Hierarchical Community Detection in Bipartite Networks
University of Houston(休斯顿大学)
本文提出了一种基于模ularity的新型目标函数,用于双网络中的分层社区发现,通过可调分辨率参数揭示多尺度社区结构,适用于加权双网络。
2026-04-09 cs.SI physics.comp-ph
Enhancing Community Detection in Networks: A Comparative Analysis of Local Metrics and Hierarchical Algorithms
University of Granada(格拉纳达大学)
本研究针对网络社区检测算法复杂性的挑战,采用Girvan-Newman算法评估局部相似性度量,通过模块度和NMI在真实网络上的实验证明局部度量方法具有显著潜力。
2024-08-22 cs.LG cs.SI
Defining Least Community as a Homogeneous Group in Complex Networks
本文引入了最小社区的概念,即最小社区与随机图具有相同的同质性,并从同质性或异质性的角度提出了一种新的社区发现算法。基于这一概念,我们采用头/尾休息-一个新开发的分类方案的数据与重尾分布-并依赖于边缘介数给定其重尾分布迭代划分成许多异构和同质社区的网络。令人惊讶的是,任何自组织和/或自进化的大型网络的衍生社区都表现出非常惊人的幂律,这意味着小社区远远多于大社区。这种小东西比大东西多得多的概念构成了社区检测的一种新的基本思维方式。关键词:头/尾断裂,HT指数,缩放,K均值,自然断裂和分类
2015-02-23 cs.SI nlin.AO physics.soc-ph
Hierarchical benchmark graphs for testing community detection algorithms
层级组织是复杂系统的一个重要而普遍的特征;为了理解它们的组织,对描述其组成部分之间相互作用的底层(通常是复杂的)网络的研究起着核心作用。许多以前的工作已经表明,许多现实世界中的社会,生物和技术系统的网络呈现层次组织,往往在社区结构的层次结构的形式。为了测试不同的社区检测方法,已经提出了许多人工基准图,但是还没有开发出基准来彻底测试分层社区结构的检测。在本研究中,我们通过扩展基准图的Lancichinetti-Fortunato-Radicchi(LFR)系综来填补这一空缺,采用了Ravasz和Barabási提出的构建分层网络的规则。我们采用这个基准测试三个最流行的社区检测算法,并量化其准确性使用传统的互信息和最近推出的层次互信息。结果表明,Ravasz-Barabási-Lancichinetti-Ravasato-Radicchi(RB-LFR)基准产生了一个复杂的层次结构,构成了一个具有挑战性的基准考虑社区检测方法。
2017-08-23 cs.SI physics.soc-ph
When Does Bottom-up Beat Top-down in Hierarchical Community Detection?
École Polytechnique Fédérale de Lausanne(瑞士联邦理工学院洛桑分校)
本文研究了自底向上方法在分层社区检测中的优势,证明其在中间层次实现精确恢复的理论保证优于自顶向下方法。
2025-11-23 cs.LG cs.SI math.ST
Detecting Local Community Structures in Social Networks Using Concept Interestingness
University of Quebec in Outaouais(魁北克大学乌塔韦校区)
社会网络分析面临的一个关键挑战是设计一个有效和准确的社区发现过程,以发现内在结构和提取相关信息。在本文中,我们介绍了一种新的策略称为(COIN),利用概念感兴趣的措施来检测社区的基础上的概念格的网络建设。因此,与现成的社区发现算法不同,COIN利用从形式概念分析继承的相关概念特征来发现实质性的局部结构。在COIN的第一阶段,我们提取了捕获社交网络中所有派系和桥梁的形式概念。在第二阶段,我们使用稳定性指标,以消除社区之间的噪音桥梁,然后渗透相关的相邻集团。我们在几个真实世界的社交网络上的实验表明,COIN可以快速检测社区更准确地比现有的突出算法,如边缘介数,快速贪婪模块化,和信息地图。
2019-02-05 cs.AI cs.SI
