Missing Links in Public Email and Covert Networks: A Comparative Evaluation of Link Prediction, Hyperlink Prediction, and ERGM Estimation
School of Professional Studies, Northwestern University（西北大学专业研究学院）
本文通过比较链接预测、超链接预测和ERGM估计方法，探讨了在部分观测网络中缺失链接推断的问题，揭示了不同方法在二元恢复和高阶群体结构推断中的表现。
2026-06-04 cs.SI
The relevance of higher-order ties
本文提出阶数贡献、阶数相关性和标签组平衡三种度量，量化不同规模超链接对网络结构的贡献及其协同或冗余关系，并在董事会连锁网络和科学合作网络中发现前者呈协同贡献、后者更多冗余。
2025-03-26 cs.SI physics.soc-ph
Random-walk Based Generative Model for Classifying Document Networks
文档网络存在于真实世界数据的各种集合中，例如引用网络、超链接网页和在线社交网络。已经提出了大量的生成模型，因为它们为分析文档网络提供了直观和有用的图片。突出的例子是关系主题模型，其中文档根据其主题相似性进行链接。然而，现有的生成模型没有充分利用网络结构，因为它们在很大程度上依赖于文档的主题建模。特别是，在以前的模型的生成过程中，图节点的中心性缺失。在本文中，我们提出了一种新的生成模型的文件网络，通过引入网络上的随机游走节点的中心性集成到链接生成过程。在半监督分类任务与现实世界的引文网络中评估所开发的方法。我们表明，该模型优于现有的概率方法，特别是在连接网络中的社区检测。
2020-01-21 cs.IR cs.SI physics.soc-ph
Using higher-order Markov models to reveal flow-based communities in networks
由相互作用的元素组成的复杂系统通常被抽象为网络，其中节点与动态状态变量相关联，其演化由边介导的相互作用驱动。马尔可夫过程已经成为建模这种基于网络的动态的流行范例，例如以随机游走或其他类型的扩散的形式。尽管这种建模视角在许多应用中取得了成功，但它代表了对几个现实世界系统的过度简化。重要的是，简单的马尔可夫模型在其动态中缺乏记忆，这一假设在实践中往往不现实。在这里，我们探索的可能性，以丰富系统的描述，通过二阶马尔可夫模型，利用经验路径信息。我们专注于社区检测的问题，并表明，标准的网络算法可以推广，以提取新的时间信息的系统正在调查。我们还将我们的方法应用于时间网络，在那里我们可以发现由系统中的时间相关性形成的社区。最后，我们讨论了二阶马尔可夫过程的框架和最近提出的使用非回溯矩阵的社区检测的形式主义的关系。
2017-01-27 cs.SI physics.soc-ph
Spectral Detection of Simplicial Communities via Hodge Laplacians
尽管图是丰富信息的来源，但它仅限于两两相互作用。然而，一些现实世界的网络，如社交网络、神经网络等，涉及两个以上节点之间的交互。单纯形复形提供了一个强大的数学框架来模拟这种高阶相互作用。众所周知，图的拉普拉斯算子的谱表示社区结构，并且谱聚类算法利用这种关系。在这里，我们建议的霍奇拉普拉斯算子，一个高阶拉普拉斯定义的单纯复形，编码单纯社区的频谱。我们制定了一个算法来提取单纯社区（任意维度）。我们将此算法应用于单纯复杂的基准和真正的高阶网络数据，包括社交网络和使用语言或文本处理工具提取的网络。然而，单纯复形的数据集是稀缺的，并且对于可能涉及高阶相互作用的绝大多数数据集，只有成对相互作用的集合可用。因此，我们使用数据的已知属性来推断最可能的高阶交互。换句话说，我们引入了一种推理方法来预测最可能的单纯复杂的网络骨架的社区结构。这种方法确定为最有可能的高阶相互作用诱导单纯社区，最大限度地提高调整后的互信息测量相对于地面真理社区结构。最后，我们考虑了通过对协作网络的边权重进行阈值化（仅对成对交互进行编码）构建的高阶网络，并提供了一个在宽阈值范围内持续存在的持久单纯社区的例子。
2022-01-31 cond-mat.dis-nn cs.SI nlin.AO
Higher-order motif analysis in hypergraphs
针对超图中高阶交互的刻画问题，提出高阶模体概念及数量上下界与高效提取算法，识别不同超图族的局部连接模式并验证结构强化机制，为超图微观高阶特征提取提供了新方法。
2021-08-06 cs.DS cs.SI physics.soc-ph
Inference of hyperedges and overlapping communities in hypergraphs
超图，编码任何数量的系统单元之间的结构化的相互作用，最近被证明是一个成功的工具来描述许多现实世界的生物和社交网络。在这里，我们提出了一个基于统计推断的超图的结构组织特征的框架。该方法允许以有原则的方式推断任何大小的缺失超边，并在存在高阶交互的情况下联合检测重叠社区。此外，我们的模型有一个有效的数值实现，它运行速度比二进算法从高阶数据投影的成对记录。我们将我们的方法应用到各种现实世界的系统中，在超边缘预测任务中表现出强大的性能，检测与交互所携带的信息保持一致的社区，以及对添加噪声超边缘的鲁棒性。我们的方法说明了一个超图概率模型的基本优势时，建模关系系统与高阶交互。
