ECoHeN: A Hypothesis Testing Framework for Extracting Communities from Heterogeneous Networks
社区发现是从网络中获得独立社区的一般过程:在网络中密集连接但与网络其余部分稀疏连接的节点集合。虽然社区发现已经得到了很好的研究,很少有这样的技术存在异构网络,其中包含不同类型的节点和节点类型之间可能不同的连接模式。在本文中,我们介绍了一个框架称为ECoHeN,\textbf{e}提取\textbf{co}从一个\textbf{he}异构\textbf{n}网络在统计上有意义的方式。使用异构配置模型作为参考分布,ECoHeN确定的社区,是显着更密集的连接比预期给定的节点类型和连接的成员。具体而言,ECoHeN算法提取社区一次一个通过一组动态的迭代更新规则,保证收敛,并不施加任何约束的类型组成的提取社区。据我们所知,这是第一个发现方法,区分和识别同质和异质,可能重叠,社区结构的网络。我们展示了性能的ECoHeN通过模拟和应用程序的政治博客网络,以确定收集的博客,其中提到彼此比预期的考虑其成员的意识形态。
2022-12-20 cs.SI stat.ME
On the Optimization of Methods for Establishing Well-Connected Communities
针对现有社区检测方法易产生不连通簇、传统后处理算法在大规模图上计算成本过高的问题,研究基于HPE Chapel实现WCC和CM的优化并行版本,集成至Arkouda/Arachne框架,可高效处理超20亿边的大规模图社区检测任务。
2025-08-29 cs.DC cs.SI
Node-Centric Detection of Overlapping Communities in Social Networks
我们提出了NECTAR,一个社区发现算法,推广了鲁汶方法的局部搜索启发式重叠社区结构。NECTAR根据调用的网络动态选择要优化的目标函数。我们的综合基准图和现实世界的网络,地面真相社区的基础上,实验评估表明,NECTAR提供了优秀的结果相比,最先进的社区发现算法。
2016-07-06 cs.SI physics.soc-ph
Resistance of communities against disinformation
虚假信息的传播被认为是对社会的巨大威胁,最近受到了前所未有的关注。在本文中,我们提出了一个基于代理的模型来模拟人口中的阴谋传播。该模型能够比较不同网络结构对共谋者活动的抵抗力。结果表明,网络结构的连通性和共谋者的中心性是防止共谋蔓延的关键。
2020-03-29 cs.SI
Generating Synthetic Citation Networks with Communities
Warsaw University of Technology(华沙理工大学);Systems Research Institute, Polish Academy of Sciences(波兰科学院系统研究所)
本文系统比较了生成近无环、具有真实社区结构的有向图生成器,提出通过反转边方向以打破循环并诱导引用流动,改进了度校正随机块模型性能,并引入了Citation Seeder算法。
2026-09-30 cs.DL cs.SI physics.soc-ph
Partitioning Breaks Communities
考虑一个集团作为一个保守的社区结构的定义,我们研究图划分算法如何与集团互动。许多流行的社区发现算法将整个图划分为不重叠的社区。我们表明,在广泛的经验网络,从不同的领域,大量的集团分裂在这些算法产生的单独的分区。然后,我们研究的最大连通组成部分的子图只保留边缘集团,并应用分区策略,明确减少分裂集团的数量。我们进一步研究了几个现代的重叠社区发现算法,在集团和他们找到的社区之间的相互作用,并在他们找到的社区集的全球重叠。我们的结论是,由于许多网络的连通性,任何社区发现算法,产生分区必须无法找到至少一些重要的结构。此外,与传统的直觉相反,在一些经验网络中,强联系和派系经常跨越社区边界;许多社区结构本质上是重叠和不可分割的。
2012-05-12 cs.SI physics.soc-ph
Vulnerable Connectivity Caused by Local Communities in Spatial Networks
本文通过平面基础设施建模研究空间网络中局部社区对连通鲁棒性的影响,发现强局部社区会削弱鲁棒性,并指出长距离链路可缓解其负面影响。
2025-04-23 cs.SI physics.soc-ph
Measuring Healthcare Accessibility and Resilience for Smart and Connected Rural Communities: A Florida Panhandle Case Study
Florida State University(佛罗里达州立大学);University of Alabama(阿拉巴马大学)
本研究通过佛罗里达狭长地带的多源纵向数据,量化乡村医疗可及性差距,并提出结合E2SFCA、利益相关者加权与约束部署的规划框架,以支持公平韧性规划。