Hierarchical mutual information for the comparison of hierarchical community structures in complex networks
对复杂网络的社区和模块结构的定量表征的追求产生了各种方法和算法来对不同的网络进行分类。然而,目前尚不清楚,如果这样的方法提供一致的,强大的和有意义的结果时,考虑作为一个整体的层次结构。部分问题是缺乏一个相似性的措施,比较分层社区结构。在这项工作中,我们通过引入{ \it层次互信息},这是一个传统的互信息的推广,并允许比较层次分区和层次社区结构的贡献。分层互信息的{ \it规范化}版本应该与传统的规范化互信息类似。在这里,分层互信息的正确行为是证实了大量的数值实验电池。实验进行人工层次,人工和经验网络的层次社区结构。此外,实验说明了层次互信息的一些实际应用。即对不同社团发现方法的比较,以及对网络层次模块结构的一致性、鲁棒性和时间演化性的研究。
2016-01-07 cond-mat.dis-nn cs.SI math-ph
On the use of local structural properties for improving the efficiency of hierarchical community detection methods
Universidad de Granada(格拉纳达大学)
社区发现是复杂网络分析中的一个基本问题。它类似于网络数据采掘中的聚类。在社区发现方法中,分层算法是流行的。然而,它们的迭代性质和需要重新计算用于分割网络的结构属性(即Girvan和Newman算法中的边缘介数),使它们不适合大型网络数据集。在本文中,我们研究了如何局部结构网络属性可以被用作代理,以提高层次社区发现的效率,而在同一时间,在模块化方面取得有竞争力的结果。特别是,我们研究了潜在的使用结构特性通常用于执行本地链接预测,一个监督学习问题,社区结构是相关的,因为节点很容易建立新的链接与其他节点在他们的社区。此外,我们检查网络修剪算法作为辅助策略的性能影响,以使分层社区发现更有效
2020-09-15 cs.LG cs.SI stat.ML
Hierarchical community structure in networks
RWTH Aachen University(亚琛工业大学);Maastricht University(马斯特里赫特大学)
本文针对网络中层次社区结构缺乏严格理论的问题,基于随机外部公平划分和随机块模型定义层次结构,并通过谱分析提出一种高效且有原则的层次检测方法。
2023-04-25 cs.LG cs.SI
Analysis of stability of community structure across multiple hierarchical levels
群落结构的稳定性分析一直是众多科学家关注的重要问题。在这里,我们提出了一个新的框架,揭示隐藏的社区结构的定量分析动力学的波茨模型。具体地说,我们用马尔可夫过程来模拟社区结构检测的Potts过程,这有一个明确的数学解释。关于多元自旋组态的临界拓扑信息也可以从马尔可夫过程的谱意义中推断出来。我们在一些示例网络上测试了我们的框架,发现它根本不存在确定性限制问题。结果表明,我们提出的模型能够有效地揭示不同尺度下的层次结构。
2015-03-27 cs.SI physics.soc-ph
Hierarchical community structure in complex (social) networks
网络中社区结构的研究在许多学科中是一项非常重要的任务,即物理学,社会学,生物学和计算机科学,其中系统通常表示为图。其中一个挑战是在没有全局信息的图中从局部视点找到局部社区,以便再现每个顶点的主观层次视觉。本文提出了一种信息动力学算法的改进,其中节点的标签传播基于认知启发约束下网络中的马尔可夫信息流\cite{Massaro2012}。在这个框架中,我们引入了两个更复杂的算法,使算法能够从一个源顶点或社区采用固定值的模型的参数来检测网络的多分辨率层次社区结构。实验结果表明,所提出的方法是有效的和良好的行为在现实世界和合成网络。
2014-03-10 cs.SI physics.soc-ph
Learning to Identify High Betweenness Centrality Nodes from Scratch: A Novel Graph Neural Network Approach