2022-11-11 cs.SI physics.data-an physics.soc-ph
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
Statistical Behavior of Embeddedness and Communities of Overlapping Cliques in Online Social Networks
节点的度分布，特别是幂律度分布，被认为是社会网络和信息网络最重要的结构特征之一。然而，节点度只揭示了网络的一阶结构。更高阶的结构，如边缘嵌入和社区的大小可能在许多在线社交网络中发挥更重要的作用。在本文中，我们提供的经验证据丰富的高阶结构特征存在于在线社交网络，开发数学模型来解释和模拟这些特征，并讨论其在实践中的各种应用。特别是，1）我们表明，嵌入分布的社会链接在许多社交网络有有趣的和丰富的行为，不能被著名的网络模型。我们还提供了实证结果，显示了嵌入性分布和社交网络节点对之间通信的平均消息数之间的明显相关性。2)我们正式证明了随机k树，最近的复杂网络模型，具有幂律嵌入分布，并经验表明，随机k树模型可以用来捕捉丰富的行为，我们观察到在现实世界的社交网络的高阶结构。3)超越嵌入性，我们表明，随机k树模型的一个变体可以用来捕捉最近发现的重叠集团的社区大小的幂律分布。
2010-09-22 cs.SI physics.soc-ph
Efficient Detection of Communities with Significant Overlaps in Networks: Partial Community Merger Algorithm
在大规模网络中，当每个顶点可能属于多个社区时，检测社区是一项具有挑战性的任务，这在社交网络中是常见的情况。顶点的多个成员资格以及社区之间的强重叠使得许多检测算法无效。我们开发了一个部分社区合并算法（PCMA）检测社区有显着重叠，以及轻微重叠和不相交的。它是一种自下而上的方法，通过对顶点的自我网络中的部分信息进行适当的重组来重建完整的社区。噪声控制和合并秩序是实施这一理念的两个关键问题。我们提出了一种新的相似性度量两个合并的社区，可以抑制噪声和一个有效的算法，递归合并最相似的社区对。PCMA的有效性和准确性进行了测试，对两个基准和四个现有的算法相比。它是最有效的一个线性复杂度，它优于比较算法时，顶点有多个成员。PCMA被应用于两个巨大的在线社交网络，Facebook和新浪微博。检测到数百万个社区，它们的质量高于相应的元数据组。我们发现，后者不应该被视为结构社区的基础真理。在检测到的社区中发现的显著重叠模式证实了需要新的算法，如PCMA，来处理社交网络中的顶点的多个成员资格。
2017-09-28 cs.SI physics.soc-ph
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
Ranking users, papers and authors in online scientific communities
提出一种在在线科学社区中同时评估用户声誉、论文质量并纳入作者信用的排名方法，实验表明其选出的论文引用更高、作者 h 指数更优。
2014-05-09 cs.DL cs.IR cs.SI
Mining for Geographically Disperse Communities in Social Networks by Leveraging Distance Modularity
参与者占据地理空间位置的社交网络在军事、情报和警务行动中普遍存在，如反恐、反叛乱和打击有组织犯罪。这些网络往往来自各种情报来源。发现地理上分散的社区是因为需要查明更高级别的组织结构，例如向地理上分散的各种恐怖主义小组提供支助的后勤小组。我们将Newman-Girvan模块化的一个变体应用于这个问题，称为距离模块化。为了解决这个问题，找到地理上分散的社区，我们修改了著名的鲁汶算法找到分区的网络，提供接近最佳的解决方案，这个数量。我们将该算法应用于来自两个现实世界的社交网络和恐怖主义网络数据集的大量样本，其节点具有相关的地理空间位置。我们的实验表明，这是一种有效的方法，并强调各种实际的考虑，当应用该算法的距离模块化最大化。一些军事、情报和执法组织正在与我们合作，进一步测试和部署这一新兴应用的软件。
2013-05-16 cs.SI physics.soc-ph
The Networks Are Out There: Building Cultural and Economic Resilience Through Informal Communities of Practice
本文探讨了非正式实践社区作为发展中经济体创新“原型空间”运作的可能性。本报告首先探讨了“经济复杂性”的概念，以及这一概念在指导优先事项和评估发展中经济体在试图推动增长和建立复原力措施时面临的挑战方面如何发挥作用，并提出了这些经济体如何既能引入更高复杂性的活动，又能弥补相对于更复杂经济体的后发劣势的问题。然后，它详细研究了20世纪90年代秘鲁视频游戏开发社区Twin Eagles Group的案例，以及他们如何逆向工程技术和全球实践来追求他们的创造性目标。基于这种情况下，它的结论是，由于他们的活动的多站点性质，与研究这种社区相关的一些方法上的挑战。
