A Noise-Resilient Semi-Supervised Graph Autoencoder for Overlapping Semantic Community Detection
Laboratoire des Mathématiques et Sciences Appliquées (LMSA), Université de Ghardaia（应用数学和科学实验室（LMSA），加兹达亚大学）；Faculty of Sciences and Technology, Université de Ghardaia（科学与技术学院，加兹达亚大学）
本文提出一种结合图多头注意力与模块度最大化的抗噪半监督图自编码器，通过融合结构、属性和先验知识，在60%特征损坏下仍能稳健检测重叠社区并优于现有方法。
2025-05-09 cs.AI cs.SI
Evading Overlapping Community Detection via Proxy Node Injection
Department of Computer Science（计算机科学系）；Sapienza University of Rome（罗马萨皮恩扎大学）
针对重叠社区检测中的隐私保护，提出基于深度强化学习的代理节点注入方法，有效隐藏目标节点社区归属，显著优于现有基线。
2025-09-25 cs.AI cs.SI
Graph Communal Contrastive Learning
Tianjin University（天津大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
图表示学习对于许多现实世界的应用（例如社会关系分析）至关重要。图表示学习的一个基本问题是如何有效地学习表示而不需要人工标记，这通常是昂贵和耗时的。图对比学习（GCL）通过在表示空间中拉近正节点对（或相似节点），同时推开负节点对（或不相似节点）来解决这个问题。尽管现有的GCL方法取得了成功，但它们主要是基于节点级别的邻近度对节点对进行采样，而很少考虑社区结构。因此，来自同一社区的两个节点可能被采样为负对。我们认为，社区信息应被视为确定节点对在相同的社区，其中节点内部是语义相似的。为了解决这个问题，我们提出了一种新的图形公共对比学习（gCooL）框架，共同学习社区划分和学习节点表示在一个端到端的方式。具体而言，建议gCooL由两个组成部分：一个密集社区聚合（DeCA）算法的社区发现和重新加权的自我监督交叉对比（ReSC）训练计划，利用社区信息。此外，真实世界的图形是复杂的，通常由多个视图组成。在本文中，我们证明了所提出的gCooL也可以自然地适应多重图。最后，我们全面评估了各种现实世界的图形上提出的gCooL。实验结果表明，gCooL算法的性能优于现有方法。
2022-02-14 cs.AI cs.SI
Improving community detection via community association strength scores
本文提出三种社区关联强度分数作为后处理工具，用于改进节点划分、识别离群节点并发现多社区成员节点。
2025-01-29 cs.SI
Evidential community detection based on density peaks
Northwestern Polytechnical University（西北工业大学）；DRUID；IRISA（法国国家信息与自动化研究所/IRISA研究所（注：IRISA为法国雷恩一大下属的信息与系统研究所，常用名保留IRISA））；University of Rennes 1（雷恩第一大学）
信任函数框架下的信任划分可以让我们更好地理解分析的数据集。为了在图数据集中发现可信社区结构，提出了一种新的基于密度峰值的证据社区发现算法（EDPC）。首先为图中的每个节点定义了两个新的度量：局部密度$ρ$和最小耗散度$δ$。然后，具有较高的$ρ$和$δ$值的节点被识别为社区中心。最后，通过一个简单的两步证据标签传播策略为剩余节点分配相应的社区标签。每个节点的成员关系以基本信念赋值的形式来描述，能够很好地表达图的社团结构中包含的不确定性。实验证明了该方法在实际网络中的有效性。
2018-09-28 cs.AI cs.SI
Inductive Representation Learning in Temporal Networks via Mining Neighborhood and Community Influences
Heilongjiang University（黑龙江大学）
针对直推式方法难以适应时序网络动态变化的问题，本文提出 MNCI 归纳式表示学习方法，通过融合邻域与社区影响生成任意时刻的节点嵌入，并在多个真实数据集上验证其优于现有基线。
2023-06-01 cs.AI cs.SI
Tell me who its founders are and I'll tell you what your online community looks like: Online community founders' personality and community attributes
本研究探讨在线社区创始人的大五人格特质对社区属性和可持续性的预测作用，通过开发文本估计工具分析8,625个Reddit社区中35,164名创始人的特质，发现创始人性格与社区参与度、网络结构及活跃度显著相关。