National University of Defense Technology(国防科技大学);University of California, Los Angeles(加州大学洛杉矶分校);Tsinghua University(清华大学);University of Pennsylvania(宾夕法尼亚大学)
介数中心性(BC)是网络分析中最常用的中心性度量之一,它试图用通过它们的最短路径的比例来描述网络中节点的重要性。它是许多有价值的应用程序的关键,包括社区发现和网络拆除。由于高时间复杂度,在大型网络上计算BC分数在计算上具有挑战性。为了加快BC的估计速度,已经提出了许多近似算法,这些算法主要是基于采样的。然而,这些方法仍然倾向于在大规模网络上执行相当长的时间,并且当网络结构发生微小变化时,它们的结果往往会恶化。在本文中,我们专注于识别图中具有高BC的节点,因为许多应用场景都是建立在检索具有top-k BC的节点上的。与以往的探试法不同,我们将此任务转化为一个学习问题,并设计了一个基于编码器-解码器的框架来解决这个问题。更具体地说,编码器利用网络结构将每个节点编码到嵌入向量中,嵌入向量捕获节点的重要结构信息。解码器将每个节点的嵌入向量转换为标量,该标量捕获该节点在BC方面的相对排名。我们使用成对排序损失来训练模型,以识别节点关于其BC的顺序。通过在小规模网络上进行训练,学习的模型能够为任何看不见的网络的节点分配相对BC分数,从而识别排名高的节点。在合成网络和真实网络上进行的综合实验表明,与代表性基线相比,我们的模型大大加快了预测速度,而准确性没有明显提高,并且在几个大型真实网络上的准确性优于最先进的模型。
2019-08-29 cs.LG cs.SI stat.ML
Hierarchical Single-Linkage Clustering for Community Detection with Overlaps and Outliers
Toronto Metropolitan University(多伦多都会大学)
本研究将HDBSCAN的层次单链接聚类算法应用于多种节点/边相似性评分,探究可检测含离群点社区的方法,实验证实该范式是图聚类的可行方向。
2025-09-02 cs.SI
Joint Learning of Hierarchical Community Structure and Node Representations: An Unsupervised Approach
University of Minnesota, Twin Cities(明尼苏达大学双城分校);Intel Labs(英特尔实验室)
图表示学习已经证明了在诸如跨一系列域的链接预测和节点分类等任务中的改进性能。研究表明,许多自然图可以组织在分层社区中,从而导致使用这些社区来提高节点表示质量的方法。然而,这些方法没有利用学习的表示来提高发现的社区的质量,并建立表示学习和社区发现的迭代和联合优化。在这项工作中,我们提出了Mazi,一个算法,共同学习的层次社区结构和节点表示的图形在一个无监督的方式。为了说明节点表示中的结构,Mazi在层次结构的每个级别上生成节点表示,并利用它们来影响原始图的节点表示。此外,在每一级的社区发现,同时最大化的模块性度量和最小化之间的距离表示的节点和它的社区。使用多标签节点分类和链接预测任务,我们评估我们的方法在各种合成和现实世界的图形,并证明,Mazi优于其他层次和非层次的方法。
2022-01-22 cs.LG cs.SI
A hybrid algorithm based on Community Detection and Multi-Attribute Decision-Making for Influence Maximization
影响力最大化问题试图确定一组K个节点,通过这些节点,影响力、疾病或信息的传播被最大化。通过寻找这样的集合来优化影响是一个NP难问题,也是复杂网络分析中的一个关键问题。本文提出了一种基于社区发现算法和多属性决策技术(TOPSIS)的贪婪混合算法--贪婪TOPSIS和基于社区(GTaCB)算法。本文简要介绍了社区发现和TOPSIS技术,并给出了算法的伪代码。然后,从扩散质量和扩散速度两个方面,将GTaCB算法与基于度中心性、贴近度中心性、介数中心性、PageRank和TOPSIS的几种著名的贪心算法进行了性能比较。为了评估GTaCB的性能,计算实验上九种不同类型的现实世界的网络提供。测试是通过一个著名的流行病扩散模型,即易感-感染-传播(SIR)模型。仿真结果表明,在大多数情况下,所提出的算法显着优于其他,主要是作为初始节点的数量或感染概率的增加。
2021-05-20 cs.SI
Performance of attack strategies on modular networks
