Community-Aware Social Community Recommendation
本文提出 CASO 模型用于社会社区推荐，通过三个编码器提取社区全局与局部结构及用户偏好，引入互斥机制消除特征冗余，并加入社区检测损失，在六个真实网络上显著优于九个基线。
2025-08-08 cs.IR cs.SI
LoCEC: Local Community-based Edge Classification in Large Online Social Networks
Tencent Inc.（腾讯公司）；National University of Singapore（新加坡国立大学）
在线社交网络中的关系往往意味着现实世界中的社会联系。对关系类型的准确理解有益于许多应用，例如社交广告和推荐。最近的一些尝试已经被提出来分类用户关系到预定义的类型的帮助下，预先标记的关系或丰富的互动功能的关系。不幸的是，在像微信这样的真实社交平台中，关系特征数据和标签数据都非常稀疏，使得现有方法不适用。在本文中，我们对微信关系进行了深入分析，以确定关系分类任务的主要挑战。为了应对这些挑战，我们提出了一个基于本地社区的边缘分类（LoCEC）框架，该框架将社交网络中的用户关系分类为现实世界的社交连接类型。LoCEC执行三阶段处理，即本地社区发现、社区分类和关系分类，以解决关系特征和关系标签的稀疏性问题。此外，LoCEC被设计为通过允许并行和分布式处理来处理大规模网络。我们在具有数千亿条边的真实微信网络上进行了大量实验，以验证LoCEC的有效性和效率。
2020-03-20 cs.LG cs.SI stat.ML
Combinations of Affinity Functions for Different Community Detection Algorithms in Social Networks
社会网络分析是社会科学和行为科学中的一门流行学科，其中不同社会实体之间的关系被建模为网络。在社会网络分析中，最常见的问题之一是在网络结构中发现社区。通常，社交网络中的社区是图的功能子分区。然而，由于社区的定义有些不精确，已经提出了许多算法来解决这个任务，每一个都专注于不同的社会特征的演员和社区。在这项工作中，我们建议使用新的亲和度函数的组合，旨在捕捉网络交互中不同的社会机制。我们使用它们来扩展已经存在的社区发现算法，以结合亲和力函数的能力来模拟不同的社会互动比那些利用原始算法。
2022-08-26 cs.SI
Social Centrality using Network Hierarchy and Community Structure
已经制定了几个中心性措施，以量化社交网络中的行为者的“重要性”的概念。目前的措施审查本地或全球的节点连接，并已被发现是不够的社交网络。忽视等级制度和社区结构，这是所有人类社交网络固有的，是这种不足的主要原因。一个行动者在社区中的地位等级和嵌入性是他重要性的直观决定因素。社会资本理论认为，一个行动者的重要性来自于他在网络等级中的地位，以及通过社区内（结合）和社区间（桥接）联系调动资源的潜力。受此启发，我们提出了一个新的中心性措施SC（社会中心性）的演员在社交网络。我们的措施占- i）一个人的社会化倾向，和ii）他在社区内外的联系。这两个因素被适当地聚合以产生社会中心性分数。SC措施与经典和最近的中心性措施，使用大型公共网络的比较分析表明，它始终产生一个更现实的节点排名。推理基于每个测试网络的可用地面实况。广泛的分析排名提供的SC措施和映射与已知的事实在研究网络证明其有效性在不同的社交网络。SC措施的可扩展性评估证明其有效性，为现实世界的大型网络。
2018-06-23 cs.SI
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
Uncovering the Local Hidden Community Structure in Social Networks
Huazhong University of Science and Technology（华中科技大学）；Cornell University（康奈尔大学）
隐社区是近年来提出的一个用于社会网络分析的概念。为了应对网络规模的快速增长，在这项工作中，我们从局部角度探索了隐藏社区的检测，并提出了一种新的方法，该方法在从原始网络采样的子图上迭代地检测和提升每一层。我们首先从一个单一的种子节点扩展种子集的基础上，我们修改的局部谱方法和检测初始占主导地位的本地社区。然后，我们暂时删除这个社区的成员以及他们与其他节点的连接，并检测剩余子图中的所有邻域社区，包括一些只包含原始网络中一小部分成员的“破碎社区”。本地社区和邻域社区形成了一个主导层，通过降低这些社区内部的边权重，我们削弱了这一层的结构，以揭示隐藏层。最后，我们重复整个过程，所有包含种子节点的社区都可以被检测到并迭代提升。从理论上证明了该方法可以避免全局隐藏社区发现方法中将局部社区和一个破碎社区视为一个社区而导致检测不准确的情况。大量的实验表明，我们的方法可以显着优于国家的最先进的基线设计的全球隐藏社区发现或多个本地社区发现。
2021-12-08 cs.LG cs.SI
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