2013-08-06 cs.CY cs.SI physics.soc-ph
Misinformation Dissemination: Effects of Network Density in Segregated Communities
本文通过易感-感染-恢复框架研究隔离社区中网络密度对错误信息传播的影响，发现高密度会增加信徒比例，且隔离网络中密集的少数群体会提升多数群体的信徒数量，揭示了隔离少数群体结构对多数群体错误信息动态的影响。
2024-11-29 cs.CY cs.MA cs.SI
Oriented and Degree-generated Block Models: Generating and Inferring Communities with Inhomogeneous Degree Distributions
随机块模型是从网络拓扑推断社团结构的有力工具。然而，它预测了每个社区内的泊松度分布，而大多数现实世界的网络都有一个重尾度分布。度校正块模型可以适应社区内的任意度分布。但是，由于它将顶点度作为参数而不是生成它们，因此它不能使用它们来帮助它对顶点进行分类，并且它对有向图的自然推广甚至不能使用边的方向。在本文中，我们提出了块模型的变体，它们可以在分类过程中使用顶点度和边方向，同时容忍社区内的重尾度分布。我们发现，对于一些网络，包括合成网络和英语文本中的单词邻接网络，这些新的块模型实现了比标准或度校正块模型更高的准确性。
2012-05-31 cond-mat.stat-mech cs.SI physics.soc-ph
A Game-Theoretic Approach for Detection of Overlapping Communities in Dynamic Complex Networks
复杂网络往往会显示社区，这些社区是一个组中相互紧密连接的节点组，并且与网络的其余部分稀疏连接。检测这样的社区是一个重要的计算问题，因为它提供了一个洞察网络的功能。此外，在动态网络中调查社区结构，其中网络受到变化的影响，更具挑战性。本文提出了一种博弈论技术，用于检测动态和静态复杂网络中的社区结构。在我们的方法中，每个节点都扮演一个玩家的角色，试图通过加入一个或多个社区或在社区之间切换来获得更高的回报。游戏的目标是通过在这些参与者之间找到纳什均衡点来揭示这些参与者形成的社区结构。据我们所知，这是第一个能够从静态或动态网络中提取重叠社区的博弈论算法。我们提出的实验结果说明了所提出的方法在合成和真实世界的网络上的有效性。
2016-07-29 cs.CC cs.DS cs.GT
Community detection based on structural balance in signed networks
针对符号网络社区检测忽视负链接稳定作用的问题，提出一种基于模体、量化链接局部结构平衡重要性的方法，可识别紧密且和谐稳定的社区，并在合成与真实网络中表现出更高性能和强鲁棒性。
2023-08-15 cs.SI physics.soc-ph
Community evolution in retweet networks
社交网络中的社区往往反映了其成员之间的密切社会联系及其随时间的演变。我们提出了一种方法，跟踪两个方面的社区演变的转推网络：流量的成员，出社区之间，和他们的影响。我们从高分辨率时间窗口开始，然后选择几个社区之间差异较大的时间点。对于社区发现，我们提出了一个两阶段的方法。在第一阶段，我们应用一个增强的Louvain算法，称为EnergyLouvain，找到稳定的社区。在第二阶段，我们在这些社区之间形成影响力联系，并确定联系的超级社区。对于检测到的社区，我们计算内部和外部的影响，并为个人用户，retweet h指数的影响。我们提出的方法适用于三年的Twitter数据的所有斯洛文尼亚推文。分析表明，斯洛文尼亚的推特圈是由政治主导的，左倾的社区更大，但右倾的社区和用户表现出显着更高的影响。一个有趣的观察结果是，尽管发生了新冠肺炎疫情或政府更迭等事件，但转发网络的变化相对缓慢。
2021-09-02 cs.CY cs.SI
Social Bootstrapping: How Pinterest and Last.fm Social Communities Benefit by Borrowing Links from Facebook
如何开发一个新的在线社区，让每个用户都能高度参与，并促进社会互动？许多网站提供交友功能，帮助用户从Facebook或Twitter等已建立的网络复制链接，从而在网站上引导社交网络。本文量化了这种社会引导在何种程度上是有效的，以提高网站的社会体验。首先，我们开发了一个风格化的分析模型，该模型表明复制倾向于产生一个巨大的连接组件（即，连接的社区），并保持诸如互惠性和聚类的属性，直到线性乘法因子。其次，我们使用来自两个网站Pinterest和Last.fm的数据，以经验方式比较从Facebook复制的链接与本地创建的链接的子图。我们发现，复制的子图有一个巨大的组件，更高的互惠性和聚类，并确认复制的连接看到更高的社会互动。然而，随着用户变得更加活跃和有影响力，复制的需求减少了。这些用户倾向于在网站上创建本地链接，链接到与他们比Facebook朋友更相似的用户。我们的研究结果为理解如何从已建立的社交网络引导通过增强社交互动来帮助吸引新用户提供了新的见解。