复杂网络的脆弱性由于其在现实世界中的应用,近年来已成为复杂系统研究的一个热点。大多数真实的网络往往是非常脆弱的高介数自适应攻击。然而,最近的贡献表明,互联节点在网络的完整性和模块为基础的攻击的重要性相比,传统的恶意非自适应攻击出现了有前途的。在目前的工作中,我们深入探讨了与攻击过程相关的权衡,引入了一个广义的鲁棒性措施,并提出了一个攻击性能指标,该指标既考虑了网络对攻击的鲁棒性,又考虑了获得攻击目标节点列表所需的运行时间。此外,我们引入了失活点的概念,旨在标记网络停止正常工作的点。然后,我们的经验表明,非自适应基于模块的攻击比高程度和介数自适应攻击网络定义良好的社区结构和随之而来的高模块化。
2016-08-08 cs.SI physics.soc-ph
Linear-time Hierarchical Community Detection
图中的社区发现具有许多重要和基本的应用,包括在分布式系统、压缩、图像分割、分而治之的图算法(诸如嵌套解剖、文档和词聚类、电路设计等)中。寻找这些密集连接的区域的图仍然是一个重要的和具有挑战性的问题。大多数工作都集中在扩展现有的方法来处理大型图。这些方法通常将图划分为两个或更多个社区。在这项工作中,我们专注于分层社区发现问题(即,找到从最低粒度到最大粒度的密集社区结构的层级),并描述了一种方法,该方法相对于边的数量在线性时间内运行,因此对于大规模网络是快速和有效的。实验定量地证明了该方法的有效性。最后,我们展示了一个应用程序,它可视化大型网络与数十万个节点/链接。
2019-06-14 cs.DC cs.DS cs.SI
Hierarchical-Graph-Structured Edge Partition Models for Learning Evolving Community Structure
Great Bay Institute for Advanced Study(大湾区高等研究院);Great Bay University(大湾区大学);School of Computing and Information Technology(计算与信息技术学院)
提出一种基于 Poisson-gamma 边划分和层次图先验的动态网络模型,通过层次转移核建模潜在社区的演化与交互,在链路预测和社区检测任务上优于现有方法。
2024-11-18 cs.LG 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
Fast Heuristic Algorithm for Multi-scale Hierarchical Community Detection
复杂网络构成了诸如社交网络等许多复杂系统的主干。检测复杂网络中的社区结构是一项具有挑战性且计算量大的任务。在本文中,我们提出了HAMUHI-CODE,一种新的快速启发式多尺度层次社区发现算法的启发凝聚层次聚类技术。我们定义了一个新的结构相似度的顶点的基础上,经典的余弦相似性,通过删除一些顶点,以增加识别的概率,类间的边缘。然后,我们使用建议的结构相似性在一个新的凝聚层次算法,不合并的最大相似性的集群,在经典的方法,但合并任何集群,不符合参数化的社区定义与其最相似的相邻集群。该算法在计算所有相似聚类的同时,检查每个聚类是否满足参数化社区定义。它是在线性时间复杂度方面的集群在迭代。由于复杂网络是稀疏图,因此我们的方法HAMUHI-CODE在最坏情况下(如果集群成对合并)相对于输入大小具有超线性的时间复杂度,使其适合应用于大规模复杂网络。为了测试我们的算法的性能和效率,我们在真实世界和合成基准网络上进行了广泛的实验,并将其与几种最先进的基线算法进行了比较。
2017-07-07 cs.DS cs.SI
Hierarchical community detection via maximum entropy partitions and the renormalization group
本文提出层次聚类熵(HCE)框架,通过最大化熵与社区数目的权衡选择最优分辨率,无需边级统计,适用于多种聚类算法,在合成与真实网络中均能识别与真实结构一致的层次社区。
2025-08-06 cs.SI physics.data-an 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
Community detection in complex networks via node similarity, graph representation learning, and hierarchical clustering