Matching Community Structure Across Online Social Networks
网络中社团结构的发现是近年来引起人们极大兴趣的一个问题。在在线社交网络中，用户经常同时参与多个社交媒体站点，其中一些共享共同的社交关系。在这些网络中发现一个共享的社区结构是非常有趣的。然而，在现实中，用户通常在社交媒体网站上使用不同的用户名来标识自己。这就给探测群落结构带来了很大的困难。在本文中，我们探讨了几种方法，社区发现在线社交网络与有限的知识，跨网络的用户名对齐。我们将已知的用户名对齐称为种子。我们研究了种子选择策略及其对具有不同重叠顶点比例的网络的影响。我们的目标是研究网络拓扑结构和种子选择策略之间的相互作用，并了解它如何影响检测到的社区结构。我们还提出了几种措施来评估社区发现的性能，并使用它们来衡量Twitter-Twitter网络和Twitter-Instagram网络中检测到的社区的质量。
2016-08-03 cs.SI physics.soc-ph
A method for assessing the success and failure of community-level interventions in the presence of network diffusion, social reinforcement, and related social effects
在社区环境中进行的预防和干预工作往往面临严格评价的独特分析挑战。由于社区预防工作（通常在地理上是孤立的）不能像其他预防方案那样得到控制，而且这些社区的人际互动水平有所提高，因此需要进行严格的评估。即使在社区干预工作中实施“黄金标准”随机对照试验，鉴于信息在封闭网络环境中的非正式社会传播，对内部有效性的威胁也可能受到质疑。本文提出了一种新的防治效果评价方法，将影响防治效果的社会因素从社区内部分离出来。我们正式介绍的方法和它的实用程序在几个阿拉斯加土著村庄实施的自杀预防计划。研究结果表明，有希望探索八个社会学措施的干预效果，面对社会扩散，社会强化和直接治疗。政策和研究意义进行了讨论。
2018-01-25 cs.SI physics.soc-ph
Social significance of community structure: Statistical view
社区结构分析是研究社交网络的有力工具，它可以大大简化网络的拓扑和功能分析。然而，由于社团发现方法具有随机性，而从复杂系统中得到的真实社交网络往往含有错误边，因此评价社团结构划分的意义是一个迫切而重要的问题。本文结合现实社会的具体特点，提出了一个专门分析社会共同体意义的新框架。社会互动的动力学建模识别社会领袖和相应的层次结构。我们不是直接与随机模型的平均结果进行比较，而是通过公共邻居的数量来计算给定节点与领导者的相似性。为了确定社区成员向量，提出了一种基于节点位置及其领导者的社区发现算法。然后，使用对数似然得分，社区的紧密度可以得到。基于群落紧密度的分布，建立了$p$ -值理论与网络分析的新联系，并得到了一种新的统计形式的显著性测度。最后，该框架被应用到基准网络和真实的社交网络。实验结果表明，本文的工作可用于确定最优社区数目、分析给定社区的社会意义、比较各种算法的性能等领域。
2015-05-08 cs.SI physics.soc-ph
Social Network Community Detection Based on Textual Content Similarity and Sentimental Tendency
共享出行逐渐成为微博等社交平台上讨论的热点话题之一。及时对社交网络中共享出行的评价内容进行更深层次的网络社区发现，可以有效地对共享出行相关的舆论导向进行研究分析，具有很大的应用前景。现有的社区发现算法一般从空间距离的角度来度量网络中节点的相似性。提出了一种基于文本内容相似度和情感倾向的社区发现算法（CTST），同时考虑了网络结构和节点属性。将网络社区用户的内容相似度和情感倾向作为节点属性，在此基础上构建无向加权网络进行社区发现。本文用实际数据进行了实验，并对实验结果进行了分析。实验结果表明，社区发现结果模块化程度高，效果较好。
2022-06-22 cs.SI
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
Continuous Influence-based Community Partition for Social Networks
随着网络规模、数据量和应用的快速增长，社区划分在社交网络中显得尤为重要。研究了社交网络中LT模型下的社区划分问题，这是一个将社会网络划分为互不相交的$m$社区的组合优化问题.我们的目标是通过在每个社区内最大化影响力传播的总和。由于LT模型下社区划分问题的影响力传播函数是超模的，我们使用Lov{ $\acute{a}$ }sz扩展的方法对目标影响力函数进行松弛，并将目标转移到拟阵多胞形上最大化松弛后的函数.接下来，我们提出了一个连续的贪心算法，利用松弛函数的性质来解决我们的问题，这需要在具体实现离散化。然后，利用随机舍入技术将分数阶解转化为整数阶解。我们提出了一个理论分析与$1-1/e$逼近比所提出的算法。在真实的在线社交网络数据集上进行了大量的实验，结果表明连续贪心算法能够有效地提高社区划分的影响力和准确性.