2026-10-22 cs.SI
Communities and bottlenecks: Trees and treelike networks have high modularity
人们在理解复杂网络的模块化本质方面做了很多努力。社区,也称为集群或模块,通常被认为是密集互连的节点组,仅稀疏地连接到网络中的其他组。发现高质量的社区在许多领域都是一个困难而重要的问题。最流行的方法是被称为模块化的目标函数,用于发现社区并衡量其强度。为了理解网络的模块化结构,关键是要知道这些函数如何评估不同的拓扑结构,它们解释了哪些特征,以及它们可能做出哪些隐含假设。我们表明,树和树状网络可以有意想不到的,往往是任意高的值的模块化。这是令人惊讶的,因为树是最大稀疏连通图,通常不被认为具有模块化结构,但模块化使用的非局部空模型分配低概率,因此高意义,这些稀疏树社区的密度。我们进一步研究了流行的方法在模型树和家谱数据集上的实际性能,发现发现社区也具有非常高的模块化,通常接近其最大值。统计测试表明,社区的树木是显着的,与已知的结果稀疏,随机图的分区。
2012-06-25 cs.SI physics.data-an 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
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
Detecting Stable Communities in Link Streams at Multiple Temporal Scales
链接流模型在广泛的领域中随着时间的推移进行交互。在这种模式下,面临的挑战是有效地挖掘时间和拓扑结构。社区发现和变化点检测是分析这种不断变化的相互作用的最有力的工具之一。在本文中,我们建立在这两个检测稳定的社区结构,确定有意义的社区内的变化点。与现有的动态社区发现算法不同,该方法能够在多个时间尺度上有效地发现稳定的社区。我们测试了我们的方法在合成网络上的有效性,以及从真实社交网络中提取的高分辨率时变网络的联系人。
2019-07-24 cs.SI physics.soc-ph
Fluid Communities: A Competitive, Scalable and Diverse Community Detection Algorithm
我们介绍了一个社区发现算法(流体社区)的基础上的想法,流体在环境中相互作用,扩大和收缩的结果,相互作用。Fluid Communities基于传播方法,在计算成本和可扩展性方面代表了最先进的技术。在高效的同时,Fluid Communities能够在合成图中找到社区,其准确性接近当前最佳替代品。此外,Fluid Communities是第一个能够识别网络中可变数量社区的基于传播的算法。为了说明该算法的相关性,我们评估了流体社区发现的社区的多样性,并发现它们与其他方法发现的社区有显着不同。
2017-10-09 cs.DS cs.SI physics.soc-ph
Finding compact communities in large graphs
本文提出了一种有效的层次聚类算法,解决了核心社区发现的问题。它是标准社区发现问题的一个变体,我们对社区的连接核心特别感兴趣。为了解决这个问题,我们对社区的标准定义提出了质疑,并提供了替代方案。我们还提出了一个功能称为紧凑性,旨在评估质量的解决方案,这个问题。我们的算法是基于图遍历算法,LexDFS。我们的方法的时间复杂度是在$O(n\times log(n))$。实验表明,我们的算法创建高度紧凑的集群。
2015-08-31 cs.SI physics.soc-ph
A new hierarchical clustering algorithm to identify non-overlapping like-minded communities
如果网络中的节点可以被划分成不相交的集合,使得集合中的每个节点与集合内的其他节点紧密连接,与集合外的节点稀疏连接,则网络具有非重叠社区结构。有许多指标可以验证这种结构的有效性,如聚类系数,介数,中心性,模块性和相似性。已经提出了许多方法来优化这些指标中的一些,但没有一个在最近引入的度量相似性上效果很好。为了解决这个问题,我们提出了一种基于行为属性的算法来识别优化志同道合度量的社区,并将其性能与其他基于行为数据的方法以及仅依赖于结构数据的社区发现方法进行比较。我们在Filmtipset和Twitter的真实数据集上执行这些算法,并表明我们的算法在志同道合度量方面比现有算法表现得更好。
2016-02-24 cs.SI physics.soc-ph
Seeding for pervasively overlapping communities
在一些社会和生物网络中,大多数节点属于多个社区。它最近被证明,一些算法,旨在检测重叠的社区不执行,以及在这种高度重叠的设置。在这里,我们考虑一类这些算法,那些优化的本地适应度的措施,通常通过使用贪婪的启发式扩展到一个社区的种子。我们执行合成基准表明,适当的播种策略变得越来越重要的程度,社区重叠的增加。我们发现不同的派系提供了最好的种子。我们发现进一步支持这种播种策略与基准上的Facebook网络和酵母相互作用。
