Information flow simulation community detection of weighted-directed campus friendship network in continuous time
针对传统校园好友网络及社区检测缺乏时间特征的问题，本文重构连续时间加权有向校园好友网络并提出对应社区检测算法，实验证明其效果更优，且同社区学生在消费、饮食、行为上具相似性，丰富了相关理论并为学生管理提供指导。
2023-05-03 cs.CY cs.SI
Community detection on directed networks with missing edges
本文扩展 Flow Stability 框架，利用节点出度的已知不确定性水平，在含缺失链接的加权有向网络中提升社区检测的鲁棒性，并通过合成网络与 Telegram 真实网络验证其可靠性。
2024-10-25 cs.SI physics.soc-ph
Scalable Spectral Algorithms for Community Detection in Directed Networks
社区发现一直是网络研究中的核心问题之一，而有向网络由于其链路间的不对称性，使得社区发现问题更具挑战性。在本文中，我们发现，将链接的方向揭示了社区的两个不同的角色，源和终端，一个节点在每个社区中扮演的新的观点。有趣的是，这样的社区似乎与邻接矩阵的图拉普拉斯算子的独特谱性质有关，我们利用正则化SVD方法来利用这种联系。我们提出了收获算法，再加上正则化的SVD，是线性可扩展的有效识别社区在巨大的有向网络。该算法在基准网络上的模拟实验表明了良好的性能和可扩展性，并在实际网络应用中成功地恢复了社区。
2013-09-23 cs.SI physics.soc-ph stat.ML
Using Triangles to Improve Community Detection in Directed Networks
在图中，社区可以被松散地定义为彼此连接比与图的其余部分连接更紧密的一组节点。虽然有各种各样的指标可用于指定给定社区的质量，但一个共同的主题是流往往停留在社区内。因此，我们期望周期在社区发现中发挥重要作用。对于无向图，三角形--无向3圈--的重要性早已为人所知，可以用来改进社区发现。在有向图中，情况更加微妙。最小的循环仅仅是具有相互连接的两个节点，并且使用关于相互连接的信息已被证明可以改进社区发现。我们的新想法是基于四种包含循环的有向三角形。为了识别有向网络中的社区，然后，我们提出了一个无向边加权方案的基础上的类型的有向三角形中的边缘参与。我们还提出了一个新的衡量标准的质量的社区，是基于3个周期的数量，是跨社区分裂。为了证明我们的新权重的影响，我们使用标准的METIS图划分工具来确定社区，并通过实验表明，由此产生的社区导致更少的3-循环被切割。效果的大小在10%到50%之间变化，我们还发现证据表明，这种加权方案改善了一项任务，其中可信的地面真相社区是已知的。
2014-04-23 cs.SI physics.soc-ph
Sender--Receiver Community Detection in Directed Networks via Node-Role-Constrained Edge Clustering
Institute of Mathematics, Vietnam Academy of Science and Technology（越南科学技术院数学研究所）
提出TT-SR框架，为每个节点分配发送者和接收者角色，通过双层次规则优化角色分配，在保持可解释性的同时提升有向边社区恢复性能。
2026-06-17 cs.SI
Spectral Algorithms for Community Detection in Directed Networks
The Ohio State University（俄亥俄州立大学）；University of Georgia（佐治亚大学）
大型社交网络中的社区发现受到节点度异质性的影响。为了减少这种影响，引入了有向网络的D-SCORE算法，在聚类前对邻接矩阵的奇异向量进行元素比计算。统计学家引文网络获得了有意义的结果，但缺乏对其性能的严格分析。首先，本文建立了有向度校正块模型（Directed-DCBM）的算法及其变体的理论保证。其次，本文提供了显着的改进，原来的D-SCORE算法通过附加的社区核心以外的节点使用原始网络的信息，而不是奇异向量。
2020-08-09 cs.LG cs.SI math.ST
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
Community detection in directed acyclic graphs