Warsaw University of Technology(华沙理工大学);Deakin University(迪肯大学)
本文提出三种通用层次框架,结合节点相似性、图表示学习与层次聚类进行社区检测,实验表明其最佳组合性能媲美Leiden和Louvain算法,且能输出兼容的嵌套划分。
2026-11-04 cs.LG cs.SI
The impact of partially missing communities~on the reliability of centrality measures
网络数据通常不是无误差的,某些节点的缺失是一种非常常见的测量误差。研究表明,缺失节点会严重影响中心性度量的可靠性。本文研究了当缺失节点可能属于同一社区时中心性测度的可靠性。我们研究了五种常用的中心性度量在均匀网络和无标度网络中的行为。我们发现,中心性措施通常更可靠的情况下,失踪的节点很可能属于同一个社区比在节点失踪均匀随机。然而,在无标度网络中,当缺失节点更有可能属于同一社区时,介数中心性变得不那么可靠。此外,无标度网络中的中心性度量在社区结构较强的网络中更可靠。相比之下,我们没有观察到均匀网络的这种效应。我们的观察结果表明,缺失节点对中心性度量的可靠性的影响可能不像文献中所说的那样严重。
2017-09-20 cs.SI physics.soc-ph
Hierarchical Stochastic Block Model for Community Detection in Multiplex Networks
The University of California at Los Angeles(加利福尼亚大学洛杉矶分校);Federal University of Rio de Janeiro(里约热内卢联邦大学);The University of Notre Dame(圣母大学)
多路复用网络在许多领域变得越来越普遍,并且已经成为对真实网络的复杂性进行建模的强大工具。有一个关键的需求,为多路复用网络,可以考虑到跨不同层的潜在的依赖关系,特别是当目标是社区发现的推理模型。我们提出了一种新的和有效的贝叶斯模型,在多路复用网络中的社区发现有限的文献。我们的方法的一个关键特征是能够在不同的网络层对不同的社区进行建模。相比之下,许多现有的模型假设所有层都有相同的社区。此外,我们的模型自动在每一层选择必要数量的社区(通过真实数据示例验证)。这是有吸引力的,因为决定社区的数量是社区发现的一个具有挑战性的方面,特别是在多重设置中,如果允许社区跨层改变的话。借用分层贝叶斯建模的思想,我们使用分层Dirichlet之前跨层的社区标签建模,允许其结构中的依赖性。给定社区标签,假设每一层都有一个随机块模型(SBM)。我们开发了一个有效的切片采样器,用于采样社区标签的后验分布以及社区之间的链接概率。在这样做的过程中,我们解决了一些独特的挑战所带来的耦合复杂的可能性SBM与标签上的先验的层次性质。对模拟和真实数据进行了广泛的实证验证,证明了该模型优于单层替代方案的性能,以及发现真实网络中有趣结构的能力。
2023-02-12 cs.LG cs.SI stat.ME
Analyzing the network structure and gender differences among the members of the Networked Knowledge Organization Systems (NKOS) community
在本文中,我们从网络分析的角度分析了网络知识组织系统(NKOS)社区在2000年至2016年期间的主要研究成果。我们专注于在欧洲和美国NKOS研讨会上提出的论文,以及过去16年来关于NKOS的四个特刊。为此,我们已经生成了一个开放的数据集,“NKOS书目”,其中包括研究成果的书目信息。我们分析了这个社区的合著网络,结果是123篇论文,共有256位不同的作者。我们使用标准的网络分析措施,如度,介数和接近中心来描述NKOS数据集的合著网络。首先,我们研究网络随时间的全局性质。其次,我们分析了作者在NKOS网络中的中心地位。最后,我们调查了在这个社区的合作行为的性别差异。研究结果显示,除了学者的中心性差异外,他们更倾向于与同一机构或同一地理邻近的学者合作。我们还发现该社区女性的同性恋率较高。除了男性和女性在亲密度和集群方面的微小差异外,我们没有发现其他中心点有任何重大差异。
2018-03-12 cs.DL cs.SI
MCMC Louvain for Online Community Detection