2011-04-29 cs.SI physics.soc-ph
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
Minimal paths between communities induced by geographical networks
在这项工作中,我们研究了地理网络的介数中心性及其与网络社区的关系。我们发现,具有大介数的顶点定义了我们所谓的特征介数路径,在建模和现实世界的地理网络。我们定义了一个地理网络模型,拥有一个简单的拓扑结构,同时仍然能够提出这样的介数路径。使用这个模型,我们表明,这样的路径代表的入口和出口点之间的路径高度连接的区域,或社区,地理网络。通过定义一个新的网络,包含在原始网络中的社区邻接的信息,我们描述了一种手段来表征这种特征介数路径提供的中尺度连接。
2015-10-19 cs.SI physics.soc-ph
Detecting Communities in Networks by Merging Cliques
已经提出了许多算法来检测网络中的不相交社区(相对密集连接的子图)。一种流行的技术是优化模块化,这是一种衡量分区质量的标准,即内部和社区间边缘的数量。最大化模块度的贪婪近似算法可以非常快速和有效。我们提出了一个新的算法,开始检测不相交的集团,然后合并这些优化模块化。我们表明,这比其他类似的算法在模块化和执行速度方面表现更好。
2012-02-02 cs.SI physics.soc-ph
Using synthetic networks for parameter tuning in community detection
社区发现是网络分析中最重要也是最具挑战性的问题之一。然而,现实世界的网络可能具有非常不同的结构属性和各种性质的社区。因此,很难(甚至不可能)开发一种适用于所有数据集的算法。标准的机器学习工具是考虑参数算法并基于手头的数据集选择其参数。然而,这种方法不适用于社区发现,因为通常没有标记数据可用于这种参数调整。在本文中,我们提出了一个简单而有效的过程,允许调整超参数的任何给定的社区发现算法,而不需要任何标记的数据。其核心思想是生成一个合成网络,其属性与给定的现实世界相似,但具有已知的社区。事实证明,在这种合成图上调整参数也可以提高给定现实世界网络的质量。为了说明所提出的算法的有效性,我们展示了几个著名的参数社区发现算法在各种合成和真实世界的数据集上获得的显着改进。
2019-06-23 cs.SI physics.soc-ph
Multilink Communities of Multiplex Networks
多重网络描述了大量复杂的社会、生物和交通网络,其中一组节点通过不同性质和内涵的链接连接在一起。在这里,我们揭示了丰富的社区结构的多路复用网络相关联的社区,每个多链路的特点之间存在的任何两个节点的多路复用网络的连接。我们的社区检测方法揭示了丰富的多重网络的中尺度结构和它们的多样性之间的相互作用。例如,一些节点可以属于许多层和少数社区,而其他节点可以属于少数层但许多社区。此外,多链路社区可以由不同数量的相关层形成。这些结果指出,在中观上,复用网络的可压缩性可能存在很大的差异。
2017-06-27 cs.SI physics.soc-ph
An upper bound on community size in scalable community detection
众所周知,基于模块化优化的社区发现方法往往不能发现小社区。因此,用于社区检测的几个目标函数涉及一个分辨率参数,允许在不同尺度上检测社区。我们提供了一个明确的上限社区规模的社区,从这些功能的优化。我们还显示了一个简单的例子,使用的分辨率参数可能会人为地迫使大型和密集连接的社区完全解体。
2011-03-29 cs.SI physics.soc-ph
OLCPM: An Online Framework for Detecting Overlapping Communities in Dynamic Social Networks
社团结构是复杂网络最显著的特征之一。社区结构检测对于深入了解网络结构和功能具有重要意义。大多数建议都集中在静态网络上。然而,在动态网络中寻找社区更具挑战性,特别是当社区彼此重叠时。在这篇文章中,我们提出了一个在线算法,称为OLCPM,基于团渗流和标签传播方法。OLCPM可以检测重叠社区,并以细粒度在时间网络上工作。通过局部更新社区结构,OLCPM提供了显着的改善,在运行时间相比,以前的团渗透技术。在人工网络和真实网络上的实验结果表明了该方法的有效性。
2018-04-11 cs.DS cs.SI physics.soc-ph
Community-Size Biases in Statistical Inference of Communities in Temporal Networks
Southern Methodist University(南方卫理公会大学);University of California, Los Angeles(加利福尼亚大学洛杉矶分校);Santa Fe Institute(圣塔菲研究所)