一些时间网络，最著名的是引用网络，自然地表示为有向无环图（DAG）。为了检测DAG中的社区，我们通过定义适当的空模型（即，随机化网络）尊重节点的顺序。我们实现了一种谱方法，以近似最大化所提出的模块性度量，并在引用网络和其他DAG上测试该方法。我们发现，达到的值的模块化的DAG是相似的分区，我们通过最大化建议的模块化（设计的DAG），模块化的无向网络和一般有向网络。换句话说，如果我们忽略给定的DAG中节点的顺序（以及链接的方向）并最大化传统的模块性度量，则获得的分区接近于DAG模块性意义上的最佳分区。
2015-08-12 cs.SI physics.soc-ph
Magnetic eigenmaps for community detection in directed networks
有向网络中的社区通常被描述为具有高密度链接的区域，或具有某些连接模式的节点集。我们的社区检测方法结合了质量函数的优化和组合拉普拉斯算子变形的谱聚类，即所谓的磁性拉普拉斯算子。磁拉普拉斯算子的本征函数，我们称之为磁本征映射，包含了结构信息。因此，使用磁本征图，可以揭示包括有向循环的密集社区以及具有运行流的网络中的“角色”社区，通常是由于混合模型而发现的。此外，在马尔可夫稳定性方法的精神，在网络中的不同能级的社区提出了一种研究方法，基于量子力学系统在有限温度下。
2016-07-18 cs.SI math-ph math.MP
Mapping flows on weighted and directed networks with incomplete observations
在具有不完整观测的网络中检测重要的社区结构是具有挑战性的，因为特定解决方案的证据会随着数据的缺失而消失。例如，最近的研究表明，基于流的社区发现方法可以突出稀疏的无向和无权网络中的虚假社区与丢失的链接。目前的贝叶斯方法，以克服这个问题不工作的不完整的观察加权和有向网络，描述网络流。为了解决这一差距，我们扩展了贝叶斯估计的地图方程的无权重和无向网络，使更强大的社区发现加权和有向网络背后的想法。我们推导出一个加权和定向的先验网络，可以将元数据信息，并显示如何在社区检测方法Infomap提供更可靠的社区，即使有很大一部分数据丢失的有效实施。
2021-12-13 cs.SI physics.data-an physics.soc-ph
A generative model for community types in directed networks
本文提出一种网络演化生成模型，可复现有向网络中四种成对社区类型，通过平均场解揭示了模型参数对社区关系的影响，阐明了不同社区类型转变的机制及观测背后的原理。
2024-05-23 cs.SI physics.soc-ph
Discovering overlapping communities in multi-layer directed networks
本文提出多层混合成员随机共块模型及谱方法，用于检测多层有向网络中的非对称重叠社区，理论证明并实验验证了其一致性及提高稀疏性、节点数或层数可提升检测精度。
2025-02-27 cs.SI stat.ME
Ordered community detection in directed networks
我们开发了一种方法来推断社区结构的有向网络中的群体是在一个潜在的一维层次结构，确定首选的边缘方向。我们的非参数贝叶斯方法是基于修改的随机块模型（SBM），它可以利用排名对齐和一致性，以产生简约的描述网络，组合有序的层次结构与任意混合模式之间的组。由于我们的模型还包括定向度校正，我们可以用它来区分非局部层次结构与局部入度和出度不平衡-从而消除大多数排名方法中存在的合并源。我们还展示了如何与无序SBM变体获得的结果进行可靠的比较，以确定分层排序是否在统计上是有道理的。我们说明了我们的方法在各种各样的经验网络在几个领域的应用。
2022-08-31 cs.SI physics.data-an physics.soc-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
Clustering and Community Detection in Directed Networks: A Survey
网络（或图）作为主导结构出现在不同的领域，包括社会学、生物学、神经科学和计算机科学。在上述大多数情况下，图是有向的-在边缘上存在方向性的意义上，使得边缘的语义不对称。真实网络呈现的一个有趣的特征是聚类或社区结构属性，在该属性下，图拓扑被组织成通常称为社区或集群的模块。这里的本质是同一社区的节点高度相似，而相反，社区之间的节点相似性较低。揭示有向复杂网络的底层社区结构已成为一个重要的跨学科课题，具有大量的应用。因此，自然地，在挖掘有向图的领域中最近有大量的研究成果-聚类是社区发现和评估的主要方法和工具。本文的目标是提供一个深入的审查的方法，迄今提出的聚类有向网络以及相关的必要的方法背景和相关的应用。调查首先提供了一个简明的基本概念和方法论基础上，图聚类算法利用。然后，我们提出了相关的工作沿着两个正交分类。第一个主要是关注的聚类算法的方法论原则，而第二个方法的观点，关于一个好的集群在有向网络的属性。此外，我们提出的方法和度量图聚类结果的评估，展示有趣的应用领域，并提供有前途的未来研究方向。