2014-03-24 cs.CY cs.SI physics.soc-ph
Discovering Polarized Communities in Signed Networks
签名网络包含边注释，以指示每个交互是友好的（正边）还是敌对的（负边）。该模型简单但功能强大，可以捕捉真实世界现象的新颖有趣的结构特性。对签名网络的分析有许多应用，从社交媒体中的建模讨论，到挖掘用户评论，以及在电子商务网站中推荐产品。在本文中，我们考虑的问题，发现极化社区签署的网络。特别是，我们搜索两个社区（网络顶点的子集），其中社区内大多数是正边，而社区之间大多数是负边。我们制定这个新的问题作为一个“离散特征向量”的问题，我们证明是NP-难的。然后，我们开发了两个直观的谱算法：一个确定性，一个随机的质量保证$\sqrt{n}$（其中$n$是图中的顶点数），紧到常数因子。我们验证我们的算法对现实世界的签名网络上的非平凡基线。我们的实验证实，我们的算法产生更高质量的解决方案，速度更快，可以扩展到比基线更大的网络，并且能够检测地面实况极化社区。
2019-10-06 cs.DS 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
Hypermodularity and community detection in hypergraphs
本文提出超模块度形式化方法，结合谱方法检测超图中的社区结构，并在合成与真实数据上验证其有效性。
2025-07-07 cond-mat.dis-nn cs.SI physics.soc-ph
Phase Transitions of Diversity in Stochastic Block Model Dynamics
本文提出带优先连接的随机块模型，研究两社区增长动力学，推导确定性近似并刻画多样性相变，发现跨社区边概率低时少数群体可能消亡，即使跨社区合作价值更高。
2024-01-12 cs.GT cs.SI physics.soc-ph
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
Homophilic organization of egocentric communities in ICT services
本研究针对多特征同质性在社区形成中作用不明的问题，分析三类ICT服务网络数据，发现自我中心社区规模与特征重叠度正相关等规律，提出联结添加机制复现实证结果并解释非单调趋势。
2024-05-05 cs.SI physics.soc-ph
Understanding Co-evolution in Large Multi-relational Social Networks
理解大型社交网络中的演化动力学是一个重要的问题。在本文中，我们描述了大型多关系社交网络的演化。Twitter、Facebook、Orkut和MMORPG \footnote{Massively Multi-player Online Role Playing Games}等在线媒体的激增创造了规模空前的社交网络数据。Sony的《Everquest 2》就是一个例子。我们利用博弈多关系网络，通过对博弈网络的宏观研究，揭示了多关系环境下的演化动力学。宏观分析涉及将网络分割成更小的部分，以研究这些称为“社区”的子网络内的动态。从多关系网络分析的进化视角，我们做出了以下贡献。具体来说，我们制定和分析了各种指标，以捕捉网络的进化特性。我们发现，在信任为基础的“社区”的共同进化率约$60\%$高于贸易为基础的“社区”。我们还发现，“社区”内部的信任和贸易联系随着其规模的增加而减少。最后，我们研究了动态的贸易和信任的“社区”内的相互关系，并发现有趣的结果之间的前体关系的贸易和信任动态的“社区”。
2014-07-10 cs.SI
Mesoscopic analysis of online social networks - The role of negative ties
一类网络是既有正链接又有负链接的网络。在这篇论文中，我们研究了这些网络的中观水平上正负联系之间的相互作用，即，他们的社区结构。一个社区被认为是一个紧密相连的行动者群体;因此，它没有借用任何假设从平衡理论，只是使用众所周知的假设在社区检测文献。我们发现，如果只根据积极关系（忽略消极关系）来检测社区，那么大多数消极关系已经存在于社区之间。换句话说，负联系在检测所研究的签名网络的社区中没有主要作用。此外，对于内部负联系，我们证明了大多数不平衡社区是最大平衡的，因此它们不能被划分为k个具有更高平衡性的非空子簇（k >= 2）。此外，我们发现，虽然调解人三元组++-（斗争调解人敌对）是代表性不足，它构成了相当大的一部分社区之间的三元关系。因此，社区检测和聚类算法不应忽视中介三元组。因此，如果使用仅仅基于社会平衡的聚类算法，签名网络的中观结构仍然是隐藏的。
2018-09-02 cs.SI physics.data-an physics.soc-ph
Structuring Communities for Sharing Human Digital Memories in a Social P2P Network