本文提出了一种新的统计模型,用于减少时间网络中社区大小偏差,以更准确地识别社区结构。
2026-01-22 cs.SI physics.soc-ph stat.ME
Characterizing Community Formation in Response to Extreme Weather Events through Human Mobility Networks
本文研究2021年冬季风暴Uri引发的有序停电背景下德克萨斯州哈里斯县人类移动网络的社区形成,分析其灾害暴露异质性等特征,发现社区空间共存等规律,为电力公司停电管理提供参考。
2025-08-19 cs.CY cs.SI physics.soc-ph
Ubiquitousness of link-density and link-pattern communities in real-world networks
社区结构似乎是许多复杂现实世界网络的内在属性。然而,最近的工作表明,现实世界的网络揭示了比经典的凝聚力(链接密度)社区更复杂的模块。特别是,网络也可以根据节点之间的相似连接模式自然地划分,揭示链接模式社区。在这里,我们提出了一个基于传播的算法,可以提取链接密度和链接模式社区,没有任何先验知识的真实结构。该算法首先在不同类别的具有社团结构的合成基准网络和随机网络上进行了验证。我们进一步将该算法应用于不同的社会,信息,技术和生物网络,在那里它确实揭示了有意义的(复合)链接密度和链接模式社区。因此,结果似乎意味着,类似的链接密度对应物,链接模式社区似乎无处不在的性质和设计。
2011-10-24 cs.SI physics.data-an physics.soc-ph
A generalised significance test for individual communities in networks
许多经验网络具有社区结构,其中节点在每个社区内密集互连(即,一组节点)并且稀疏地跨越不同的社区。像其他的局域和中尺度网络结构一样,社区通常在各个方面都是异质的,例如规模,边缘密度,与其他社区的连接和重要性。在本研究中,我们提出了一种方法来统计测试在给定的网络中的单个社区的显着性。与以前的方法相比,本算法的独特之处在于,它接受不同的社区检测算法和相应的质量函数的单个社区。本方法要求每个社区的质量可以被量化,并且社区检测被执行为在社区上求和的这种质量函数的优化。各种社区检测算法,包括模块化最大化和图划分满足这一标准。我们的方法估计随机网络的质量函数的分布,以计算给定网络中每个社区的可能性。我们说明我们的算法合成和经验网络。
2018-05-09 cs.SI physics.soc-ph
Computing the statistical significance of optimized communities in networks
在网络数据中发现社区,用于无监督学习,特征发现,异常检测或科学研究通常是令人感兴趣的。绝大多数社区检测方法通过优化质量函数来进行,即使在没有社区的随机网络上也是可能的。因此,通常没有一种简单的方法来判断社区是否“重要”,在这种情况下,这意味着比在没有社区的随机图模型下预期的内部连接更多。本文将现有的空模型推广到二分图,并引入了一种新的重要性评分算法,称为快速优化社区重要性(FOCS),该算法具有高度可扩展性和不可知性。此外,与单部图上的现有方法相比,FOCS在数值上更稳定,并且更好地平衡了检测能力和误报之间的权衡。
2018-11-17 cs.SI physics.soc-ph stat.ME
Discovering Communities in Continuous-Time Temporal Networks by Optimizing L-Modularity
UCBL, CNRS, INSA Lyon, LIRIS, UMR5205, F-69622 Villeurbanne, France;UCBL \& IUF, CNRS, LIRIS UMR5205, F-69622 Villeurbanne, France
针对连续时间时序网络的社区检测需求,该研究提出通过贪心优化纵向模块度的LAGO方法,可精准捕捉节点社区进出时刻,在合成与真实数据集上验证了其高效挖掘时序拓扑一致社区的能力。
2025-10-01 cs.LG cs.SI
Random Overlapping Communities: Approximating Motif Densities of Large Graphs
各种各样的复杂网络(社会,生物,信息等)表现出局部聚类,聚类系数(相邻节点被连接的概率)有很大变化。现有的大型图模型捕获幂律度分布(Barabási-Albert)和小世界属性(Watts-Strogatz),但只有有限的聚类行为。我们介绍了一个推广的经典Erdens-Rényi模型的随机图,可证明实现了广泛的所需的聚类系数,三角形的边缘和四个循环的边缘比率为任何给定的图的大小和边缘密度。在随机重叠社区模型中,不是随机地独立选择边,而是通过选择一组随机的、相对密集的子图("社区")来生成图。我们讨论了模型的解释能力及其一些后果。