2013-08-05 cs.IR cs.SI physics.bio-ph
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
Information-theoretic Limits for Community Detection in Network Models
Purdue University（普渡大学）
我们分析了几种网络模型中节点标签恢复的信息论限制。这包括随机块模型、指数随机图模型、潜在空间模型、定向偏好依恋模型和定向小世界模型。对于随机块模型，不可恢复性条件取决于社区内部和不同社区之间具有边缘的概率。对于潜在空间模型，不可恢复性条件取决于潜在空间的维度，以及社区在潜在空间中的距离和分布。对于有向偏好依恋模型和有向小世界模型，不可恢复性条件依赖于同质性与邻域大小的比值。我们还考虑了随机块模型和潜空间模型的动态版本。
2018-05-22 cs.LG cs.SI physics.soc-ph
Community Detection in Directed Weighted Networks using Voronoi Partitioning
本文提出一种基于 Voronoi 划分的有向加权网络社区检测算法，可直接利用长度型边权重，并在脑网络、航空网络和基准网络上验证其有效性与效率。
2023-04-24 cs.SI physics.data-an physics.soc-ph
Community detection and role identification in directed networks: understanding the Twitter network of the care.data debate
随着社交媒体作为辩论和讨论公共事务的重要渠道的兴起，推特等在线社交网络已成为公共信息和决策者参与的重要平台。为了通过Twitter进行有效沟通，政策制定者需要了解影响力和兴趣如何在其用户网络中传播。在这一章中，我们使用图论方法来分析围绕NHS英格兰的有争议的care.data计划的Twitter辩论。方向性是Twitter社交图的一个重要特征--信息从追随者流向追随者--但在社会网络分析中经常被忽略;我们的方法基于网络上动态过程的行为，可以自然地应用于有向网络。我们发现了强大的用户社区，并表明这些社区反映了信息如何通过Twitter网络流动。我们还可以根据用户在引导网络信息流中的不同角色对他们进行分类。我们的方法和结果将是有用的政策制定者谁想要有效地使用Twitter作为一种沟通媒介。
2015-08-13 cs.SI physics.soc-ph
Spectral Properties of Directed Random Networks with Modular Structure
我们研究了具有抑制性和兴奋性耦合的有向网络的谱。我们特别研究了不同模型网络的特征向量局部化特性，它们的条目之间的相关性不同。具有完全不相关项的随机网络的谱显示具有离域特征向量的圆形分布，其中具有相关项的网络具有局部特征向量。为了了解本地化的起源，我们跟踪光谱作为连接概率和方向性的函数。由于连接是定向的，本征态开始出现在复共轭对中，并且本征值分布与局部化测量相结合显示出丰富的模式。此外，对于一个很好区分的社区结构，整个频谱是本地化的，除了少数本征态的边界处的圆形分布。当网络偏离社团结构时，网络的局部化性质会发生突变，而此时网络的变形值很小。我们寻找这种效果的整个范围内的相关强度和不同的社区配置。此外，我们研究了斑马鱼代谢网络的光谱特性，并与模型网络的光谱特性进行了比较。
2011-10-18 cond-mat.dis-nn cs.SI physics.soc-ph
Non-backtracking spectrum of random graphs: community detection and non-regular Ramanujan graphs
图上的非回溯行走是一条有向路径，使得没有边是其前一条边的逆边。图的非回溯矩阵由其有向边索引，并且可以用于计数给定长度的非回溯行走。它已被用于最近在社区检测的背景下，并已出现在以前与Ihara zeta函数和一些推广的拉马努金图。在这项工作中，我们研究了Erdos-Renyi随机图和随机块模型在边数与顶点数成正比的情况下的非回溯矩阵的最大特征值。我们的研究结果证实了“频谱赎回”猜想，社区检测可以在领先的特征向量的基础上，可行性阈值以上。
2015-04-22 cs.SI math.PR
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
Generative model for reciprocity and community detection in networks
