多重双极模糊测度：在具有附加信息的网络社区检测问题中的应用

从模糊信息到社区检测：一种带有软信息的社会网络分析方法

From fuzzy information to community detection: an approach to social networks analysis with soft information

本文提出一种利用模糊集建模软信息并融合网络数据的新方法，用于社区检测，通过构建模糊测度和高效算法，在基准测试中取得高质量结果。

网络中的模糊重叠社区

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。

基于集成的网络不相交、重叠和模糊社团结构发现

Ensemble-Based Discovery of Disjoint, Overlapping and Fuzzy Community Structures in Networks

虽然数据采掘中的集成聚类已经做了大量的工作，但集成方法在网络社区发现中的应用还处于起步阶段。在本文中，我们提出了两种集成方法：ENDISCO和MEDOC。ENDISCO执行不相交的社区发现。相比之下，MEDOC执行不相交，重叠，和模糊社区发现，并代表了第一次集成方法模糊和重叠社区发现。我们运行广泛的实验，这两种算法对合成和几个真实世界的数据集，社区结构是已知的。我们表明，ENDISCO和MEDOC都击败了最著名的现有独立的社区发现算法（虽然我们强调，他们利用他们）。在不相交的社区发现的情况下，我们表明，ENDISCO和MEDOC击败现有的集成社区发现算法无论是在多个准确性措施和运行时间。我们进一步表明，我们的集成算法可以帮助探索网络社区的核心-外围结构，识别动态网络中的稳定社区，并帮助解决“解的退化”问题，产生强大的结果。

Neo4j中模糊图社区发现算法的转换

On converting community detection algorithms for fuzzy graphs in Neo4j

大规模自由图的一个基本特征，如网络，蛋白质与蛋白质的相互作用，大脑连接和社交媒体图，是它们倾向于形成递归社区。后者是密集连接的顶点簇，表现出快速的本地信息传播和处理。在模糊图模型下，顶点是固定的，而每条边根据隶属函数以给定的概率存在。本文提出了模糊Walktrap和模糊纽曼-Girvan，模糊版本的两个既定的社区发现算法。所提出的算法已被应用到合成图生成的克罗内克模型与不同的终止标准和结果进行了讨论。

A Fuzzy Community-Based Recommender System Using PageRank

Recommendation systems are widely used by different user service providers specially those who have interactions with the large community of users. This paper introduces a recommender system based on community detection. The recommendation is provided using the local and global similarities between users. The local information is obtained from communities, and the global ones are based on the ratings. Here, a new fuzzy community detection using the personalized PageRank metaphor is introduced. The fuzzy membership values of the users to the communities are utilized to define a similarity measu…

模糊重叠社区质量评价

Fuzzy Overlapping Community Quality Metrics

模块性被广泛用于有效地度量由社区发现算法发现的不相交社区结构的强度。提出了几种模块度的重叠扩展来度量重叠社区结构的质量。然而，所有这些扩展的不同之处仅在于它们定义归属系数和归属函数的方式。然而，缺乏对不同扩展的系统比较。为了填补这一空白，我们概述了重叠的模块化扩展，并将其推广到一个统一的定义，使不同的归属系数和归属函数的应用程序，以选择最好的。此外，我们扩展了本地化的模块化，模块化密度，和八个本地社区质量指标，使他们的使用重叠的社区。在大量的真实网络和合成网络上使用重叠扩展模块性、重叠模块性密度和局部度量的实验结果表明，当使用两个节点的归属系数的乘积作为归属函数时，获得了最好的结果。此外，研究结果可用于指导研究人员在测量重叠社区结构的质量时采用哪些指标。