2017-09-27 cs.DM cs.SI math.CO
Robustness of community structure under edge addition
本文通过随机与定向边添加场景,结合四种社区检测算法和相似性指标,评估合成及经验时序网络中社区结构的鲁棒性,证明其受初始划分、添加方式、指标和算法选择影响。
2023-11-02 cs.SI physics.soc-ph
Heuristic and exact modularity optimization with size-constrained communities
Kellogg School of Management, Northwestern University(西北大学凯洛格管理学院);Department of Mechanical and Industrial Engineering, University of Toronto(多伦多大学机械与工业工程系);Centre for Science and Technology Studies (CWTS), Leiden University(莱顿大学科学技术研究中心);Center for Complex Networks and Systems Research, Luddy School of Informatics, Computing, and Engineering, Indiana University Bloomington(印第安纳大学布鲁明顿分校卢迪信息、计算与工程学院复杂网络与系统研究中心)
研究在模块度优化中限制所有社区大小在用户指定范围内的社区检测问题,提出一种启发式方法,并通过精确整数优化模型验证其可靠性。
2026-05-24 cs.SI physics.soc-ph
Layer Communities in Multiplex Networks
多路复用网络是一种多层网络,其中实体通过多种类型的连接彼此连接。我们提出了一种方法,计算层之间的成对相似性,然后做社区检测的基础上,分组结构相似的层复用网络。我们使用合成网络和经验网络来说明我们的方法,并且我们能够在这两种情况下找到有意义的层组。例如,我们发现,位于相似地理位置的航空公司倾向于在航空公司多路网络中分组在一起,物理学的相关研究领域倾向于在多路合作网络中分组在一起。
2017-06-13 cs.SI physics.data-an physics.soc-ph
Hyperbolae Are No Hyperbole: Modelling Communities That Are Not Cliques
集团经常被用来建模社区:社区是一组节点,其中每对节点都有可能连接。但研究现实世界的社区表明,它们的结构比这更多。特别是,节点可以以这样的方式排序,即社区中的(几乎)所有边都位于双曲线之下。在本文中,我们提出了三个新的模型,捕捉这种现象的社区。我们的模型解释了不同的社区结构,但我们也证明了它们在表达能力上是相同的。我们的模型比传统的块模型或以前提出的双曲线模型更适合真实世界的数据,这两种模型都是我们模型的特例。我们的模型还允许对参数进行直观的解释,使我们能够有效地总结图中社区的形状。
2016-10-04 cs.SI physics.soc-ph
Identification of Overlapping Communities via Constrained Egonet Tensor Decomposition
在现实世界的网络中,重叠社区的检测通常是一项具有挑战性的任务。在认识到一个网络实际上是它的egonets的工会,一个新的网络表示使用多路数据结构主张在这方面的贡献。引入的稀疏张量为基础的表示表现出更丰富的结构相比,它的矩阵对应,从而使一个更强大的方法来社区发现。为了利用这种结构,使用PARAFAC分解引入了约束张量近似框架。所产生的约束三线性优化通过交替最小化处理,其中中间子问题使用交替方向乘子法(ADMM)求解,以确保收敛。获得的因素提供软社区成员资格,这可以进一步利用脆,并可能重叠的社区分配。该框架进一步扩大到包括随时间变化的图形,其中边缘以及底层社区随着时间的推移而演变。所提出的方法的性能进行评估,通过测试基准合成图以及现实世界的网络。数值试验证实,所提出的基于张量的表示捕获多跳节点连接,即单跳邻居,其开发产生一个更强大的社区识别中存在的混合以及重叠的社区内的连接模式。
2017-07-14 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
Community gifting groups on Facebook
我们使用来自Facebook群组的去识别数据来研究并提供当地送礼社区的描述性分析,特别是不买任何东西(BN)群组。这些社区允许人们提供他们不再需要的物品,减少浪费,并与当地社区建立联系。数以百万计的人在Facebook上加入了国阵群组,并在COVID-19大流行期间加快了步伐。国阵团体在人口稠密的美国城市县更受欢迎,教育程度更高。与其他本地团体相比,国阵团体的Facebook友谊密度较低,这表明他们将尚未联系的人聚集在一起。BN群中的相互作用图形成了更大的强连通分量,表明了广义互反的范数。BN群组的互动模式与当地其他在线送礼群组类似,名称中包含“免费物品”和“向前支付”等词语。这为当地在线送礼社区提供了一个互动签名。