提出了一种概率生成模型和有效的算法来模拟有向网络中的互易性。与解决这个问题的其他方法（如指数随机图）不同，它将潜在变量作为社区成员分配给节点，并将互惠参数分配给整个网络，而不是拟合顺序统计量。它形式化了一个假设，即如果一个人已经观察到了一个对她的交互，则更有可能发生有向交互。它提供了一个自然的框架，用于放松网络生成模型中边之间条件独立性的常见假设，并且它可以用于执行推理任务，例如预测边的存在，给出反向方向的边的观察。推理是使用一个有效的期望最大化算法，利用网络的稀疏性，导致一个有效的和可扩展的实现。我们通过分析合成和真实数据来说明这些发现，包括社交网络，学术引文和伊拉斯谟学生交流计划。我们的方法在预测边缘和生成反映真实数据中观察到的互惠值的网络方面优于其他方法，同时推断出潜在的社区结构。我们在线提供代码的开源实现。
2022-09-06 cs.SI physics.soc-ph
PyGenStability: Multiscale community detection with generalized Markov Stability
PyGenStability是一个Python软件包，通过广义马尔可夫稳定性结合Louvain或Leiden算法实现图的多尺度社区检测，支持多种图类型和自定义质量函数，并自动识别稳健划分。
2025-08-28 cs.MS cs.SI
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
Two-way Node Popularity Model for Directed and Bipartite Networks
针对有向与二部网络社区检测未考虑节点流行度的问题，提出TNPM概率框架、DOM拟合方法与TSDC大规模算法，兼具精度与效率，可应用于真实网络分析。
2024-12-11 cs.SI math.ST stat.CO
Detection of multiple and overlapping bidirectional communities within large, directed and weighted networks of neurons
随着最近公开可用的生物数据的爆炸式增长，网络分析获得了极大的兴趣。特别是，最近在神经科学方面有希望的结果表明，神经元和大脑区域相互连接的方式在认知功能和行为中起着重要作用。揭示如此复杂的连接量中的模式和结构是一个很难的问题，其根源在于图和网络理论。由于许多真实世界的情况可以通过网络建模，结构检测算法在几乎每个科学领域都有应用。这些都是NP完全问题，因此通常使用的方法是通过启发式算法。在这里，我们制定了一个社区发现问题的神经元网络中找到结构的问题。我们引入了社区的定义，我们构建了一个基于启发式算法的有向和加权网络，旨在确定重叠的双向社区在大型网络。我们进行了系统的分析，该算法的性能，在很宽的参数范围内（成功检测百分比几乎$100\%$所有的时间）显示出优异的结果。此外，我们展示了所需的计算时间的结果，并就如何提高计算性能提出了未来的方向。
2015-11-13 cs.DS cs.SI physics.soc-ph
Core-Periphery Structure in Directed Networks
虽然网络中的中尺度结构的研究往往集中在社区结构，核心-外围结构可以揭示新的见解。这种结构通常由连接良好的核心和外围组成，外围与核心连接良好，但内部连接稀疏。核心-外围结构的研究大多集中在无向网络上。我们提出了一个概括的核心外围结构的有向网络。我们的方法产生一个家庭的核心-外围块模型配方中的核心和外围集是边缘方向相关的。我们主要集中在一个特定的核心-外围结构组成的两个核心集和两个外围集，我们的经验激励。为了检测这种有向的核心-外围结构，我们提出了四种不同的方法，在计算复杂性和准确性之间进行了不同的权衡。我们评估这些方法的三个基准，并比较四个标准的方法。在模拟数据上，所提出的方法匹配或优于标准方法。将我们的方法应用于三个经验网络-政治博客网络，教师招聘网络和贸易网络-表明这种定向核心-外围结构可以提供有关底层数据集的新见解。
2019-12-02 cs.SI stat.AP
Generalized L-Modularity for Community Detection Beyond Simple Temporal Networks
Université Claude Bernard Lyon 1, CNRS, INSA Lyon, LIRIS, UMR5205（里昂第一大学、法国国家科学研究中心、里昂国立应用科学学院、LIRIS实验室）
提出广义L-模块度和LAGO算法框架，用于检测包含瞬时事件、持续接触、延迟交互等多种交互类型的复杂时序网络中的社区结构。
2026-05-23 cs.SI
Map equation for link community
社区结构存在于许多现实世界的网络中，并已被报道与网络的几个功能属性。传统的方法是将节点划分为社区，而最近的一些研究开始划分链接而不是节点，以有效地找到重叠的节点社区。我们扩展了地图方程方法，这是最初开发的节点社区，在网络中找到链接社区。在不同类型的网络上进行测试，并与网络元数据进行比较，结果表明该方法能够有效地识别节点的角色重叠。该方法的优点是通过测量网络中除社团结构外的未知信息，可以定量地比较节点社团方案和链路社团方案。它可以用来定量地决定是否应该使用链路社区方案来代替节点社区方案。此外，由于该方法是基于随机游动的，因此可以很容易地推广到有向网络和加权网络。