2021-02-05 cs.SI
Community-based fact-checking reduces the spread of misleading posts on social media
该研究通过双重差分法分析X平台社区笔记的大规模数据，发现社区笔记能有效减少误导帖传播并提升删帖率，但存在干预滞后的问题，为优化社区事实核查提供参考。
2024-09-13 cs.SI
Investigating Centrality Measures in Social Networks with Community Structure
中心性度量对于量化社交网络成员的影响力至关重要。虽然已经有大量的工作来处理这个问题，绝大多数经典的中心性措施是不可知的社区结构的特点，许多社交网络。最近的作品开发了社区意识的中心性措施，利用社区结构的信息在大多数现实世界中遇到的复杂网络的功能。在本文中，我们使用8个真实世界的在线网络调查5流行的经典中心性措施和5社区意识的中心性措施之间的相互作用。计算两种类型的中心性度量之间的相关性和相似性度量。结果表明，社区意识的中心性措施可以分为两组。第一组，其中包括桥接中心性，社区枢纽桥和参与系数，提供了独特的节点信息相比，经典的中心性。这种行为在整个网络中是一致的。第二组包括基于社区的调解人和邻近社区的数量，其特点是在不同网络之间有不同的结果。
2022-01-30 cs.SI
CACL: Community-Aware Heterogeneous Graph Contrastive Learning for Social Media Bot Detection
提出社区感知异构图对比学习框架CACL，通过动态挖掘难样本与自适应图增强进行有监督对比学习，克服了GNN泛化差与过平滑问题，在三个基准上表现优于基线。
2024-06-03 cs.SI
An Introduction to Community Detection in Multi-layered Social Network
社会社区的提取及其动态变化是当今社会网络分析的重要问题之一。近年来，许多研究者提出了自己的社交网络群体发现方法。但是，几乎没有人注意到，现代社交网络比几年前复杂得多。由于IT系统中存在大量关于各种用户活动的不同数据，因此可以区分称为多层社交网络的新类别的社交网络。为此，本文提出了一种利用多层边聚类系数的多层社会网络社区发现新方法。
2012-09-26 cs.SI physics.soc-ph
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
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
The Effect of Social Feedback in a Reddit Weight Loss Community
人们普遍认为，接受社会反馈有助于（i）保持个人与社区的互动，以及（ii）促进个人积极的行为改变。然而，关于社会反馈对持续参与在线健康社区的影响的定量数据很少。在这项工作中，我们应用Mahalanobis距离匹配（MDM）来证明在Reddit上的“loseit”减肥社区中接收反馈的重要性。具体地说，我们表明，（i）即使在纠正单词选择的差异时，用户在最初的帖子中获得更多积极反馈的可能性更大，并且（ii）有收益递减，后期帖子的社会反馈不如第一个帖子重要。我们还描述了更有可能吸引这种有价值的社会反馈的初始帖子的类型。虽然我们还不能争论最终减肥成功或失败，但我们相信，了解在线健康社区背后的社会动态是设计更有效干预措施的重要一步。
2016-02-25 cs.SI
Governing Together: Toward Infrastructure for Community-Run Social Media
Princeton University（普林斯顿大学）；Northwestern University（西北大学）；Georgia Tech（佐治亚理工学院）
本文提出跨社区治理的设计挑战，通过工作坊提出六个挑战，强调模块化、可分叉性和多中心性三大原则，旨在推动社区自主治理的基础设施发展。
2026-01-15 cs.HC cs.SI
Noise in Naming Games, partial synchronization and community detection in social networks
网络博弈（NG）是一种基于代理的模型，用于研究社交网络中的协议动态、节点压力和羊群行为以及自治自组织传感器网络中的协议选择。通过在NG中引入一个小的噪声项，得到的马尔可夫链模型称为噪声博弈（NNG）是遍历的，其中所有部分一致状态都是递归的。通过使用吉布斯-马尔可夫等价，我们展示了如何得到NNG的平稳分布的相关马尔可夫随机场（MRF）的局部规格。通过根据其吉布斯能量对部分同步状态进行排序，在这里被认为是社会紧张度的一个很好的度量，该方法为社会交互数据中的社区检测提供了一种增强的方法。我们展示了如何最低吉布斯能量多名国家分离和显示隐藏的社会网络内的社区结构。
2010-08-24 cs.MA cs.SI
An Empirical Study of Community Detection Algorithms on Social and Road Networks
社交网络中的社区发现是一个非常有趣的问题，因为社区发现揭示了网络中隐藏的信息。已有许多算法来检测固有的社区结构，但最近很少有人在社交网络上进行研究。然而，这是不平凡的，以决定最好的方法，在存在不同的性质的图，在密度和稀疏性，以及不充分的分析结果。因此，在这项研究中，我们分析和比较各种算法来检测社区在两个网络，即社会和道路网络，具有不同的结构特性。正在考虑的算法进行评估，内部和外部连接的社区，包括内部密度，平均度，切割比，电导，归一化切割，平均Jaccard指数的独特指标。评估结果揭示了关于所选算法和底层社区结构的关键见解。