2022-11-16 cs.CY cs.SI
An edge density definition of overlapping and weighted graph communities
网络中的社区检测是指寻找内部连接强而外部连接弱的节点组的过程。在这项工作中,我们介绍和研究的社区定义的基础上,内部边缘密度。从一个简单的概念,边缘密度等于边缘数除以最大边缘数,我们应用这个定义的各种节点和社区的安排表明,我们的定义产生合理的结果。我们的社区定义相当于绝对波茨模型社区检测方法(Phys.Rev.E81,046114(2010)),该方法的性能验证了我们的定义在各种网络类型中的有用性。我们将讨论如何将此定义扩展到加权和多重图,以及如何定义能够处理重叠的社区和本地算法。我们进一步验证了我们的定义对最近提出的隶属图模型(arXiv:1205.6228 [cs.SI]),并表明我们可以精确地解决这些基准。除了提出一个最终的社区定义之外,我们还解释了研究社区定义的详细属性是如何重要的,以便验证定义不具有负分析属性。我们敦促社区定义从社区检测算法中分离出来,并建议通过这些标准进一步评估社区定义。
2013-01-14 cs.SI physics.soc-ph
Sparse Nonnegative Matrix Factorization for Multiple Local Community Detection
局部社区发现包括找到一组与种子密切相关的节点,即感兴趣的节点的小集合。这样的节点组是密集连接的,或者与它们到网络中的其他集群的连接相比,具有更高的内部连接概率。现有的局部社区发现方法集中于找到所有种子最可能所在的一个局部社区,或者为每个种子找到单个社区。然而,种子成员通常属于多个局部重叠社区。在这项工作中,我们提出了一种新的方法来检测多个本地社区,其中一个单一的种子成员属于。该方法包括三个关键步骤:(1)使用个性化PageRank(PPR)进行局部采样;(2)使用稀疏非负矩阵分解(SNMF)生成的稀疏度估计采样子图中的社区数量;(3)使用SNMF软社区成员资格向量为社区分配节点。该方法显示出良好的准确性性能和良好的导电性相比,国家的最先进的社区发现方法的实验使用人工和真实世界的网络相结合。
2020-05-08 cs.SI physics.soc-ph
Fuzzy overlapping communities in networks
网络通常表现出社区结构,其中顶点组彼此之间的连接比与其他顶点之间的连接更密集。通常这些社区重叠,使得每个顶点可以出现在多于一个社区中。然而,两种不同类型的重叠是可能的:清晰(每个顶点完全属于它是成员的每个社区)和模糊(每个顶点在不同程度上属于每个社区)。我们调查了群落重叠的影响。我们发现,它对社区检测方法的性能有很大的影响:一些算法在模糊重叠的情况下表现更好,而另一些算法则倾向于清晰重叠。我们还评估了一些算法的性能,当重叠是模糊的,恢复属于系数。最后,我们调查是否真正的网络包含模糊或清晰的重叠。
2011-02-10 cs.SI physics.soc-ph
An efficient and principled method for detecting communities in networks
网络数据分析中的一个基本问题是检测网络社区,即密集互连的节点组,这些节点可能重叠或不相交。在这里,我们描述了一种基于原则性统计方法使用生成网络模型来寻找重叠社区的方法。我们展示了如何使用一个快速的,封闭形式的期望最大化算法,使我们能够分析网络的数百万个节点在合理的运行时间可以实现的方法。我们在真实世界的网络和合成基准测试的方法,发现它给出的结果与以前的方法竞争。我们还表明,同样的方法可以用来提取非重叠社区划分通过松弛法,并证明该算法是有竞争力的快速和准确的非重叠问题。
2011-04-18 cond-mat.stat-mech cs.SI physics.soc-ph
Identifying robust communities and multi-community nodes by combining top-down and bottom-up approaches to clustering
生物功能是由相互作用的分子,细胞或组织,称为社区。当生物成分参与多种功能时,这些社区的成员可能会重叠。然而,传统的聚类方法检测非重叠社区。这些检测到的群落也可能不稳定,难以复制,因为传统方法对噪声和参数设置很敏感。传统聚类方法的这些方面限制了我们检测生物群落的能力,从而限制了我们理解生物功能的能力。为了解决这些局限性和检测强大的重叠生物群落,我们提出了一种非正统的聚类方法SpeakEasy,它同时使用自上而下和自自底向上的【形】的方法来识别社区。具体而言,节点根据其本地连接以及关于网络结构的全局信息加入社区。该方法可以量化每个社区的稳定性,自动识别社区的数量,并快速聚类具有数十万个节点的网络。SpeakEasy在合成聚类基准测试中表现出色,并在一系列数据集中准确识别有意义的生物群落,包括:基因微阵列,蛋白质相互作用,分选细胞群,电生理学和fMRI脑成像。