2011-08-12 cond-mat.stat-mech cs.SI physics.soc-ph
Community Detection by Information Flow Simulation
社区发现仍然是数据采掘中的一个重要问题，这是由于缺乏可扩展的算法来利用可用数据的所有方面，即信息流的方向性及其动态性。大多数现有的方法在图形结构中使用连通性的措施。在本文中，我们提出了一个快速，可扩展的算法来检测社区的有向，加权图表示的社交网络通过模拟信息流通过他们。通过设计，我们的算法自然也可以处理无向或无权网络。我们的算法运行在$\mathcal{O}(|E|)$时间，这是优于大多数现有的工作，并使用$\mathcal{O}(|E|)$空间，因此很容易扩展到非常大的数据集。最后，我们证明了我们的算法在地面真实数据的准确性和可扩展性方面优于最先进的马尔可夫聚类算法（MCL）（在许多情况下，我们可以在图中找到社区对于MCL来说太大了）。
2018-05-13 cs.SI physics.soc-ph
Characterization and comparison of large directed graphs through the spectra of the magnetic Laplacian
在本文中，我们研究了使用磁拉普拉斯算子来表征有向图（a.k.a.）的可能性。网络）。得到了许多有趣的结果，包括发现了一类随机块体模型的谱测量中，群落结构与旋转对称性有关。由于磁拉普拉斯算子的厄米性，我们在这里展示了如何使用核多项式方法（KPM）将我们的方法扩展到包含数十万节点的大型网络。我们还建议将KPM与Wasserstein度量相结合，以测量网络之间的距离，即使这些网络是有向的，大的，有不同的大小，一个很难的问题，不能解决以前的方法在文献中提出的。此外，我们的python包在\href{https://github.com/stdogpkg/emate}{github.com/stdogpkg/emate}上公开提供。这些代码可以在CPU和GPU上运行，并且可以估计谱密度和相关的迹函数，例如熵和Estrada指数，即使在具有数百万节点的有向或无向网络中。
2020-07-07 cs.SI physics.soc-ph
HoloNets: Spectral Convolutions do extend to Directed Graphs
Technical University of Munich（慕尼黑工业大学）
本文利用复分析和谱理论工具，将谱卷积扩展到有向图，提出HoloNets，在异嗜性节点分类上取得最先进结果，并对拓扑扰动保持稳定。
2023-11-10 cs.LG cs.SI
CONE: Community Oriented Network Embedding
社区检测一直是网络研究的热点。它通常被建模为图上的无监督聚类问题，基于对社区特征的启发式假设，如边缘密度和节点同质性。在这项工作中，我们怀疑这些广泛采用的假设的普遍性，并将人类标记的社区与通过各种主流算法获得的机器预测的社区进行比较。基于支持性的结果，我们认为，社区是由各种社会模式和无监督学习的基础上，数学是无法捕捉所有这些。因此，我们建议通过面向社区的网络嵌入（CONE）将监督注入社区发现中，CONE利用有限的地面实况社区作为示例来学习嵌入模型，了解它们背后的社会模式。具体来说，通过将递归神经网络与图上的随机行走相结合，开发了一种深度架构，以捕获由地面实况社区指导的社会模式。由学习模型产生的其他节点嵌入的通用聚类算法，然后有效地揭示了更多与地面实况共享相似社交模式的社区。
2018-04-22 cs.SI physics.soc-ph
Overlapping Community Detection Optimization and Nash Equilibrium
同时使用图和社交网络的社区发现是许多算法的焦点。最近的方法，旨在优化所谓的模块化功能进行社区内的关系最大化，同时最大限度地减少社区间的关系。然而，由于问题的NP完全性，这些算法是不保证最优的算法。在本文中，我们介绍了一个新的算法，以及一个函数，需要一个近似的解决方案，并修改它，以达到最佳。这个重新分配函数被认为是一个“潜在的功能”，并成为一个必要条件，断言计算的最佳确实是一个纳什均衡。我们还使用此功能同时显示分区和重叠社区，这两种检测和可视化模式在揭示社交网络的有趣功能方面具有重要价值。我们的方法是成功地说明通过几个实验，无论是真正的单部，多部或有向图的中型和大型数据集。
2014-06-26 cs.SI physics.soc-ph stat.ML
Spectral Clustering for Directed Graphs via Likelihood Estimation on Stochastic Block Models