2019-09-16 cs.SI
Mutual Community Detection across Multiple Partially Aligned Social Networks
在线社交网络中的社区发现是近年来的研究热点。同时，为了享受更多的社交网络服务，现在的用户通常同时参与多个在线社交网络，其中一些可以共享共同的信息和结构。涉及一些共同用户的网络被称为多个“部分对齐网络”。在本文中，我们希望同时检测多个部分对齐网络的社区，这被正式定义为“相互聚类”问题。互聚类问题是一个非常具有挑战性的问题，因为它有两个重要的问题要解决：（1）如何保持网络的特点，在相互社区发现？以及（2）如何利用其他联盟网络中的信息来细化和消除共享用户的社区结构？针对这两个问题，提出了一种新的社区发现方法MCD（Mutual Community Detector）。MCD可以同时检测多个部分对齐网络中用户的社会社区结构，充分考虑（1）每个网络的特性，（2）对齐网络中共享用户的信息。在两个真实的部分对齐的异构社交网络上进行的大量实验表明，MCD可以很好地解决“互聚类”问题。
2015-06-18 cs.SI physics.soc-ph
Joint Inference of User Community and Interest Patterns in Social Interaction Networks
在线社交媒体已经成为我们社交生活中不可或缺的一部分。分析社交媒体平台中的对话可以产生复杂的概率模型来理解社交互动网络。在本文中，我们提出了一种建模方法，通过共同推断用户社区和兴趣的基础上，社会媒体的互动网络特征。我们提出了几种模式推理模型：i）兴趣模式模型（IPM）捕捉人口水平的交互主题，ii）用户兴趣模式模型（UIPM）捕捉用户特定的交互主题，iii）社区兴趣模式模型（CIPM）捕捉社区结构和用户兴趣。我们在从普渡大学社区收集的Twitter数据上测试我们的方法。从我们的模型结果中，我们观察到与普渡大学社区内的两个大事件相关的互动主题和社区，即普渡大学捐赠日和参议员伯尼·桑德斯访问普渡大学作为2016年印第安纳州初选的一部分。基于用户交互构建社会交互网络说明了用户在各种感兴趣的主题上的交互的相似性，并指示了他们的社区归属感。我们观察到，这种网络的度分布遵循幂律，这表明网络中存在较少的节点，具有较高的交互水平，以及许多其他节点具有较少的交互。我们还讨论了这种网络作为一种有用的工具，有效地传播特定的信息，以目标受众对规划任何大型活动的应用，并演示了如何挑选出特定的节点在一个给定的社区运行网络算法。
2017-04-06 cs.SI physics.soc-ph
Community Analysis of Social Virtual Reality Based on Large-Scale Log Data of a Commercial Metaverse Platform
该研究利用商业元宇宙平台的大规模日志数据分析 Social VR 用户社区，发现其呈现数量多、规模小、内部凝聚强而跨社区连接弱的结构，并识别出承担社区间中介作用的 community hoppers。
2025-09-28 cs.HC cs.SI
Detecting Community Structure in Dynamic Social Networks Using the Concept of Leadership
在社交网络中检测社区结构是一个基本问题，使我们能够识别具有相似兴趣的行为者群体。在静态网络中寻找社区已经有了大量的工作，然而，在现实中，由于社交网络的动态性质，它们是不断发展的。忽略社交网络的动态方面，既不能让我们捕捉网络的进化行为，也不能预测个人的未来状态。除了是动态的，现实世界的社交网络的另一个重要特征是领导者的存在，即具有高度中心性的节点具有高吸引力来吸收其他成员，从而形成一个本地社区。在本文中，我们设计了一种有效的方法来增量检测社区在高度动态的社交网络使用的重要性和持久性的社区领导人随着时间的推移直观的想法。我们提出的方法能够根据网络的先前结构找到新的社区，而无需从头开始重新计算它们。这个独特的功能使我们能够随着时间的推移快速有效地检测和跟踪社区。在合成和真实社交网络上的实验结果表明，该方法在动态社交网络中发现社区是有效的。
2017-11-06 cs.SI physics.soc-ph
Sentiment-driven Community Profiling and Detection on Social Media
Web 2.0有助于扩大许多问题的对话范围和深度，并促进在线社区的形成。在线社区根据不同的人对一系列核心问题的共同意见将他们聚集在一起。大多数现有的社区发现方法仅仅关注于发现社区，而没有提供关于社区成员的集体意见和社区形成背后的动机的任何见解。已经做出了一些努力来解决这个问题，提出了一套关键字作为社区概况。然而，他们忽视了社区成员对关键词的立场，这对于在社交媒体高度两极分化的氛围中理解社区起着重要作用。为此，我们提出了一个情绪驱动的社区分析和检测框架，其目的是提供社区配置文件，分别呈现社区成员的积极和消极的集体意见。在这方面，我们的框架首先提取用户的消息中的关键表达作为问题的代表，然后确定用户对这些关键表达的积极/消极态度。接下来，它揭示了一个低维的潜在空间，以便根据用户的意见和社交互动对用户进行聚类（即，转推）。我们通过定量和定性评估来证明我们的框架的有效性。