2015-02-26 cs.CE cs.SI physics.bio-ph
GenPerm: A Unified Method for Detecting Non-overlapping and Overlapping Communities
非重叠社区和重叠社区的检测本质上是同一个问题。然而,目前的算法集中在寻找重叠或不重叠的社区。我们提出了一个通用的框架,可以识别非重叠和重叠的社区,没有任何事先输入的网络或其社区分布。为此,我们引入了一个基于顶点的度量,GenPerm,量化的顶点属于它的每个组成社区。我们的社区发现算法是基于最大化网络中所有顶点的GenPerm。我们证明,通过实验合成和真实世界的网络,GenPerm是更有效的比其他指标在评估社区结构。此外,我们表明,由于其以顶点为中心的属性,GenPerm可以用来展开几个推理超越社区发现,如核心-外围分析和消息传播。我们用于最大化GenPerm的算法在准确预测地面实况标签方面优于六种最先进的算法。最后,我们讨论了重叠社区中的分辨率限制问题,并证明了最大化GenPerm可以缓解这个问题。
2016-04-12 cs.SI physics.soc-ph
MeetupNet Dublin: Discovering Communities in Dublin's Meetup Network
Meetup.com是一个全球性的在线平台,方便在世界各地组织聚会。一个聚会小组通常专注于一个特定的兴趣主题,如体育,音乐,语言或技术。然而,这个平台的许多用户参加多个聚会。在此基础上,我们可以构建一个共同的成员网络为一个给定的位置。这个网络编码了成对的聚会是如何通过共同的成员相互连接的。在这项工作中,我们证明,通过应用技术,从社会网络分析这种类型的表示,我们可以揭示潜在的meetings社区结构,这是不是立即明显的平台的网站。具体来说,我们映射都柏林的meetings社区的景观,探索在城市的meetup.com用户的兴趣和活动。
2018-11-02 cs.CY 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
Overlapping Communities in Complex Networks
社区是网络的子集,它们内部连接密集,与网络的其他部分只共享很少的连接。本研究的目的是开发和评估一种有效的算法,用于检测重叠,模糊社区。该算法将我们要发现的每个社区的一些成员作为输入。我们称这些成员为种子节点。然后,该算法通过使用从非种子节点开始并在到达种子节点时结束的随机游走来传播该信息。然后,在非种子节点$v$处开始的随机游走在种子节点$s$处结束的概率等于$v$属于$s$的社区的概率。该算法在时间上运行$\tilde{O}(l \cdot m \cdot \log n)$,其中$l$是要检测的社区的数量,$m$是边的数量,$n$是节点的数量。$\tilde{O}$ -符号隐藏了一个最多为$(\log \log n)^2$的因子。Lancichinetti等人提出的LFR基准。用于评估算法的性能。我们发现,给定一组良好的种子节点,它能够以有意义的方式重建网络的社区。
2014-09-26 cs.SI physics.soc-ph
Overlapping Communities and the Prediction of Missing Links in Multiplex Networks
多路复用网络是将现实世界的复杂系统表示为通过不同类型的连接(即层)连接的一组实体(即节点)。这些网络中观察到的连接可能并不完整,链接预测任务是跨层定位丢失的链接。在这里,主要的挑战是从不同的层收集相关的证据,以帮助链接预测任务。众所周知,社区中的共同成员资格增加了节点之间连接的可能性。我们讨论的共同成员在社区的相似层增加了连接的机会。如果这些层显示出显著的层间群落重叠,则它们被认为是相似的。此外,我们发现,虽然链接的存在是相关的层,但这种相关性的程度是不一样的不同社区。我们建议,ML-BNMTF,作为一种链路预测方法在复用网络中,设计基于这些发现。ML-BNMTF优于基线方法,特别是当全球链路重叠低。
2020-05-15 cs.SI 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
Modeling shared micromobility as a label propagation process for detecting the overlapping communities
本研究将共享微出行建模为标签传播过程,提出地理空间交互传播模型(GIP),结合SLPA算法和异常检测,在华盛顿特区电动滑板车系统中检测重叠社区,效率和模块度优于现有方法。
2025-01-27 cs.SI physics.app-ph
Detecting Cohesive and 2-mode Communities in Directed and Undirected Networks