社区是P2P网络内部的子网络，它将网络划分为相似的节点组，通过减少网络流量和提高搜索查询成功率来提高性能。大型社区在在线社交网络中比传统的文件共享P2P网络更常见，因为许多人在生活中捕获了大量数据。这增加了网络中承载类似数据的主机数量，从而增加了社区的规模。本文提出了一个基于内存线程的社区，我们的基于实体的社交P2P网络，网络划分成组的对等体共享数据属于一个实体-人，地方，对象或兴趣，有自己的数字存储器或成为另一个内存的一部分。通过使用线性排序来组织网络，这些连接的对等体具有进一步的相似性。存储器线程是数字存储器的集合，具有共同的参考键，并根据某种形式的相关性进行组织。仿真结果表明，该方案的网络性能的增加，随着网络开销的减少和更高的查询成功率相比，其他类似的计划。即使网络流量和规模增加，网络也能保持其性能。
2020-04-17 cs.DC cs.SI
Analysis of the inference of ratings and rankings in complex networks using discrete exterior calculus on higher--order networks
本文基于离散外微积分研究复杂网络中的排名推断，系统分析HodgeRank方法在淬致无序和四种网络模型下的性能，发现排名检索随无序强度从完美向非完美转变，推进了相关理论认知。
2025-03-22 cs.SI physics.comp-ph physics.data-an
GI-OHMS: Graphical Inference to Detect Overlapping Communities
在复杂网络中发现社区是复杂系统社区最近相当感兴趣的话题。由于大规模网络（如在线社交网络）的动态和快速发展的性质，社区中节点之间更强的本地和全球互动的概念变得更难捕捉。针对重叠社区发现问题，提出了一种新的图形推理方法-- GI-OHMS（Graphical Inference in Observed-Hidden Variable Merged Seeded Network）。我们的方法的新颖之处在于将感兴趣的复杂而密集的网络转换为隐藏的合并种子（OHMS）网络，该网络保留了网络的重要社区属性。我们进一步利用图形推理方法（贝叶斯马尔可夫随机场）提取社区。我们的方法的优越性在于两个主要观察结果：1）提取的OHMS网络排除了许多较弱的连接，从而导致更高的推理精度2）图形推理步骤在较小的网络上运行，从而具有更低的执行时间。我们证明了我们的方法优于其他基线算法，如OSLOM，DEMON和LEMON的准确性。为了进一步提高执行时间，我们有一个多线程的实现，并表现出显着的速度相比，国家的最先进的算法。
2018-10-03 cs.DC cs.SI
Learning Multi-Order Block Structure in Higher-Order Networks
Tokyo Metropolitan University（东京 Metropolitan 大学）；The University of Osaka（大阪大学）；National Institute of Informatics（信息研究所）
本文提出多阶块结构框架，用于高阶网络中提升预测性能和揭示中等尺度组织的阶次依赖机制。
2025-11-26 cs.LG cs.SI
Understanding Vulnerability of Communities in Complex Networks
在本文中，我们研究了复杂网络的关键元素，即节点和边缘及其属性，如它们的社区结构，这在决定网络对结构扰动的鲁棒性方面起着重要作用。具体来说，我们希望识别所有重要节点，这些节点在被删除时会导致网络底层社区结构的巨大变化。这个问题非常重要，因为网络的社区结构可以让我们深入了解网络的功能及其拓扑结构如何相互影响。此外，它甚至提供了一种将大型图压缩成较小图的方法，其中每个社区都充当Meta节点，从而有助于更轻松的网络分析。如果这种社区结构受到网络意外或故意扰动的影响，这将使这种分析变得困难。由于确定这样的重要节点的问题是计算上棘手的，我们提出了一些算法，使我们能够找到接近最优解的解决方案。为了证明我们的方法的有效性，我们首先在小型网络上测试这些算法，然后转移到更大的网络上，以表明我们获得了类似的结果。结果表明，所提出的方法是有效的，以分析社区的脆弱性在图中，无论其大小和规模。从应用的角度来看，我们表明，所提出的算法是可扩展的，可以应用到信息扩散任务，以减少经验观察到的活动节点的传播。此外，我们通过外部评估显示我们的算法的性能-我们采用两个任务，如预测和信息扩散，并表明我们的算法对这些任务的效果高于其他基线。
2021-02-03 cs.SI physics.soc-ph
Detecting Memory and Structure in Human Navigation Patterns Using Markov Chain Models of Varying Order