2025-05-02 cs.HC cs.SI
Measuring Node Contribution to Community Structure with Modularity Vitality
社区感知中心性是网络科学中的一个新兴研究领域，关注节点对社区结构的重要性。测度是网络结构和给定分区的函数。以前的方法扩展了经典的中心性措施，占社区结构与社区发现理论的联系不大。相比之下，我们提出了集群质量的活力措施，即，模块化活力，这是一个社区意识的衡量标准，它充分基于中心性和社区发现理论。模块化活力量化了节点对社区结构的积极和消极贡献，表明节点作为社区桥梁或枢纽的作用。我们推导出一个计算效率高的方法，计算模块化生命力的所有节点在O（M + NC）的时间，其中C是社区的数量。我们通过移除中心节点来系统地分割网络，并发现模块化活力始终优于现有的社区感知中心性措施。在百万节点的基础设施网络上，模块化活力的效率是次优方法的8倍以上。这一结果并不适用于社交媒体通信网络，社交媒体通信网络对所有社区感知中心攻击都表现出极强的鲁棒性。这种稳健性表明，以用户为基础的干预措施，以减轻错误信息的传播将是无效的。最后，我们证明了模块化的生命力提供了一种新的方法来社区欺骗。
2021-01-07 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
Community Detection in Networks with Node Attributes
社区发现算法是一种基本的工具，它使我们能够揭示网络中的组织原则。当检测社区时，有两种可能的信息源可以用途：网络结构，以及节点的特征和属性。即使社区围绕具有共同边缘和共同属性的节点形成，通常，算法仅关注这两种数据形式之一：社区发现算法传统上仅关注网络结构，而聚类算法大多仅考虑节点属性。在本文中，我们开发的社区从边缘结构和节点属性（CESNA），一个准确的和可扩展的算法，用于检测重叠的社区在网络中的节点属性。CESNA对网络结构和节点属性之间的相互作用进行统计建模，这导致更准确的社区发现以及在网络结构中存在噪声的情况下改进的鲁棒性。CESNA在网络规模上具有线性运行时间，并且能够处理比可比方法大一个数量级的网络。最后，CESNA还通过查找每个社区的相关节点属性来帮助解释检测到的社区。
2014-01-28 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
Measuring Proximity in Attributed Networks for Community Detection
Moscow Institute of Physics and Technology（莫斯科物理技术学院）；Trapeznikov Institute of Control Sciences of the Russian Academy of Sciences（俄罗斯科学院特拉佩兹尼科夫控制科学研究所）；Kotel’nikov Institute of Radio-engineering and Electronics (IRE) of the Russian Academy of Sciences（俄罗斯科学院科捷利尼科夫无线电工程与电子研究所（IRE））
图上的邻近性度量在网络分析中有各种应用，包括社区发现。以前，它们主要是在没有属性的网络背景下研究的。然而，如果考虑节点属性，这可以提供对网络结构的更多了解。在本文中，我们扩展了一些研究的邻近性措施的定义属性网络。为了说明属性，使用几种属性相似性度量。最后，得到的邻近性措施，在一些现实世界的网络使用谱聚类算法检测社区结构。
2021-11-04 cs.LG cs.SI
Effective Community Search on Large Attributed Bipartite Graphs
二部图上的社区搜索最近引起了极大的兴趣。在电子商务中的用户-项目二部图、电影评分网站中的客户-电影二部图等应用中，节点往往具有属性，而以往的二部图社区搜索算法忽略了属性，使得返回的结果与节点属性的内聚性较差。本文研究了属性二部图上的社团搜索问题。给定一个查询顶点q，我们的目标是找到$G$的属性$\left(α,β\right)$ -社区，其中社区的结构内聚性由$\left(α,β\right)$ -核心模型描述，子图中两组节点的属性相似性最大化.为了从二分图中检索属性社区，我们首先提出了一个基本算法，该算法包括两个步骤：候选关键字集的生成和验证，然后提出了两个改进的查询算法Inc和Dec。Inc算法，然后采用不同的候选关键词集生成方法和验证顺序，提出了Dec算法。在八个大型图上评估了我们的解决方案后，实验结果表明，我们的方法在二分图上查询属性社区是有效的。
2023-03-01 cs.DB cs.SI
NodeSim: Node Similarity based Network Embedding for Diverse Link Prediction
在现实世界的复杂网络中，了解其演化的动力学一直是科学界的极大兴趣。预测未来的链接是社会网络分析的一项重要任务，因为随着时间的推移，链接的添加或删除会导致网络的演变。在网络中，如果链路的两个端节点属于同一个社区，则链路可以被分类为社区内链路，否则为社区间链路。现有的链接预测方法主要集中在实现社区内链接预测的高精度。在这项工作中，我们提出了一个网络嵌入的方法，称为NodeSim，它捕捉节点和社区结构之间的相似性，同时学习网络的低维表示。嵌入是使用建议的NodeSim随机游走学习的，它有效地探索了不同的邻域，同时在节点的上下文中保持更接近的相似节点。我们使用不同的链接预测验证了所提出的嵌入方法的有效性。我们提出了一个机器学习模型的链接预测，同时考虑节点的嵌入和他们的社区信息来预测两个给定的节点之间的链接。在几个真实网络上的大量实验结果表明，所提出的框架对社区间和社区内链接预测都是有效的。