2018-05-10 cs.SI
A Community-Aware Framework for Social Influence Maximization
Purdue University（普渡大学）；University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）；Iowa State University（爱荷华州立大学）；KAUST（阿卜杜拉国王科技大学）
我们考虑影响力最大化（IM）问题，即在社交网络中选择$k$种子节点的任务，以便最大化受影响的节点的预期数量。我们提出了一个社区意识分而治之的框架，涉及（i）学习社会网络的固有社区结构，（ii）通过解决每个社区的影响力最大化问题生成候选解决方案，以及（iii）选择最终的种子节点使用一种新的渐进式预算方案。我们在现实世界的社交网络上的实验表明，该框架优于标准方法的运行时间和探试法的影响。我们还研究了社区结构对所提出的框架的性能的影响。我们的实验表明，社区结构具有较高的模块化导致所提出的框架，以执行更好的运行时间和影响力。
2023-02-19 cs.AI cs.SI
Improving Community Detection by Mining Social Interactions
社会关系可以根据它们发生的规律性和它们之间的相似性分为不同的类别。因此，罕见的，有点类似的关系是随机的，并在社会网络中造成噪音，从而隐藏了网络的实际结构，并防止准确的分析it.In这种情况下，在本文中，我们提出了一个过程来处理社会网络数据，利用时间特征，以提高现有的算法检测社区。通过去除随机交互，我们观察到，社交网络收敛到一个拓扑结构，更纯粹的社会关系和更多的模块化社区。
2018-10-05 cs.SI physics.soc-ph
Assessing Individual and Community Vulnerability to Fake News in Social Networks
自社交媒体盛行以来，虚假信息的瘟疫，俗称假新闻，一直影响着新闻消费者的生活。因此，理解虚假信息在社交网络中的传播在文献中获得了大量关注。虽然大多数提出的模型进行内容分析的信息，没有太多的工作已经做了探索的社区结构，也发挥了重要作用，在决定人们如何接触it.In本文中，我们的想法的基础上计算信任社交网络，提出了一种新的社区健康评估模型对假新闻。基于社区的邻居、边界和核心节点的概念，提出了新的评估指标来量化节点（个体级）和社区（群体级）对虚假信息传播的脆弱性。我们的模型假设，如果边界节点信任社区的邻居节点谁是传播者，社区的密集连接的核心节点很可能成为传播者。我们测试我们的模型与社区使用三种流行的社区发现算法的基础上，从Twitter收集的信息传播网络的两个新的数据集。我们的实验结果表明，所提出的指标表现明显优于网络传播虚假信息比那些传播真实的，表明我们的社区健康评估模型是有效的。
2021-02-04 cs.SI
Terminal-Set-Enhanced Community Detection in Social Networks
社区发现旨在揭示社会网络中的社区结构，是社会网络研究的基本问题之一。本文基于终端集的概念研究了社区发现问题。终端集是一组用户，其中任何两个用户属于不同的社区。虽然社区发现一般来说是困难的，但终端集可以非常有助于设计有效的社区发现算法。我们首先提出了一个2-近似算法运行在多项式时间的原始社区发现问题。在另一个问题中，为了更好地支持实际应用，我们进一步考虑了对可行分区施加额外限制的情况。对于这种定制的社区发现问题，我们提供了两个随机算法，这是能够找到一个高概率的最佳分区。在基准网络上的实验表明，所提出的算法能够产生高质量的社区。
2016-07-01 cs.SI physics.soc-ph
Improving Data Forwarding in Mobile Social Networks with Infrastructure Support: A Space-Crossing Community Approach
在本文中，我们研究了两个紧密耦合的问题：空间交叉社区发现及其对数据转发在移动社交网络（MSNs）的影响，考虑到基础设施支持的混合底层网络。混合底层网络由大量的移动用户和一小部分接入点（AP）组成。由于AP可以促进长距离节点之间的通信，因此物理邻近社区的概念可以扩展为跨地理空间的社区。在这项工作中，我们首先研究了一个跨空间的社区发现方法的MSN。基于检测结果，设计了一种新的数据转发算法SAAS（Social Attraction and AP Spreading），并提出了如何利用空间交叉社区来提高数据转发效率。我们评估我们的SAAS算法的现实生活中的数据从麻省理工学院现实挖掘和UIM。结果表明，空间交叉社区在MSN数据转发的投递率和延迟方面起到了积极的作用。基于这种新型的社区，SAAS实现了更好的性能比现有的基于社会社区的数据转发算法，在实践中，包括泡泡说唱和阮的路由算法。
2013-07-28 cs.SI physics.soc-ph
Publishing Community-Preserving Attributed Social Graphs with a Differential Privacy Guarantee
我们提出了一种新的方法发布差异私人合成属性图。与以前的方法不同，我们的方法能够保留原始图的社区结构，而不牺牲捕获全局结构属性的能力。我们的建议依赖于C-AGM，一个新的社区保持属性图的生成模型。我们配备C-AGM与有效的方法，属性图采样和参数估计。对于后者，我们引入差分私有计算方法，这使我们能够发布具有强大的正式隐私保证的社区保护合成属性社交图。通过全面的实验，我们表明，我们的新模型优于其最相关的同行在合成差异私人属性的社会图，保留社区结构的原始图，以及度序列和聚类系数。