网络是表示对象之间关系信息的通用语言。对网络进行建模、推理和总结的一种有效方法是发现具有共同连接模式的节点集。这样的集合通常被称为网络社区。网络社区发现的研究主要集中在无向网络中密集连接节点的社区识别。在本文中,我们开发了一种新的重叠社区发现的方法,可扩展到数以百万计的节点和边缘的网络,并沿两个维度推进研究:社区的连接结构,并使用边缘定向社区发现。首先,我们扩展了传统的网络社区的定义,通过观察节点可以以两种不同的方式紧密相连:在有凝聚力的社区中,节点相互链接,而在2模式社区中,节点以二分的方式链接,其中链接在两个分区之间占主导地位,而不是在它们内部。我们的方法成功地检测2模式以及凝聚力的社区,也可能重叠或分层嵌套。第二,虽然大多数现有的社区发现方法对待有向边缘,好像他们是无向的,我们的方法占边缘方向,并能够识别新的和有意义的社区结构,在有向和无向网络,使用数据从社会,生物和生态领域。
2014-01-29 cs.SI physics.soc-ph
Discovering link communities in complex networks by exploiting link dynamics
复杂网络中社区的发现是一个基本的数据分析问题,在许多领域都有应用。大多数现有的方法都集中在发现社区的节点,而最近的研究表明,网络中的链接社区的知识有很大的优势和效用。从这个新的角度来看,我们提出了一个基于链接动态的算法,称为UELC,用于识别网络的链接社区。在UELC中,链路-节点-链路随机游动的随机过程被用来展开网络中链路的嵌入式二分结构。然后,利用马尔可夫链的随机游走的局部混合属性来提取两个出现的链接社区。此外,随机游走和二分区过程被包裹在迭代细分策略中,以递归地识别将网络链路隔离成多个细分的链路分区。我们评估了新方法在合成基准上的性能,并在现实世界的网络上展示了其实用性。我们的实验结果表明,我们的方法是非常有效的发现复杂网络中的链接社区。作为比较,我们还扩展了UELC来提取节点的社区,并表明它是有效的节点社区识别。
2013-03-19 cond-mat.stat-mech cs.SI physics.soc-ph
Mining Target Attribute Subspace and Set of Target Communities in Large Attributed Networks
社区发现为各种应用提供了宝贵的帮助,例如营销和产品推荐。针对纯网络设计的传统社区发现方法在具有属性信息的属性网络中可能无法检测出内部具有同质属性的社区。大多数最近的属性社区发现方法可能无法捕获特定应用程序的需求,并且不能挖掘特定应用程序所需的社区集合。在本文中,我们的目标是检测目标子空间中的目标社区的集合,其中有一些焦点属性具有大的重要性权重,满足特定的应用程序的要求。为了提高大学的问题,我们解决的问题,在一个极端的情况下,在任何潜在的目标社区只有两个样本节点提供。提出了一种目标子空间和社区挖掘方法。在TSCM中,设计了一种样本信息扩展方法,将两个样本节点扩展为一组样本节点,从这些样本节点中推断出目标子空间。然后基于目标子空间定位和挖掘目标社区集。在人工数据集上的实验表明了该方法的有效性和效率,在真实数据集上的应用表明了该方法的应用价值。
2017-05-10 cs.SI physics.soc-ph
Genetic Algorithm with a Local Search Strategy for Discovering Communities in Complex Networks
为了进一步提高现有遗传算法在社区发现方面的性能,提出了一种基于局部搜索的遗传算法GALS。GALS的核心是一种基于局部搜索的变异技术。为了克服传统变异方法的不足,提出了边缘基因的概念,并从节点局部角度推导出模块度函数Q的局部单调性。在此基础上,提出了一种结合局部搜索策略的变异方法。GALS已经在合成基准和几个真实网络上进行了评估,并与目前竞争的一些算法进行了比较。实验结果表明,GALS是一种高效的社区结构发现方法。
2013-03-24 cs.SI physics.soc-ph
A multilevel clustering technique for community detection
University of St Andrews(圣安德鲁斯大学);Edge Hill University(边山大学)
网络是由许多社区组成的,即,具有较强关系的节点和边的集合,具有不同和重叠的属性。社区发现由于各种原因而至关重要,例如作为网络的功能单元,捕获节点之间的本地交互。社区有各种形式和类型,从生物到技术引起的社区。作为技术引发的社区,Twitter和Facebook等社交媒体网络连接了无数不同的用户,从而形成了一个高度连接和动态的生态系统。尽管已经提出了许多算法来检测Twitter上的社会凝聚力社区,但挖掘和相关任务仍然具有挑战性。本文提出了一种基于可扩展框架的网络相关社区检测方法。我们提出了一个多层次的聚类技术(MCT),利用结构和文本信息,以确定当地社区称为微观世界。在基准模型和数据集上的实验验证了该方法的有效性。本研究为社交网络中凝聚社区的发现提供了一个新的维度。该方法提供了更好的理解和清晰度,以描述低级别社区如何在Twitter上发展和行为。从应用程序的角度来看,识别此类社区可以更好地为推荐提供信息,以及其他好处。
2021-01-16 cs.LG cs.SI