2021-02-01 cs.SI
CKS: A Community-based K-shell Decomposition Approach using Community Bridge Nodes for Influence Maximization
社交网络已经在其平台上实现了用户特定的广告和推荐，这使得针对目标广告和相关任务的影响力最大化（IM）成为一个重要的焦点。其目的是确定网络中的节点，这些节点可以通过扩散级联最大限度地传播信息。我们提出了一种基于社区结构的方法，采用K-Shell算法与社区结构之间的连接种子节点和社区生成一个分数。此外，我们的方法在社区内使用熵，以确保社区内信息的正确传播。我们在四个公开可用的网络上验证了我们的方法，并显示了它对四种最先进方法的优越性，同时仍然相对有效。
2022-11-26 cs.SI
Community Detection Algorithm Combining Stochastic Block Model and Attribute Data Clustering
Tohoku University（东北大学）；Yamagata University（山形大学）
我们提出了一种新的算法来检测社区结构的网络，利用网络结构和顶点属性数据。假设我们有网络结构和顶点属性数据，即分配给每个顶点的信息与它所属的社区相关联。本文所解决的问题是从网络结构和顶点属性数据的信息中检测社区结构。我们的方法是基于贝叶斯方法，模型的后验概率分布的社区标签。在我们的方法中的社区结构的检测是通过使用信念传播和EM算法。我们使用计算机生成的网络和真实世界的网络数值验证了我们的方法的性能。
2016-07-21 cs.LG cs.SI physics.soc-ph
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
A stochastic block model for community detection in attributed networks
本文提出一种整合节点介数中心性和聚类系数的随机块模型BCSBM，用于属性网络社区检测，能检测多分和混合结构，实验优于五种对比算法。
2023-08-31 cs.SI stat.ML
A density-based framework for community detection in attributed networks
University of Trieste（的里雅斯特大学）；University College Dublin（都柏林大学学院）
本文提出AttDeCoDe，一种基于属性的密度社区检测框架，用于分析节点特征在群体形成中起核心作用的网络，通过属性空间估计密度以捕捉同质性驱动的聚集并保持结构性连接约束。
2025-12-30 cs.SI stat.AP
CoANE: Modeling Context Co-occurrence for Attributed Network Embedding
National Cheng Kung University（成功大学）
属性化网络嵌入（ANE）是通过学习低维向量，使得嵌入空间中既保留了网络结构，又保留了节点属性。现有的ANE模型没有考虑图结构和属性之间的特定组合。虽然每个节点都有其结构特征，例如高度互连的邻居以及它们的某些属性分布模式，但每个节点的邻居不应仅由多跳节点来描述，而应考虑某些集群或社交圈。为了对这些信息进行建模，本文提出了一种新的ANE模型，上下文同现感知属性网络嵌入（CoANE）。CoANE的基本思想是对每个节点涉及不同模式的上下文属性进行建模，并将每个属性视为通道，应用卷积机制对位置信息进行编码。上下文共现的学习可以捕获每个节点的潜在社交圈。为了更好地编码节点的结构和语义知识，我们设计了一个三向目标函数，包括正图似然，上下文负采样和属性重建。我们在五个真实数据集上进行了链接预测、节点标签分类和节点聚类的实验。结果表明，CoANE可以显着优于国家的最先进的ANE模型。
2021-06-17 cs.AI cs.LG 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
Immunization Strategies Based on the Overlapping Nodes in Networks with Community Structure
了解网络拓扑结构如何影响流行病的传播是一个主要的问题，以制定有效的免疫策略。虽然有大量的工作处理网络的宏观拓扑性质，很少有研究致力于社区结构的影响。此外，虽然在许多现实世界的网络社区可能会重叠，在这些研究中，非重叠的社区结构被认为是。为了深入了解重叠节点在传染过程中的影响，我们进行了实证评估的基本确定性免疫策略的重叠节点的基础上。使用经典的SIR模型在真实网络上与地面真理重叠的社区结构，我们分析如何免疫的基础上重叠节点的成员数（这是社区的节点所属的数量）影响最大的连接组件的大小。与随机免疫策略设计的网络与非重叠的社区结构的比较表明，重叠的节点在流行病的过程中发挥了重要作用。