2019-08-31 cs.CR cs.SI physics.soc-ph
Reverse Influential Community Search Over Social Networks (Technical Report)
针对现有影响力社区搜索未考虑特定目标群体的不足，提出TopM-RICS问题及其变体TopM-R2ICS，通过设计剪枝策略与索引机制，高效检索满足结构与关键词约束且对目标社区影响力最大的种子社区。
2024-07-30 cs.DB 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
Estimating Community Feedback Effect on Topic Choice in Social Media with Predictive Modeling
社交媒体用户发布各种主题的内容。社交媒体的一个定义性特征是其他用户可以以评论、回复和转发的形式对其内容提供反馈（称为社区反馈）。我们假设收到的反馈量会影响社交媒体用户发布的主题的选择。然而，这是具有挑战性的，以测试这一假设的用户异质性和外部混杂因素复杂的测量反馈效果。在这里，我们用一种预测方法来研究这个假设，这种方法基于作者决定继续他们以前文章的主题的可解释模型。通过优化预测准确率，我们探索了混杂因素，包括作者的主题偏好和未观察到的外部因素，如新闻和社会事件。这种方法使我们能够识别哪些用户容易受到社区反馈的影响。总体而言，我们发现Reddit和Twitter上分别有33%和14%的活跃用户受到社区反馈的影响。该模型表明，这种反馈改变主题继续的概率高达14%，这取决于用户和反馈量。
2021-03-08 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
Node Dominance: Revealing Community and Core-Periphery Structure in Social Networks
本研究将节点优势的局部性质与网络的局部和全局性质联系起来。迭代去除支配节点产生用于计算社交网络的核心-外围分解的分布式算法，其中网络核心中的节点在网络流和全局结构方面被认为是必不可少的。此外，外围的连接组件提供了有关网络社区结构的信息，有助于社区发现。一些明确的结果，得出有关的核心和外围网络流，社区结构和全球网络结构，这是由观测结果证实。该方法说明了使用现实世界的网络（DBLP合著网络），与地面真理社区。
2015-09-24 cs.SI physics.soc-ph
Community Specific Temporal Topic Discovery from Social Media
研究社交媒体中话题的时间动态对理解在线用户行为非常有用。关于这一主题的现有工作大多数通常监测全球趋势，而忽略了社区之间的差异。由于来自不同社区的用户往往具有不同的品味和兴趣，因此捕获社区级别的时间变化可以改善对社交内容的理解和管理。此外，它还可以进一步促进社区发现，时间预测和在线营销等应用。然而，由于社区和主题之间复杂的相互作用以及难以处理的计算复杂性，这种抽取变得具有挑战性。本文针对社区级主题动态抽取问题，提出了一种统一的解决方案。提出了一个概率模型CosTot（Community Specific Topics-over-Time），用于发现隐藏的主题和社区，并捕捉社区特定的时间动态。具体而言，CosTot同时考虑文本，时间和网络信息，并很好地发现社区和主题之间的互动随着时间的推移。然后，我们讨论了近似推理实现，使模型参数的可扩展计算，特别是对于大型社会数据。在此基础上，研究了应用层对多尺度时态分析和社区探索的支持。在一个真实的微博数据集上进行了大量的实验研究，验证了该模型在时间戳预测、链接预测和主题混淆等任务上的优越性。
2013-12-03 cs.SI physics.soc-ph
Scalable Community Detection over Geo-Social Network
我们考虑一个社区发现问题，称为共址社区发现（CCD）的地理社会网络，检索社区，满足高结构紧密度和空间紧密度的限制。为了提供一个解决方案，受益于现有的研究社区发现，我们解耦的空间约束图结构约束，并提出了一个统一的CCD框架，使用户可以自由选择定制的测量社会凝聚力（例如，$k$ -核心或$k$ -桁架）。对于空间封闭性约束，我们采用有界半径的空间约束，并开发了一个精确的算法与有效的修剪规则。为了进一步提高效率，使我们的框架规模非常大的数据规模，我们提出了一个近似比恒定的近线性时间近似算法（$\sqrt{2}$）。我们在合成和真实世界的数据集上进行了大量的实验，以证明我们的算法的效率和有效性。
2019-08-30 cs.DB cs.SI
Community Detection in Blockchain Social Networks
在这项工作中，我们考虑区块链网络中的社区发现。我们特别以比特币网络和以太坊网络为例，其中社区发现以不同的方式提供服务。针对比特币网络，我们对传统的社区发现方法进行了修改，并将其应用于交易社交网络，对具有相似特征的用户进行聚类。另一方面，对于以太坊网络，我们定义了一个基于智能合约交易的二分社交图。提出了一种新的社区发现算法，该算法针对图中的低秩信号，基于用户令牌的订阅来发现用户的社区。基于这些结果，设计了两种策略来向同一社区中的用户提供链上广告。我们在真实数据上实现了所提出的算法。通过采用改进的聚类算法，比特币网络中的社区结果与已公布的博彩网站社区的真实情况基本一致。与此同时，我们在真实的以太坊数据上运行了所提出的策略，可视化了结果，并在Ropsten测试网上实现了广告投放。