马尔可夫链模型（Markov chain model）是理解人类在Web上导航最常用的模型之一，其中Web页面表示为状态，超链接表示为从一个页面导航到另一个页面的概率。主要是，人类在Web上的导航被认为满足无记忆马尔可夫性质，即用户访问的下一个页面只取决于她当前的页面，而不是以前访问过的页面。这个想法已经在许多应用程序中找到了它的方式，例如Google的PageRank算法和其他算法。最近，新的研究表明，人类导航可以更好地使用高阶马尔可夫链模型建模，即，下一页取决于过去点击的更长历史。然而，这一发现是初步的，并没有考虑高阶马尔可夫链模型的更高复杂性，这就是为什么无记忆模型仍然被广泛使用。在这项工作中，我们彻底提出了一系列先进的推理方法，以确定适当的马尔可夫链顺序。我们强调每种方法的优点和缺点，并将其应用于研究人类在Web上导航的记忆和结构。我们的实验表明，高阶模型的复杂性增长速度比他们的效用，因此，我们确认，无记忆模型代表了一个非常实用的模型，人类导航的页面级别。然而，当我们将分析扩展到主题级别时，我们从特定的页面转换抽象到主题之间的转换，我们发现违反了无记忆假设，并且可以观察到特定的转换。我们报告了两种类型的导航数据集（目标导向与自由形式）的实验结果，并观察到有趣的结构差异，为未来的工作中更多的人类导航上下文研究提供了有力的论据。
2014-06-04 cs.SI physics.soc-ph
Higher order trade-offs in hypergraph community detection
Maastricht University（马斯特里赫特大学）；RWTH Aachen University（亚琛工业大学）
本文研究超图社区检测中的高阶权衡问题，提出统一框架分析超图结构异质性，推导非均匀超图的Bethe Hessian算子，并通过实验验证方法的有效性与实际应用价值。
2026-04-21 cs.SI
Leaders, Followers, and Community Detection
社交网络或图中的社区是连接良好的重叠顶点的集合。社区检测算法的有效性取决于找到地面真实社区的准确性和随数据大小扩展的能力。在这项工作中，我们提供了三个贡献。首先，我们证明了一种流行的准确性度量，称为F1得分，它介于0和1之间，1是完美的检测，其信息下限为0.5。我们提供了一个简单的算法，可以为任何图生成F1得分为0.5的社区！有些令人惊讶的是，我们发现流行的算法，如模块化优化，BigClam和CESNA对于流行的IMDB图的F1分数小于0.5。为了纠正这一点，作为第二个贡献，我们提出了一个生成模型的社区形成，顺序社区图，这是由形成社交网络的动机。第三，我们的生成模型的动机，我们提出了领导者-追随者算法（LFA）。我们证明了它恢复所有社区的序列社区图建立一个结构性的结果，序列社区图是弦。对于大量流行的社交网络，它恢复社区的F1分数比其他流行的算法高得多。对于IMDB图，它获得了0.81的F1分数。我们还提出了一个修改的LFA称为快速领导者-追随者算法（FLFA），除了是高度准确的，也是快速的，与缩放，几乎是线性的网络大小。
2019-09-22 cs.SI physics.soc-ph stat.ML
Local Community Detection in Dynamic Networks
给定一个随时间演化的网络，我们如何在内部互动高而外部互动低的时期内发现社区？为了解决这个问题，我们将传统的局部社区发现在图中的动态网络的设置。采用现有的静态网络的方法在一个“聚合”的所有时间的相互作用的图是不适合的问题，因为动态社区可能是短暂的，从而失去了混合互动时，在很长一段时间。因此，动态社区挖掘需要检测社区节点和它们积极交互的最佳时间间隔。我们提出了一个过滤和验证的动态社区发现框架。为了扩展到长时间间隔的图形演化，我们采用了新的动态社区电导谱界，并采用它们来过滤近线性时间的次优周期。我们还设计了一个时间和图形感知的局部敏感哈希家族，以有效地发现有前途的社区核心。我们的方法PHASR发现社区的质量始终高于基线（2至67倍）。同时，我们的边界允许修剪之间的$55\%$和$95\%$的搜索空间，从而显着节省运行时间相比，即使是温和的时间间隔的图形进化的穷举的替代品。
2017-09-12 cs.SI physics.soc-ph
An Ant-Based Algorithm with Local Optimization for Community Detection in Large-Scale Networks
在本文中，我们提出了一个多层蚂蚁算法MABA，它发现社区的网络通过局部优化模块化使用个体蚂蚁。MABA的基本版本，即SABA，结合了自避免标签传播技术和模拟退火策略，用于网络中的蚂蚁扩散。一旦社区被SABA发现，这种方法可以重新应用到更高级别的网络，其中每个获得的社区被视为一个新的顶点。迭代地重复上述过程，并且这对应于MABA。由于我们的算法固有的多层次的性质，它具有潜在的能力，展开多尺度层次结构。此外，MABA具有减轻模块化的分辨率限制的能力。建议的MABA已被评估的计算机生成的基准和广泛使用的现实世界的网络，并已与一组有竞争力的算法进行了比较。实验结果表明，MABA是有效的和高效的（在近线性时间相对于网络的大小）发现社区。
2013-03-19 cs.SI physics.soc-ph
Identifying latent shared mobility preference segments in low-income communities: ride-hailing, fixed-route bus, and mobility-on-demand transit