2022-12-30 cs.SI
Community Detection with Node Attributes and its Generalization
社区发现算法是理解社交网络中组织原则的基本工具。随着社交媒体平台的日益强大，当检测社区时，存在可以用途：社交网络的结构和节点属性的两个可能的信息源。然而，在社区发现的研究中，社交网络的结构和节点属性往往被分开解释。当这两个来源同时解释，一个共同的假设共享以前的研究是，节点属性与社区。本文提出了一种模型，该模型能够将拓扑信息和节点属性信息相结合，而无需假设相关性。该模型在节点属性与社区不相关的情况下，仍能以较高的精度恢复社区。我们推导出该模型的可检测性阈值，并使用置信传播（BP）进行推理。该算法是最佳的，因为它可以恢复社区的所有方式下降到阈值。这种新模型也有可能处理边缘内容和动态设置。
2016-04-12 cs.SI physics.soc-ph stat.ML
ANAE: Learning Node Context Representation for Attributed Network Embedding
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）
属性网络嵌入的目标是从网络结构和节点属性中学习低维节点表示。现有的方法可以分为两类：（1）分别从网络结构和节点属性中学习两个独立的节点表示并将它们连接在一起;（2）另一类通过将节点属性转换为网络结构或反之亦然来获得节点表示。然而，这两组都有其缺点。第一组忽略了网络结构和节点属性之间的相关性，而第二组假设这两种类型的信息之间的强依赖性。在本文中，我们从一个新的角度来解决归因网络嵌入，即，通过对每个节点的属性局部子图进行建模，学习每个节点的节点上下文表示。为了实现这一目标，我们提出了一种新的属性网络自动编码器框架，即ANAE。对于目标节点，ANAE首先从其属性局部子图中聚集属性信息，获得其低维表示。接下来，ANAE将目标节点的表示扩散到其局部子图中的节点，以重建它们的属性。这样的编码器-解码器框架允许学习的表示更好地保留网络结构和节点属性中表现的上下文信息，从而具有学习属性网络的良好节点表示的高容量。在真实数据集上的大量实验结果表明，该框架在链接预测和节点分类方面优于现有的方法。
2020-07-06 cs.LG cs.SI
Maximising Influence Spread in Complex Networks by Utilising Community-based Driver Nodes as Seeds
在复杂网络中寻找一小部分有影响力的节点以最大化影响力传播是一个活跃的研究领域。过去已经提出了不同的方法来识别一组种子节点，这些节点可以帮助实现网络中影响力的更快传播。结合网络控制领域的驱动节点选择方法，采用分而治之的方法，利用社区结构指导从社区驱动节点中选择候选种子节点。使用社区中的驱动节点作为种子节点是一个相对较新的想法。我们确定了合成的社区（即，随机、小世界和无标度）网络以及22个真实世界的社交网络。来自这些社区的驱动程序节点然后根据一系列共同的中心性度量进行排名。我们比较了这些种子集的影响力传播能力的结果，在全球范围内选择驱动程序节点。我们表明，在合成和真实的网络中，利用社区结构增强了所产生的种子集的能力。
2022-12-22 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
MCD: A Modified Community Diversity Approach for Detecting Influential Nodes in Social Networks
在过去的几十年里，社交网络已经将全球各地的人们联系在一起，并已成为我们日常生活中至关重要的一部分。这些网络也迅速发展成为面向更广泛受众传播产品、想法和意见的平台。由于各种原因，这就需要在网络中找到有影响力的节点，包括遏制错误信息在网络中传播，有效地广告产品，在生物网络中找到突出的蛋白质结构等。一种通过利用社区发现和改进的社区多样性方法来发现网络中有影响力的节点的新方法。我们将社区多样性的概念扩展到两跳场景。这有助于我们更准确地评估节点对网络的可能影响，并避免选择具有重叠影响范围的种子节点。实验结果表明，MCD优于其他各种国家的最先进的方法上的八个数据集累积在三个性能指标。
2022-11-22 cs.SI
Identity-Based Attribute Prototypes Distinguish Communities on Twitter
本文考察了Twitter上的会话社区与其成员的社会身份表达之间的联系。它专门测试社区原型的存在，或者通过元对比定义一个群体的属性集合：高内聚性和高外聚性。分析四个数据集的政治讨论，从大约400万到3000万推文，我们发现了强有力的证据，存在独特的社区原型。我们观察到，社区原型是通过标签、提及、表情符号和身份短语构建的。这一发现定位在一个更大的群体过程中发挥出通信社区内的个人用户的身份信号先前的工作。然后，通过测量每个社区的身份信号的显着性，为特定的社区构建社区原型。观察到的社区原型往往基于政治意识形态、地理位置和语言或普遍利益。虽然社区原型的存在可能是一种自然的群体行为，但在展示意识形态对立原型的社区之间观察到的高水平对比表明存在与身份有关的两极分化。