2021-01-16 cs.IT cs.SI math.IT
Influence-based Community Partition with Sandwich Method for Social Networks
社区划分是生物网络、社会网络等领域的一个重要问题。这个问题的目标是通过网络拓扑分析数据之间的关系。本文研究了社交网络中IC模型下的社区划分问题。我们制定的问题作为一个组合优化问题，其目的是在一个给定的社会网络划分为不相交的M社区。目标是通过在每个社区内最大化社交网络的影响力传播来最大化社交网络的影响力传播的总和。现有的工作表明社区划分问题的影响力最大化是NP困难的。我们首先证明了IC模型下IMCPP的目标函数既不是次模也不是超模。然后构造并证明了三明治框架的上模上界和下模下界。对上界和下界问题分别设计了连续贪心算法和离散实现，算法对这两个问题的逼近比均为1-1/e。我们还设计了一个简单的贪婪来解决原始的目标函数，并应用三明治近似框架，以保证数据依赖的近似因子。最后，在两个真实数据集上对算法进行了测试，验证了算法在社区划分问题上的有效性，以及算法相对于其他算法的优势.
2020-07-06 cs.SI
Social Status and Communication Behavior in an Evolving Social Network
个人在多大程度上可以对在线社区中的信息传播和意见动态施加影响，这在很大程度上取决于他们的社会地位。因此，通过预测社区中有影响力的用户的社会地位来识别该社区中有影响力的用户的需求很高。此外，了解不同社会地位的人的行为，可以揭示社交网络中的互动动态。在本文中，我研究了一个不断发展的在线社交网络起源于一个在线社区的大学生和我解决的问题，预测用户的社会地位，表示为他们的PageRank，根据观察到的行为，即行为图案的重复出现的时间序列的频率。我表明，具有不同值的PageRank的个人表现出不同的行为，即使在最初的几周，因为在线社区的成立，它是可以预测未来的PageRank值的行为图案的频率与高精度。
2018-10-23 cs.SI physics.soc-ph
Survey-Based Calibration of the One-Community and Two-Community Social Network Models Used for Testing Singapore's Resilience to Pandemic Lockdown
本研究通过调查2,057名新加坡居民校准动态社交网络模型，模拟疫情封锁下的社会恢复，发现新加坡可在1-2个月内恢复，为量化社会韧性提供方法。
2025-03-26 cs.SI physics.soc-ph
Social Learning in Community Structured Graphs
本文研究社区结构网络中异质环境下的分布式假设检验问题，提出自适应社会学习策略，使每个社区能够在非平稳环境中发现各自的真实假设。
2024-06-12 cs.MA cs.SI eess.SP
Assessment of Effectiveness of Content Models for Approximating Twitter Social Connection Structures
本文探讨了社会质量（善良）的Twitter用户，在结构内的社会联系的基础上，用户生成的内容（语料库）的语义属性估计形成的社区结构。我们研究了构建图的社区结构的重叠，以及基于追随的社会社区，以找到构建的链接的社会善。根据经验研究了Unigram、bigram和LDA内容模型作为基本社交图的近似器的有效性评估，使得它们保持{ \it社区}社交属性。在不同的粒度的内容的影响，预测链接，同时保留社会社区结构的目的，进行了调查。100个讨论主题，跨越10个Twitter事件，用于实验。单字语言模型表现最好，这表明在紧密联系的社会社区中，单词使用具有很强的相似性。这一观察结果与Danescu et al.（2013）提出的词使用行为的演变现象一致，即改变属于同一社区的个体倾向于选择相同的词，并对文献提出了一个问题，该文献在没有验证的情况下使用LDA进行基于内容的社交链接预测，而不是其他内容模型。此外，观察到语义上更细粒度的内容比更粗粒度的内容更有效。
2016-05-31 cs.SI
Direct Comparative Analysis of Nature-inspired Optimization Algorithms on Community Detection Problem in Social Networks
National Institute of Technology, Silchar（锡尔查尔国家理工学院）；Université Paris-Saclay（巴黎萨克雷大学）；INRAE（法国国家农业、食品与环境研究院）
自然启发优化算法（NIOAs）是当今社交网络中社区发现的流行选择。社会网络中的社区发现问题被视为优化问题，其目标是最大化社区内的连接或最小化社区之间的连接。为了应用NIOA，对这两个目标中的一个或两个目标都进行了探讨。由于NIOA在其策略中主要利用随机性，因此有必要针对特定应用分析其性能。针对社区发现问题，分析了NIOA算法。遵循直接比较方法来执行NIOA的成对比较。根据prasatul矩阵和平均隔离度设计的五个分数来衡量性能。三个广泛使用的现实世界的社交网络和四个NIOA被认为是分析NIOA所产生的社区的质量。
