institute (IIIA-CSIC)（人工智能研究院（IIIA-CSIC））
当人们在日常活动中需要帮助时，他们会求助于家人、朋友或邻居。但是，尽管世界日益网络化，技术在寻找合适的志愿者方面仍然存在不足。在本文中，我们提出了uHelp，一个平台，建立一个社区的有用的人和支持社区成员找到适当的帮助在他们的社会网络。最近，专注于寻找志愿者的应用程序开始出现，如Helpin或Facebook的社区帮助。然而，uHelp与现有应用程序的区别在于其基于信任的志愿者智能搜索。虽然信任对于这些创新的社交应用程序至关重要，但它们中没有一个真正实现了像uHelp这样的信任建立解决方案。uHelp对志愿者的智能搜索基于许多人工智能技术：（1）一种新型的基于信任的泛洪算法，可以导航一个人的社交网络，寻找合适的值得信赖的志愿者;（2）一种新型的信任模型，通过学习他们过去的相似经历来保持同伴的可信度;（3）一种语义相似性模型，可以评估经验的相似性。本文介绍了uHelp应用程序，描述了允许uHelp有效找到值得信赖的志愿者的底层AI技术，并说明了实现细节。uHelp的初始原型已经在巴塞罗那的一个单亲社区进行了测试，该应用程序可以在Apple Store和Google Play上在线购买。
2023-01-26 cs.AI cs.SI
A model for generating temporal networks with dynamic community structure guided by mutual information
研究提出一种生成模型，通过基于互信息的遗传搜索控制社区演化与动态节点集，能处理节点增减，用概率生成时间边确保连通性，经实验验证可模拟真实社区演化，还用作基准研究节点变化对动态社区检测算法性能的影响。
2026-07-20 cs.SI
MLP-Enhanced Nonnegative Tensor RESCAL Decomposition for Dynamic Community Detection
College of Computer and Information Science Southwest University（西南大学计算机与信息科学学院）
本文提出MLP-NTD模型，通过引入MLP解耦分解秩与社区数量，提升动态社区检测的准确性和鲁棒性。
2026-01-19 cs.SI
Scalable dynamic community detection on temporal graphs using graph neural networks
Queen Mary University of London（伦敦大学玛丽女王学院）
该研究提出扩散引导的对比学习框架，结合图神经网络实现时序图的可扩展动态社区检测，在合成网络和OpenAlex合作网络上验证了方法的有效性与可扩展性。
2026-08-31 cs.SI
Identifying Community Structures in Dynamic Networks
大多数现实世界的社交网络本质上是动态的，由成员不断变化的社区组成。为了跟踪这些不断发展的社区，我们需要动态的社区发现技术。本文评估了一组博弈论方法在动态网络中识别社区的性能。我们的方法，D-GT（动态博弈论社区发现），模型的每个网络节点作为一个理性的代理定期发挥社区成员的游戏与邻居。在游戏过程中，节点通过加入或离开网络邻居的社区来寻求最大化其本地效用。社区结构在博弈达到纳什均衡后出现。与基准社区发现方法相比，D-GT更准确地预测社区的数量，并发现具有更高的归一化互信息的社区分配，同时保持良好的模块化。
2016-09-12 cs.SI physics.soc-ph
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
Constrained Spectral Clustering for Dynamic Community Detection
网络是许多具有交互实体的系统的有用表示，例如社会，生物和物理系统。描述中尺度组织即社团结构是网络科学的一个重要问题。社区检测的目的是将网络划分为内部连接密集但与其他密集节点集稀疏连接的节点集。目前的社区检测工作主要集中在静态网络上。然而，许多现实世界的网络是动态的，即它们的结构和属性随时间变化，需要动态社区检测的方法。在本文中，我们提出了一个新的随机块模型（SBM）的社区成员的演化建模。与现有的SBM不同，所提出的模型允许每个社区以不同的速度发展。这个新的模型被用来推导出一个最大后验估计社区检测，它可以被写为一个受约束的谱聚类问题。特别地，每个社区的转移概率在每个时间点修改图邻接矩阵。该公式提供了动态网络的统计网络推理和谱聚类之间的关系。所提出的方法进行评估模拟和真实的动态网络。
2019-11-04 cs.SI physics.soc-ph
Hybrid Social Networking Application for a University Community
提出了一种用于构建大学社区社会社区的混合社会网络。该系统采用了离线/在线社交网站（SNS）的语义本体。它捕捉了SNS的核心功能，包括个人资料创建，朋友邀请/搜索，群组形成，聊天/消息传递，博客和投票。在实施阶段考虑了三个核心框架-peer 2 me框架，SMSN语义移动社交网络和PeoplePods框架。结果表明，具有相似兴趣的产消者具有显着的匹配性能，相关性接近统一。社交网络能够捕捉到大学生的需求，作为一个方便的方向，以热门地点在校园内。
2015-03-19 cs.SI
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
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
Bayesian Overlapping Community Detection in Dynamic Networks
在社交网络中检测社区结构近年来得到了相当大的关注。然而，缺乏关于社区数量的先验知识，以及它们的重叠性质使得社区发现成为一个具有挑战性的问题。此外，许多现有的方法只考虑静态网络，而大多数现实世界的网络是动态的，并随着时间的推移而演变。因此，在没有任何关于社区数量的先验知识的情况下，在动态网络中找到一致的重叠社区仍然是一个有趣的开放式研究问题。本文提出了一种动态网络中的重叠社区发现方法--动态贝叶斯重叠社区检测器（DBOCD）。DBOCD假设在网络的每个快照中，社区的重叠部分是密集区域，并使用链接社区而不是公共节点社区。使用递归中餐馆过程和社区结构的网络在最后一个快照，DBOCD同时提取社区的数量和软社区成员的节点，同时保持社区的一致性随着时间的推移。我们评估了DBOCD合成和真实的动态数据集，以评估其在不同类型的网络演化中找到重叠社区的能力。结果表明，DBOCD优于目前最先进的动态社区发现方法。
2016-05-08 cs.SI physics.soc-ph