2023-02-20 cs.SI
A Bayesian Framework for Community Detection Integrating Content and Link
Michigan State University（密歇根州立大学）；NEC Laboratories America（美国 NEC 实验室）
针对网络数据中的社区发现问题，提出了一种结合链接分析和内容分析的社区发现方法。大多数现有的工作结合链接和内容信息的生成模型。现有方法有两个主要缺点。首先，他们假设在两个节点之间创建链接的概率仅由节点的社区成员身份决定;然而其他因素（例如流行度）也可能影响链接模式。其次，他们使用生成模型来模拟单个节点的内容，而这些生成模型容易受到与社区无关的内容属性的影响。我们提出了一个贝叶斯框架相结合的链接和内容信息的社区发现，明确解决这些缺点。提出了一种新的链接模型，该模型在决定两个节点之间的链接时引入一个随机变量来获取节点的流行度，并使用一个判别模型根据节点的内容来确定节点的社区成员资格。提出了一种有效的贝叶斯近似推理算法。我们的实证研究表明，该框架优于几个国家的最先进的方法相结合的链接和内容信息的社区发现。
2012-05-09 cs.AI cs.SI physics.soc-ph
Modeling Social Networks with Node Attributes using the Multiplicative Attribute Graph Model
从社会，技术和自然领域产生的网络表现出丰富的连接模式，在这样的网络中的节点往往与属性或功能的标签。我们解决的问题，建模的网络结构中的节点属性信息。我们提出了一个乘法属性图（MAG）模型，认为节点的分类属性和模型的概率边缘的产品的个人属性链接形成的亲和力。提出了一种可扩展的变分期望最大化参数估计方法。实验表明，MAG模型可靠地捕捉网络连接，以及提供洞察不同的属性如何塑造网络结构。
2011-06-24 cs.SI physics.soc-ph
Inference and Visualization of Community Structure in Attributed Hypergraphs Using Mixed-Membership Stochastic Block Models
Graduate School of Systems Design, Tokyo Metropolitan University（东京 Metropolitan 大学系统设计研究生院）；Principles of Informatics Research Division, National Institute of Informatics（国家信息研究所信息原理研究部门）
本文提出HyperNEO框架，结合混合成员随机块模型与降维方法，在保留节点社区成员关系的前提下实现带属性超图社区结构的推断与可视化。
2025-05-04 cs.LG 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
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
Interpretable Node Representation with Attribute Decoding
Tufts University（塔夫茨大学）；Rutgers University（罗格斯大学）
变分图自动编码器（VGAE）是用于从图数据中对节点表示进行无监督学习的强大模型。在这项工作中，我们系统地分析了建模节点属性VGAE和属性解码是重要的节点表示学习。我们进一步提出了一个新的学习模型，可解释的节点表示与属性解码（NORAD）。该模型以一种可解释的方法对节点表示进行编码：节点表示捕获图中的社区结构以及社区与节点属性之间的关系。我们进一步提出了一个修正程序，以改善孤立的笔记节点表示，提高这些节点的表示质量。我们的实证结果表明，该模型的优势时，学习图形数据在一个可解释的方法。
2022-12-03 cs.LG cs.SI
nodewatcher: A Substrate for Growing Your own Community Network
社区网络与常规网络的不同之处在于它们的有机增长模式-没有中央规划机构来决定如何建立网络。相反，随着越来越多的人表示有兴趣参与社区并与邻居联系，网络以自下而上的方式增长。参加社区网络的人通常是自由时间有限的志愿者。由于这些因素，使社区网络的管理更简单，更容易为所有参与者是促进其增长的关键组成部分。个别网络的特殊性往往迫使社区开发自己的一套工具和最佳做法，这些工具和做法很难与其他网络共享，也不能很好地相互操作。我们提出了一个新的通用社区网络管理平台nodewatcher，是围绕模块化和可扩展性的核心原则，使其适合重用不同的社区网络。设备使用独立于平台的配置进行配置，nodewatcher可以将其转换为可部署的固件映像，消除任何手动设备配置，减少错误，并使新手维护人员能够参与。嵌入式监控系统可实时监控和验证整个社区网络。我们展示了该系统如何成功地运作在一个实际的社区无线网络，WLAN斯洛文尼亚。
2016-01-11 cs.SI
Community-based Outlier Detection for Edge-attributed Graphs