移动按需（MOD）和移动即服务（MaaS）的概念，其特点是集成了各种共享使用的移动选项，近年来得到了广泛的普及。虽然这些概念为旅行者带来了巨大的好处，但它们对技术的严重依赖引发了公平问题，因为社会弱势群体可能会在按需移动时代被排除在外。本文调查了居住在低收入社区的旅行者对MOD公交服务（综合固定路线和按需服务）的潜在吸收。特别地，我们分析了人们对三种共享使用的移动服务的潜在态度，包括乘车服务，固定路线公交和MOD公交。我们进行了一个潜在的类聚类分析825调查受访者从低收入社区在底特律和密歇根州伊普西兰蒂。我们确定了三个潜在的部分：共享模式的爱好者，共享模式的对手，和固定路线的过境忠诚。来自共享模式爱好者群体的人通常使用叫车服务，并且居住在交通不便的地区，他们可能是MOD交通服务的早期采用者。共享模式的对手主要包括对共享移动选项缺乏兴趣的车主。固定路线过境忠诚者部分包括相当大比例的低收入个人，他们面临使用MOD过境的技术障碍。我们还发现，男性、大学毕业生、车主、有移动数据计划的人以及生活在交通不便地区的人对MOD交通服务的偏好程度更高。最后，我们提出政策建议，以发展更容易获得和公平的国防部过境服务。
2021-05-04 cs.SI physics.soc-ph stat.AP
Community Detection from Location-Tagged Networks
许多真实世界系统或web服务可以被表示为诸如社交网络和运输网络之类的网络。在过去的十年中，已经开发了许多算法来使用节点之间的连接来检测网络中的社区。然而，在现实世界中的许多网络中，节点的位置对社区结构有很大的影响。例如，在社交网络中，在地理上接近的用户之间建立更多的连接。研究文献还没有充分研究地点对社区的影响。在本文中，我们提出了一个社区发现方法，考虑到节点的位置。目标是检测具有地理邻近性和网络紧密性的社区。我们分析了连接和非连接节点之间的距离分布，以衡量位置对两个真实的位置标记的社交网络的网络结构的影响。我们提出了一种方法来确定是否基于位置的社区发现方法是适合于一个给定的网络。我们提出了一种新的社区发现算法，将位置信息推到社区发现。我们测试我们提出的方法在合成数据和现实世界的网络数据集。实验结果表明，与传统方法相比，该方法检测出的社区分布范围更小，网络连接紧密度相近或更高。
2015-01-19 cs.SI physics.soc-ph
DCC: A Cascade based Approach to Detect Communities in Social Networks
National Institute of Technology Silchar（西尔查尔国家理工学院）；Eindhoven University of Technology（埃因霍温理工大学）
社交网络中的社区发现与发现和分组网络中固有的最相似的节点相关联。这些相似的节点通过计算结强度来识别。更强的关系表示连接的节点对共享的更高的邻近度。这项工作的动机是格兰米特的论点，表明强关系在于密集连接的节点和理论，社区核心在现实世界的网络是密集连接的。在本文中，我们介绍了一种新的方法称为\emph{Disjoint Community detection using Cascades (DCC)}，它证明了一个新的局部密度为基础的连接强度测量检测社区的有效性。在这里，利用联系强度来决定传播信息所遵循的路径。其思想是通过不断增加的联系强度引导，通过级联的元组信息向社区核心爬行。考虑到级联生成的步骤，一种新的优先成员资格的方法已经被开发来分配社区标签未分配的节点。$DCC$的有效性已经基于几个真实世界数据集和基线社区发现算法的质量和准确性进行了分析。
2022-12-21 cs.CV cs.IR cs.LG
Identification of Community Structures in Networks Employing a Modified Divisive Algorithm
本文提出一种结合模块度得分Q与分裂算法的新算法，用于更高效地识别网络社区结构，仿真结果显示其划分的Q得分略优于传统方法。
2025-04-14 cs.SI
Minimum entropy stochastic block models neglect edge distribution heterogeneity
随机块模型的统计推断作为识别网络内部社区的一种基本原理方法而出现。它的目标是找到节点划分和最大似然的块到块邻接矩阵，即最有可能生成观察网络的邻接矩阵。在实践中，在所谓的微正则系综中，经常假设当比较两个具有相同数量和大小的社区的模型时，最好的一个是最小熵的一个，即可以生成差异较小的网络的一个。在本文中，我们表明，在某些情况下，最小熵模型不能识别最重要的社区的边缘分布，即使它产生的观察到的图形具有较高的概率。
2019-10-17 cs.DM cs.SI math.CO
Simplicial degree in complex networks. Applications of Topological Data Analysis to Network Science