University of Oxford（牛津大学）；The Alan Turing Institute（阿兰·图灵研究所）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
本文针对有向图聚类问题，基于有向随机块模型的最大似然估计推导全局目标函数，并提出一种自适应谱聚类方法，在合成与真实数据上显著优于现有基线。
2025-06-03 cs.LG cs.SI math.ST
ATP: Directed Graph Embedding with Asymmetric Transitivity Preservation
The Ohio State University（俄亥俄州立大学）
有向图已经被广泛用于社区问答服务（CQA）中，以对CQA图中不同类型的节点之间的非对称关系进行建模，例如，问题，答案，用户。非对称传递性是有向图的一个基本性质，因为它可以在下游图的推理和分析中发挥重要作用。问题难度和用户专业知识具有不对称传递性的特点。保持这样的属性，同时减少图到一个较低维的向量嵌入空间，一直是最近的研究重点。在本文中，我们解决了具有非对称传递性保留的有向图嵌入的挑战，然后利用所提出的嵌入方法来解决CQA中的一项基本任务：如何适当地路由和分配新发布的问题给具有适当专业知识和对CQA感兴趣的用户。该技术结合了图形层次结构和可达性信息自然依赖于一个非线性变换，在这样的图形的核心可达性和隐式层次结构上操作。随后，该方法杠杆基于因式分解的方法来生成两个嵌入向量的图中的每个节点，以捕捉非对称传递性。大量的实验表明，我们的框架在两个不同的现实世界的任务：链接预测，问题难度估计和专家发现在像Stack Exchange在线论坛上一致和显着优于最先进的基线。特别是，我们的框架可以支持对新发布的问题（训练过程中看不见的节点）进行归纳嵌入学习，因此可以将这些问题正确地路由和分配给CQA中的专家。
2018-11-06 cs.AI cs.IR cs.LG
Intrinsically Dynamic Network Communities
网络社区发现算法最近已经扩展到动态数据。这些最新的方法的目的是展示社区分区从连续的图形快照，然后连接或平滑这些分区使用聪明的时间相关的功能和采样技术。然而，这些方法实现的是纵向的而不是动态的社区发现。我们假设社区从根本上定义为一组节点之间随着时间的推移重复的交互。根据这一定义，通过考虑连续快照来分析数据会导致信息的重大损失：我们认为它模糊了本质上是动态的现象-例如基于重复的跨时间交互的社区，节点从一个社区切换到另一个社区，或者社区生存的可能性，而其成员在较长的时间内被整体取代。我们提出了一种形式主义，旨在解决这个问题的背景下，时间导向的数据集（如引文网络），并提出了几个插图的经验和合成的动态网络。我们最终引入内在的动态指标，以限定时间的社区结构，并强调其可能的作用作为估计的质量的社区发现-考虑到这样一个事实，即各种经验的背景下可能需要不同的“社区”的定义和检测标准。
2011-11-08 cs.SI physics.soc-ph
Finding core subgraphs of directed graphs via discrete Ricci curvature flow
Renmin University of China（中国人民大学）；Beijing Normal University（北京师范大学）
本文提出一种基于离散里齐曲率流的方法，用于从弱连通有向图中检测强连通核心子图，通过添加高权重边实现强连通性，提升核心子图检测性能。
2025-12-05 cs.SI math.AP math.CO
Complex Networks, Communities and Clustering: A survey
本文是对复杂网络社区和聚类文献的广泛调查。复杂网络描述了自然界和社会中广泛存在的各种系统，特别是由大量高度互联的动态实体组成的系统。像真实网络一样，复杂网络也可以有社区结构。复杂网络中社团的发现和识别有多种方法和算法。一些复杂网络具有聚类性或网络传递性。复杂网络领域的一些重要概念是小世界和规模鲁棒性，度分布，聚类，网络相关性，随机图模型，网络增长模型，网络动力学过程等。当前复杂网络社区的一些研究领域是社区演化，重叠社区，有向网络社区，社区表征和解释，为通过聚类进行网络社区发现而提出的许多算法或方法是基于最小割的算法、基于分层连通性的算法、原始GirvanNewman算法、模块化最大化的概念、利用来自信息和编码理论的度量的算法以及基于团的算法的修改版本或从这些概念中得到启发。
2015-03-21 cs.SI
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
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
LabelRankT: Incremental Community Detection in Dynamic Networks via Label Propagation