网络的研究已经出现在不同的学科，作为分析复杂关系数据的一种手段。除了像图查询处理、链接分析、影响传播等图分析任务之外，最近在信息网络数据的离群点检测领域中也有一些工作。虽然各种各样的离群点已经研究了图数据，有没有太多的工作，从边缘属性图的异常检测。在本文中，我们介绍了一种方法，检测新的离群图节点，同时考虑到节点数据和边缘数据检测异常。我们将问题建模为社区发现任务，其中离群值形成单独的社区。我们提出了一种方法，使用概率图模型（隐马尔可夫随机场）在网络中的节点和边缘的联合建模计算整体社区离群值（HCOutliers）。因此，我们的模型为两个节点之间具有多个边/关系的异构图提供了一个自然的设置。EM（期望最大化）用于学习模型参数，并推断隐藏的社区标签。在合成数据集和DBLP数据集上的实验结果表明，该方法可以有效地从网络中发现新的离群点。
2017-11-11 cs.SI
HoSIM: Higher-order Structural Importance based Method for Multiple Local Community Detection
局部社区发现近年来引起了广泛的研究关注，针对单个局部社区发现，即发现包含给定查询节点集合的社区，已经提出了许多方法。然而，节点可能属于网络中的几个社区，和检测的查询节点集的所有社区，被称为多个本地社区发现（MLCD），是更重要的，因为它可以发现更多的潜在信息。MLCD也更具挑战性，因为当查询节点属于多个社区时，它总是位于社区的复杂重叠区域和边缘区域。因此，通过应用种子扩展方法来检测这些节点的多个社区是不够的。在这项工作中，我们解决了高阶结构重要性（HoSI）的基础上的MLCD。首先，为了有效地估计高阶结构的影响，我们提出了一种新的随机游走变体，称为主动随机游走，以测量节点之间的HoSI得分。然后，我们提出了两个新的指标来评估一个子图的HoSI得分到一个节点和一个节点的HoSI得分，分别。基于所提出的指标，我们提出了一种新的算法，称为HoSIM检测多个本地社区的一个查询节点。HoSIM执行三阶段处理，即子图采样、核心成员识别和局部社区发现。其核心思想是利用HoSI发现和识别与查询节点相关的社区的核心成员，并优化生成的社区。大量的实验验证了HoSIM的有效性。
2022-05-24 cs.SI
Triangle-oriented Community Detection considering Node Features and Network Topology
在属性网络中，联合使用节点特征和网络拓扑来发现社区被称为社区发现。沿着这条线的大多数现有的工作已经通过目标函数优化进行，并提出了许多方法。然而，他们往往只关注低阶细节，即，从节点和边的角度捕捉节点特征和网络拓扑，单纯追求更高的优化度来保证所发现的社区质量，加剧了社区的不平衡和搭便车效应。为了进一步阐明和揭示网络的内在本质，我们进行三角形的社区发现考虑节点特征和网络拓扑结构。具体来说，我们首先引入一个基于三角形的质量度量，以保持节点特征和网络拓扑的高阶细节，然后制定所谓的两级约束，以编码节点特征和网络拓扑的低阶细节。最后，我们开发了一个本地搜索框架的基础上优化我们的目标函数，包括建议的质量指标和两级约束，以实现非重叠和重叠的社区发现属性网络。大量的实验表明，我们的框架的有效性和效率，并在减轻不平衡的社区和搭便车效应的潜力。
2022-07-11 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
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
Mitigating Degree Biases in Message Passing Mechanism by Utilizing Community Structures
The Catholic University of Korea（韩国天主教大学）
本文提出社区感知图变换器（CGT），通过可学习增强和自监督学习利用社区结构，生成社区内边以缓解消息传递中的节点度偏差，在多个基准上超越现有方法。
2023-12-28 cs.AI cs.LG cs.SI
On Positional and Structural Node Features for Graph Neural Networks on Non-attributed Graphs
Emory University（埃默里大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Purdue University（普渡大学）
图神经网络（GNN）已被广泛用于各种与图相关的问题，例如节点分类和图分类，其中主要在自然节点特征可用时建立优越的性能。然而，没有自然节点特征的GNN如何工作还没有很好的理解，特别是关于构建人工节点的各种方法。在本文中，我们指出了两种类型的人工节点特征，即，位置和结构节点特征，并提供关于为什么它们中的每一个更适合于某些任务的见解，即，位置节点分类、结构节点分类和图形分类。在10个基准数据集上进行的大量实验结果验证了我们的见解，从而为非属性图上GNN的不同人工节点特征之间的选择提供了实用指南。该代码可在https://github.com/zjzijielu/gnn-positional-structural-node-features上获得。
2022-09-09 cs.AI cs.LG cs.SI