2022-12-21 cs.CV cs.NA cs.NE
Community Detection in Social Network using Temporal Data
社交网络促进了参与者或用户之间有联系的社交空间。这种联系及其模式是基于他们的生活方式和交流方式。同样，在Facebook、Twitter、Myspace等在线社交媒体网络中，多个用户属于多个特定社区。社交网络表示大型现实世界定向社交图。从这些图中检测社区或集群是一个相当大的研究兴趣的问题。使用具有共同边和共同属性的相邻节点形成社区。现有的大多数社区发现算法通常考虑节点内容来分析社区的属性。一些算法使用节点之间的链接来确定图中的密集区域。但是，由于传统的顶点和边数据提取方法没有考虑节点间的连通性，同时利用边内容和顶点内容来检测社区还有待研究和验证。本文提出了一种互联空间聚类模型（Interlinked Spatial Clustering Model，ILSCM），该模型提供相关内容选择和时间主题提取，用于基于上下文关键字识别节点之间的介数，从而检测社区。
2019-04-10 cs.SI physics.soc-ph
Stylized facts in social networks: Community-based static modeling
过去对社交网络数据集的分析使我们能够对人类社会的许多方面进行实证研究，这些方面通常具有社交网络的程式化事实的特征，例如网络数量的广泛分布，社区的存在，混合和强度拓扑关系。由于对这些复杂的社交网络结构的理解还远未完成，为了更深入地了解人类社会，需要更全面的数据集和对程式化事实的建模。虽然现有的动态和静态模型可以产生一些程式化的事实，在这里，我们采取了另一种方法，通过设计一个基于社区的静态模型与异构社区大小和较大的社区具有较小的链接密度和权重。有了这几个假设，我们能够生成现实的社交网络，显示最程式化的事实，为广泛的参数，如数字和分析证明。由于我们的基于社区的静态模型易于实现和易于扩展，它可以被用作参考系，基准，或进一步的应用程序的测试平台。
2017-08-08 cs.SI physics.soc-ph
The Rise and Fall of a Central Contributor: Dynamics of Social Organization and Performance in the Gentoo Community
社会组织和劳动分工对协作式软件工程工作的绩效有着至关重要的影响。在本文中，我们提供了一个定量分析的社会组织和性能之间的关系在Gentoo，一个开源社区开发的Linux发行版。我们研究的结构和动态的合作记录在项目的错误跟踪系统在一个为期十年。我们确定了一个时期的中心化，在此之后，在社区中的大多数互动是由一个单一的中央贡献者介导的。在这个高度集中的时期，核心贡献者出人意料地离开了项目，从而给社区带来了重大挑战。我们量化了这个核心贡献者的崛起、活动以及随后的突然退出如何影响了Gentoo社区的社会组织和错误处理性能。我们从网络理论的角度分析社会组织，并通过采访Gentoo社区的杰出成员来增加我们的定量研究结果，这些成员分享了他们的个人见解。
2013-02-28 cs.SE cs.SI nlin.AO
SCRAG: Social Computing-Based Retrieval Augmented Generation for Community Response Forecasting in Social Media Environments
Department of Computer Science University of Illinois Urbana-Champaign（计算机科学系伊利诺伊大学厄巴纳-香槟分校）
提出SCRAG框架，融合社会计算与检索增强生成，利用历史响应和外部知识预测社交媒体社区反应，在X平台六场景中平均提升超10%。
2025-04-18 cs.AI cs.SI
Graph Integrated Transformers for Community Detection in Social Networks
School of Information Technology Carleton University Ottawa, ON, Canada（信息科技学院卡尔顿大学渥太华，加拿大）
本文提出一种结合GNN和Transformer的混合模型GIT-CD，用于提升社交网络中的社区检测性能。
2026-01-07 cs.AI cs.SI
Detecting Local Community Structures in Social Networks Using Concept Interestingness
University of Quebec in Outaouais（魁北克大学乌塔韦校区）
社会网络分析面临的一个关键挑战是设计一个有效和准确的社区发现过程，以发现内在结构和提取相关信息。在本文中，我们介绍了一种新的策略称为（COIN），利用概念感兴趣的措施来检测社区的基础上的概念格的网络建设。因此，与现成的社区发现算法不同，COIN利用从形式概念分析继承的相关概念特征来发现实质性的局部结构。在COIN的第一阶段，我们提取了捕获社交网络中所有派系和桥梁的形式概念。在第二阶段，我们使用稳定性指标，以消除社区之间的噪音桥梁，然后渗透相关的相邻集团。我们在几个真实世界的社交网络上的实验表明，COIN可以快速检测社区更准确地比现有的突出算法，如边缘介数，快速贪婪模块化，和信息地图。
2019-02-05 cs.AI cs.SI