网络分析中一个越来越重要的挑战是有效地检测和跟踪动态网络中的社区，这些社区的变化以流的形式到达。需要一种算法，可以增量地更新和监控社区的演变产生巨大的实时数据流，如互联网或在线社交网络。在本文中，我们提出了LabelRankT，一个在线的分布式算法检测社区在大规模的动态网络，通过稳定的标签传播。在真实网络上的测试结果表明，LabelRankT具有比其他算法低得多的计算成本。与动态检测方法相比，它还提高了检测到的社区的质量，并与静态检测方法实现的质量相匹配。与大多数仅适用于二进制网络的算法不同，LabelRankT适用于加权和有向网络，这为现实世界的应用提供了灵活和有前途的解决方案。
2013-05-12 cs.SI physics.soc-ph
SIS epidemics on Triadic Random Graphs
过去已经表明，许多现实世界的网络表现出社区结构和非平凡的聚类，这与大量的三角连接的出现有关。然而，这种联系模式对疾病传播动力学的影响尚未完全了解。为了研究它们在易感-感染-易感（SIS）流行病背景下的作用，我们使用三元随机图（TRG）模型从不同的、封闭的、定向的三元子模式构建小网络（N=49）。我们比较了TRG的各种全局性质，并使用N-交织平均场近似（NIMFA）模型对TRG上的SIS动力学进行了数值模拟。结果表明，无向TRG上的传染传播行为与TRG上有丰富的（有向）反馈回路的行为非常相似，而使用（有向）前馈回路作为网络实体则显著减缓了传染病的传播速度，降低了地方病状态下的感染个体数。此外，我们引入了一种新的随机方法来模拟的SIS-流行病的TRG特征节点的基础上，根据他们的一组$\left(k_{in},k_{out}\right)$内的黑社会。在该模型中，网络的拓扑结构由有向三元模体的数量和局部结构给出，而不是由邻接矩阵给出。然而，模拟的结果是定性相似的NIMFA模型的结果。
2016-10-24 cs.SI physics.soc-ph
Interest communities and flow roles in directed networks: the Twitter network of the UK riots
方向性是许多复杂网络中的一个关键因素，在这些网络中，信息、能量或影响力得以传递。在这种有向网络中，分析流量（而不仅仅是连接的强度）对于揭示网络的重要特征至关重要，如果忽略连接的方向，这些特征可能会被忽略。我们在这里展示了一个基于流的方法，通过研究网络中最有影响力的Twitter用户在2011年英国骚乱的网络社区检测。首先，我们使用有向马尔可夫稳定性来提取网络在不同粗糙度下的兴趣社区描述，即，包含和加强信息流的节点组。这样的兴趣社区揭示了根据位置、职业、雇主和主题的用户分组。流的研究还使我们能够生成一个兴趣距离，这提供了一个个性化的网络中的注意力视图，从任何给定的用户的有利位置来看。其次，我们分析的配置文件的传入和传出的长距离流与基于角色的相似性和新的松弛最小生成树算法的组合方法，揭示了在网络中的用户可以分为五个角色。这些流角色超越了标准的领导者/追随者二分法，并且不同于基于常规/结构等同的分类。然后，我们表明，兴趣社区属于不同的信息组织特征的不同组合的用户角色，反映他们内部的对话质量。我们的通用框架可以用来提供洞察流是如何产生的，分布，保存和消费有向网络。
2014-10-08 cs.SI physics.soc-ph
Making Communities Show Respect for Order
在这项工作中，我们给出了一个社区检测算法，其中社区既尊重的内在顺序的有向无环图，也发现类似的节点。我们从文献计量学的经典相似性度量中汲取灵感，用于评估两种出版物的相似程度，基于它们的相对引用模式。我们研究了算法的性能和反链属性在人工模型和真实的网络，如引文图和食物网。我们展示了这种划分算法如何区分和分组相同来源的节点（在引文网络中，起源是一个主题或研究领域）。我们的分区算法和标准的分层工具，以及社区检测方法之间的比较。我们表明，我们的算法产生不同的社区从标准分层算法。
2020-03-11 cs.SI physics.soc-ph
Bayesian estimation of the latent dimension and communities in stochastic blockmodels
Imperial College London（帝国理工学院）
无向图的邻接矩阵或拉普拉斯矩阵的谱嵌入是在低维潜在空间中表示网络的常用技术，具有最佳理论保证。嵌入可以用来估计网络的社区结构，在随机块模型框架下具有强一致性结果。用于从谱嵌入进行社区发现的标准算法的主要实际限制之一是必须预先指定社区的数目和嵌入的潜在维度。在这篇文章中，提出了一种新的贝叶斯模型，同时和自动选择适当的尺寸的潜在空间和块的数量。扩展到有向图和二分图进行了讨论。该模型进行了测试模拟和真实世界的网络数据，表现出良好的性能恢复潜在的社区结构。
2020-05-28 cs.LG cs.SI stat.AP