Testing Alignment of Node Attributes with Network Structure Through Label Propagation
属性网络数据在各个领域中变得越来越普遍，因为我们通常除了节点的成对连接模式之外还配备了关于节点的信息。这些额外的信息可以表现为分类，也可以表现为多维特征向量。最近开发的寻求将社区发现方法扩展到属性网络的方法已经探索了如何最有效地结合连接性和属性信息来识别质量社区。这些方法通常依赖于对属性和连通性之间的依赖关系的一些假设。在这项工作中，我们试图开发一个统计测试，以评估节点属性是否与网络连接。我们的目标是定量评估是否具有类似的连接模式的节点也有类似的属性。为了解决这个问题，我们使用节点采样和标签传播方法。我们将我们的方法应用于几个合成的例子，探讨网络结构和属性特征如何影响我们的方法计算的经验p值。最后，我们将该测试应用于从单细胞质谱仪（CyTOF）数据集生成的网络，并表明我们的测试可以识别与不同单细胞亚群相关的标记物。
2018-05-18 cs.SI
Predicting Properties of Nodes via Community-Aware Features
SGH Warsaw School of Economics（华沙经济学院）；Toronto Metropolitan University（多伦多都会大学）；Tutte Institute for Mathematics and Computing（塔特数学与计算研究所）
本文提出了一族社区感知节点特征，利用网络社区结构提升节点分类的预测能力，证明了其包含经典特征无法恢复的信息，并在合成与真实网络中验证了其高效性和有效性。
2024-04-26 cs.LG cs.SI math.CO
Community Detection of Complex Network Based on Graph Convolution Iterative Algorithm
本文提出一种结合随机采样、节点距离属性矩阵与图卷积迭代的复杂网络社区发现方法，并通过模块度及多类网络实验验证其有效性。
2024-11-28 cs.SI
Community detection using boundary nodes in complex networks
我们提出了一个新的本地社区检测算法，发现社区之间的边界线，使用边界节点。我们的方法执行标签传播社区检测，其中节点决定他们的标签的基础上表现出最大的“效益分数”的近邻作为吸引他们的社区。我们尝试了不同的指标，发现使用共同邻居的数量作为收益分数可以为社区结构做出更好的决策。该算法具有局部逼近的特点，在标签传播迭代过程中只关注边界节点，消除了不必要的步骤，缩短了整体执行时间。它保留了小社区以及大社区，并且在识别社区的质量方面优于其他算法，特别是当社区结构很微妙时。该算法具有分布式的性质，可以在大型网络上以并行的方式使用。
2018-08-03 cs.SI physics.soc-ph
The efficiency of community detection by most similar node pairs
社区分析是确定复杂系统是否由具有不同性质的子结构组成的重要方法。本文利用最相似共引模式对SSCI期刊系统进行了两级社区结构分析。介绍了选择最相似节点（日志）对的五种不同策略。利用归一化互信息互信息技术检验了算法的有效性。统计特性和社团结果的比较表明，两级检测都能对复杂系统的社团结构提供指导性信息。通过对这5种策略的进一步比较发现，无论相似性信息是否完备，最有效的策略都是将相似性最大的节点分配到同一个社区中，而随机选择生成的是没有内部序的小世界局部社区。这些结果为有效的社区发现的最相似的节点对的指示。
2018-01-11 cs.DL cs.SI physics.soc-ph
Node-centric community detection in multilayer networks with layer-coverage diversification bias
信息网络中以节点为中心的或局部的社区发现问题是指对于具有关于网络拓扑的有限信息的给定输入节点的社区的识别。然而，解决这个问题的现有方法并不适用于复杂网络。在本文中，我们提出了一个新的框架，局部社区发现的多层网络模型的基础上。我们的方法依赖于社区内部连接密度和外部连接密度之间的比例最大化，根据多层相似性为基础的社区关系。我们还定义了一个偏置方案，允许发现当地社区的特点是不同程度的层覆盖多样化。在真实世界的多层网络上进行的实验评估表明了我们的方法的意义。
2017-04-11 cs.SI physics.soc-ph
Joint Use of Node Attributes and Proximity for Semi-Supervised Classification on Graphs
University of Helsinki（赫尔辛基大学）
节点分类的任务是推断未知节点标签，给定一些节点的标签以及网络结构和其他节点属性。通常，用于该任务的方法假设同质性，由此相邻节点具有相似的属性，并且节点的标签可以从其邻居或其他邻近节点的标签来预测（即，附近）的节点。然而，这样的假设可能并不总是成立-事实上，在某些情况下，标签可以更好地从每个节点的单个属性而不是其邻近节点的标签进行预测。理想情况下，节点分类方法应该灵活地适应一系列的设置，其中未知的标签是从邻近节点的标签，或单个节点属性，或部分两者预测。在本文中，我们提出了一个原则性的方法，JANE，基于生成概率模型，通过嵌入在预测标签中联合权衡属性和节点邻近度的作用。我们在各种网络数据集上的实验表明，与标准基线相比，JANE表现出所需的多功能性和竞争性能的组合。