网络科学提供了一种通用的形式主义，用于基于代理之间的成对交互来建模和研究复杂系统。然而，社会、生物或计算机科学中的许多真实网络涉及两个以上代理之间的交互，因此具有单纯复形的固有结构。我们提出了新的概念，在单纯复形的单形的高阶邻接度，允许任何尺寸之间的比较，他们和他们的脸，据我们所知，缺乏文献。在有向单纯复形中引入了多参数边界算子和上边界算子，并定义了一种新的多参数组合Laplacian算子，推广了图和组合Laplacian算子.为了说明这些理论结果的潜在应用，我们进行了结构分析的高阶连通性的简单-复杂的网络，通过研究相关的分布与这些单纯度在17个现实世界的数据集来自不同的领域，如合著者网络，共同赞助国会法案，在学校的联系，药物滥用警告网络，电子邮件网络或出版物和用户在网上论坛。我们发现了丰富多样的高阶连通性结构，并观察到相同类型的数据集反映了类似的高阶协作模式。此外，我们表明，如果我们使用我们所谓的最大单纯度（它计算了包含我们的单纯形及其所有严格子社区的不同最大社区），那么它的度分布通常与经典节点度分布有惊人的不同。
2020-04-14 cs.SI math.AT physics.soc-ph
Assortative-Constrained Stochastic Block Models
Pontifícia Universidade Católica do Rio de Janeiro（里约热内卢天主教大学）；Polytechnique Montréal（蒙特利尔高等理工学院）
随机块模型（SBM）通常用于发现网络中的独立社区结构，使得社区内的连接概率高于社区之间的连接概率。然而，经典的SBM并不限于替代结构。在这项研究中，我们讨论了这个模型的影响，固有的冷漠对不确定性或不确定性，并表明，这一特点可能会导致不良后果的网络，这是预设的不确定性，但其中包含的信息量减少。为了规避这个问题，我们引入了一个约束SBM，施加强大的非线性约束，以及有效的算法方法来解决it.These约束显着提高社区恢复能力的制度，接近信息理论的阈值。它们还允许识别代表大脑皮层活动区域的网络中的结构不同的社区。
2020-04-21 cs.LG cs.SI stat.ML
Community detection in networks: A user guide
网络社区发现是现代网络科学研究的热点之一。社区或集群通常是顶点的组，它们彼此连接的概率高于与其他组的成员连接的概率，尽管其他模式也是可能的。识别社区是一个定义不清的问题。在基本要素上没有通用的协议，比如社区本身的定义，也没有其他关键问题，比如算法的验证和性能的比较。这造成了一些混淆和误解，破坏了该领域的进展。我们提供了一个导游通过问题的主要方面。我们还指出了流行的方法的优点和缺点，并指导他们的使用。
2016-11-03 cs.IR cs.SI physics.soc-ph
Message-Passing on Hypergraphs: Detectability, Phase Transitions and Higher-Order Information
该研究针对超图社区检测缺乏可检测性极限理论分析的问题，推导闭式界并提出高效消息传递算法与精确采样方法，揭示结构属性对检测的影响，拓展了相关理论认知并提供了研究高阶相互作用系统的工具。
2024-04-24 cs.IT cs.SI math.IT
Angular separability of data clusters or network communities in geometrical space and its relevance to hyperbolic embedding
Technische Universität Dresden（德累斯顿工业大学）；Tsinghua University（清华大学）
分析以高维为特征的“大数据”，如词向量和复杂网络，通常需要通过嵌入在几何空间中表示。机器学习和网络几何学的最新发展已经指出双曲空间是表示由真实复杂物理系统导出的数据的有用框架。在双曲空间中，节点的径向坐标表征它们的层次，而它们之间的角距离表示它们的相似性。一些研究强调了嵌入双曲空间的节点的角坐标与可用的社区元数据之间的关系。然而，这种分析往往局限于视觉或定性评估。在这里，我们引入了角分离指数（ASI），以定量评估节点网络社区或数据集群在几何空间的角坐标上的分离。ASI在双曲空间中特别有用-在本研究中对其进行了广泛的测试-但通常可用于任何角分离的评估，无论采用何种几何形状。ASI提出了一个精确的检验统计量的基础上均匀随机零模型，以评估统计意义的分离。我们表明，ASI允许发现网络几何中的两个重要现象。首先，在二维双曲线网络生成模型中，温度的增加不仅减少了网络聚类，而且还导致网络的“维度跳跃”到高于2的维度。第二，ASI可以成功地应用于检测隐藏的几何空间中生长的网络结构的内在维数。
2019-06-28 cs.LG cs.SI physics.soc-ph
Sifting out communities in large sparse networks
University of Missouri – St. Louis（密苏里大学圣路易斯分校）；Washington University School of Medicine（华盛顿大学医学院）；Washington University in St. Louis, School of Medicine（圣路易斯华盛顿大学医学院）；Institute for Informatics, Data Science, and Biostatistics（信息学、数据科学与生物统计学研究所）；Institute for Public Health（公共卫生研究所）
本文针对大型稀疏网络社区发现问题，提出直观的新目标函数和先划分不相交分量再优化聚类的两步方法，在模拟、基准和真实遗传数据上验证了其准确性和实用性。
2024-05-01 cs.LG cs.SI