A Unified Community Detection, Visualization and Analysis method
社会图中的社区发现一直以来都是研究者们关注的热点。随着社交网络在互联网上的广泛应用，它已成为一个重要的研究领域。大多数贡献集中在优化所谓的模块化功能的算法的定义。首先，兴趣仅限于单部图输入和分区社区输出。最近，二部图，有向图和重叠社区已被研究。很少有贡献同时包含这三种类型的节点。在本文中，我们提出了一种方法，统一的社区检测的三种类型的节点，并在同一时间合并分割和重叠的社区。此外，结果可视化的方式，他们可以分析和语义解释。为了验证，我们在众所周知的简单基准上实验这种方法。然后在三种情况下将其应用于实际数据。在两个带有标记的人的照片集的例子中，我们揭示了社交网络。第二类应用程序特别令人感兴趣。在将我们的方法应用于由神经科医生团队提供的人脑纤维束成像数据之后，我们根据其他众所周知的聚类方法产生白色纤维簇。此外，我们的方法可视化重叠集群可以更好地理解神经学家团队的结果。这些最后的结果开辟了应用社区发现方法在其他领域，如数据分析与原始增强性能的可能性。
2014-02-25 cs.SI physics.data-an physics.soc-ph
Escape times for subgraph detection and graph partitioning
我们提供了一个基于重排的算法快速检测$k$顶点的子图具有长逃逸时间的有向或无向网络。补充其他概念的dennial子图和图割，我们的方法是基于平均命中时间所需的随机步行者离开指定的集合，并击中补充。我们提供了一个新的松弛这个概念的命中时间在一个给定的子图，并使用该松弛构造一个快速的子图检测算法和推广到$K$分区计划。使用每个组件上的子图检测器的修改，我们提出了一个图形分区，识别区域的随机游走生活在一个很大的时间。重要的是，我们的方法隐含地尊重有向图的数据的有向性质，同时也适用于无向图。我们应用分区方法的社区发现的一大类模型和现实世界的数据集。
2022-12-25 cs.NA cs.SI math.NA
Move ordering and communities in complex networks describing the game of go
我们从复杂网络的角度来分析围棋博弈。我们构建了三个不同的有向网络的复杂性不断增加，定义节点作为本地模式的plaquettes的大小不断增加，和链接作为实际的继承这些模式在数据库中的真实游戏。我们讨论的特点，这些网络相比，其他类型的网络。我们探讨了网络的排名向量和社区结构，并表明这种方法可以提取具有共同战略属性的移动组。我们还研究了不同的网络，从游戏中建立不同级别的球员或从游戏的不同阶段。我们将讨论如何研究这些网络的社区结构可能有助于提高计算机模拟的游戏。更一般地说，我们相信这些研究可能有助于提高对人类决策过程的理解。
2014-05-23 cs.SI physics.soc-ph
LD-Leiden: Local Parallel Community Detection in Large Dynamic Networks
Lomonosov Moscow State University（莫斯科国立大学）；National Research University Higher School of Economics（俄罗斯国立高等经济大学）；Moscow Infocommunication Technology Laboratory（莫斯科信息通信技术实验室）
研究大型动态网络社区检测问题，提出LD-Leiden局部动态方法，通过特定规则和机制限制更新成本，在真实流和静态图实验中比其他算法速度更快且保持较高模块化比率。
2026-07-13 cs.DC cs.DM cs.SI
A Spectral Framework for Tracking Communities in Evolving Networks
University of Cambridge（剑桥大学）；University of Michigan（密歇根大学）
本研究提出一种基于格拉斯曼流形子空间追踪的谱框架，将静态谱社区检测方法推广到时变网络场景，通过块黎曼优化方案实现，在多种类型的合成与真实时序网络中均大幅提升了动态社区检测性能。
2024-12-10 cs.LG cs.SI stat.ML
A metric on directed graphs and Markov chains based on hitting probabilities
Univ. North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
本文提出了一种基于命中概率的度量，适用于遍历有限状态时齐马尔可夫链和有向图，能在$O(n^3)$时间内计算，对最短和平均游走距离不敏感，并展示了其在社区结构弱恢复、可视化和多尺度聚类等任务中的实用性。
2021-01-18 cs.LG cs.NA 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