2021-09-14 cs.LG cs.SI
Community Structure aware Embedding of Nodes in a Network
检测社区或现实生活网络（例如社交网络或产品购买网络）的模块化结构是一项重要任务，因为网络的功能通常由其社区决定。社区发现的传统方法涉及基于模块的算法，一般来说，基于寻求最大化分区内的边缘与它们之间的边缘的比率的算法来构造分区。另一方面，节点嵌入方法将图中的每个节点表示为实值向量，从而能够将图中的社区发现问题转化为对一组向量进行聚类的问题。现有的节点嵌入方法主要基于，首先，从每个节点发起随机游走以构造节点的上下文，然后使节点的向量表示接近其上下文。然而，标准的节点嵌入方法在构建每个节点周围的上下文时并不直接考虑网络的社区结构。为了缓解这种情况，我们探索了两个不同的工作线程。首先，我们研究了使用基于最大熵的随机游走来获得更多的中心保持嵌入的节点，这可能会导致更有效的集群在嵌入空间。其次，我们提出了一个社区结构感知的节点嵌入方法，我们将基于模块化的分区算法到节点嵌入的目标函数。我们证明，我们提出的组合和嵌入方法的组合，用于社区发现优于一些基于模块的基线和K-均值聚类的标准节点嵌入（node 2 vec）向量空间上广泛的现实生活和合成网络的不同大小和密度。
2020-06-27 cs.SI physics.soc-ph
vGraph: A Generative Model for Joint Community Detection and Node Representation Learning
National Taiwan University（台湾大学）；Mila-Quebec Institute for Learning Algorithms（Mila-魁北克学习算法研究所）；Harvard University（哈佛大学）；Element AI；HEC Montreal（蒙特利尔高等商学院）
本文主要研究了图分析的两个基本任务：社区发现和节点表示学习，它们分别捕获图的全局和局部结构。在目前的文献中，这两个任务通常是独立的研究，而它们实际上是高度相关的。我们提出了一个称为vGraph的概率生成模型来协作学习社区成员和节点表示。具体来说，我们假设每个节点可以表示为社区的混合，每个社区被定义为节点上的多项分布。混合系数和社区分布都由节点和社区的低维表示参数化。我们设计了一个有效的变分推理算法，该算法将相邻节点的社区成员关系正则化，使其在潜在空间中相似。在多个真实图形上的实验结果表明，vGraph在社区发现和节点表示学习方面都非常有效，在这两项任务中都优于许多竞争基线。我们表明，框架的vGraph是相当灵活的，可以很容易地扩展到检测层次社区。
2019-09-17 cs.LG cs.SI stat.ML
Modeling Node Exposure for Community Detection in Networks
在社区发现中，数据集经常遭受采样偏差，通常具有高亲和力的节点似乎具有零亲和力。例如，当社交网络的两个仿射用户彼此不接触时，就会发生这种情况。在这种数据上的社区发现则受到将仿射节点视为非仿射节点的影响。为了解决这个问题，我们明确的模型（非）暴露机制的贝叶斯社区发现框架，通过引入一组额外的隐藏变量。与不对暴露进行建模的方法相比，我们的方法能够更好地重建输入图，同时在恢复社区方面保持类似的性能。重要的是，它允许估计两个节点被暴露的概率，这是标准模型无法提供的可能性。
2022-07-06 cs.SI physics.soc-ph
Exact Matching in Correlated Networks with Node Attributes for Improved Community Recovery
本文提出相关CSBM模型及两步匹配算法，利用边和节点属性实现跨网络精确节点对齐，从而合并多图信息以提升社区检测性能。
2025-07-23 cs.IT cs.SI math.IT
Community detection using preference networks
社区检测是识别网络中节点的集群或组的任务，其中同一组内的节点彼此之间的连接比与不同组中的节点之间的连接更多。它在识别许多生物、社会和计算机网络中节点的相似功能或角色方面具有实际用途。随着近年来超大型网络的出现，社区检测算法的性能和可扩展性变得至关重要，即如果算法的时间复杂度很高，则无法在大型网络上运行。在本文中，我们提出了一个新的社区检测算法，它具有一个本地的方法，是能够在大型网络上运行。它有一个简单而有效的方法;给定一个网络，算法构造一个节点的偏好网络，其中每个节点都有一个单独的外向边，表明其偏好节点与之处于同一社区。在这样的偏好网络中，每个连接的组件都是一个社区。优选节点的选择是使用基于相似性的节点度量来执行的。为此，我们使用两种替代方案，可以计算在1-邻域的节点，即选择器节点和它的邻居的共同邻居的数量和，周围的选择器节点的邻居的传播能力，这是计算的八卦算法的林德等人。我们的算法进行了测试，计算机生成的LFR网络和现实生活中的网络与地面真实的社区结构。它可以快速准确地识别社区。它是本地的，可扩展的，适合在大型网络上分布式执行。
2017-11-12 cs.SI physics.soc-ph