我们介绍了一种新的算法的社区发现,动态维护社区结构的大型网络,随着时间的推移。该算法最大限度地提高了模块化指数由于一个随机层次聚类的基础上的蒙特卡罗马尔可夫链(MCMC)方法的建设。有趣的是,它可以被视为Louvain算法的动态化(参见Blondel et Al,2008),其中聚合步骤被分层工具概率取代。
2016-12-05 cs.SI physics.soc-ph stat.ML
Generalizing meanings from partners to populations: Hierarchical inference supports convention formation on networks
Princeton University(普林斯顿大学);Stanford University(斯坦福大学)
语言惯例的一个关键属性是,它们覆盖了整个说话者群体,使我们能够有效地与我们从未见过的人进行交流。与此同时,我们的语言使用在很大程度上是针对特定的伙伴的:我们知道,基于我们共同的历史,不同的人可能会对单词有不同的理解。这对关于惯例形成的叙述提出了挑战。代理人究竟是如何在保持合作伙伴特定知识的同时,实现整个社区期望的推理飞跃的?我们提出了一个分层贝叶斯模型来解释如何扬声器和听众解决这个归纳问题。为了评估我们的模型的预测,我们进行了一项实验,参与者在一个小社区中与不同的合作伙伴玩扩展的自然语言交流游戏。我们研究了几种泛化措施,并找到了区分我们的模型与替代方案的合作伙伴特异性和社区融合的关键签名。这些结果表明,合作伙伴的特异性不仅是兼容的社区范围内的公约的形成,但可能会促进它时,加上一个强大的诱导机制。
2020-05-30 cs.CL cs.SI
On Comparing and Enhancing Common Approaches to Network Community Detection
在这项工作中,我们探讨了四种常见的算法社区发现在网络中,即凝聚层次聚类,分裂层次聚类(Girvan-Newman),Fastgreedy和鲁汶方法。我们研究了它们的机制,并比较了它们在标准数据集上聚类行为的实现和结果方面的差异。我们进一步提出了一些增强这些算法,在我们的评估中显示出有希望的结果,如邻居矩阵构造的自邻居,鲁汶方法的确定性稍快的版本,有利于更大的集群和各种实现变化的Fastgreedy算法。
2021-08-30 cs.SI
Novel Edge and Density Metrics for Link Cohesion
Johns Hopkins University Applied Physics Laboratory(约翰斯·霍普金斯大学应用物理实验室)
我们提出了一个新的度量链接凝聚力的强度,在复杂的,高度连通的图测量的边缘。链路内聚性考虑了局部小跳连接和关联节点度,并且可以用于支持边评分和图简化。我们还提出了一种新的图密度度量来估计节点间的平均凝聚力。链接凝聚力和密度的措施来证明社区发现通过图稀疏化最大化图密度。链接的凝聚力也被证明是松散相关的边缘介数中心。
2020-03-06 cs.LG cs.SI
ModuLand plug-in for Cytoscape: determination of hierarchical layers of overlapping network modules and community centrality
ModuLand插件为Cytoscape用户提供了一种算法,用于确定广泛重叠的网络模块。此外,它还识别了模块的几个分层,其中较高分层的元节点表示较低层的模块。该工具分配模块核心,预测整个模块的功能,并确定桥接两个或多个模块的关键节点。该插件具有详细的基于JAVA的图形界面,带有各种颜色选项。ModuLand工具可以在Windows,Linux或Mac OS上运行。我们展示了它在蛋白质结构和代谢网络上的使用。可用性:插件及其用户指南可以从http://www.linkgroup.hu/modules.php免费下载。联系方式:csermely. med.semmelweis-univ.hu补充信息:补充信息可在生物信息学在线获得。
2012-12-02 cond-mat.dis-nn cs.SI physics.comp-ph
The Multi-granularity in Graph Revealed by a Generalized Leading Tree
网络具有层次性特征,如何有效地揭示网络的层次性特征是网络结构研究中的一个难题。如果一个节点被分配到它所属的社区,如何将该社区分配到它所属的更高级别的社区是一个问题。在本文中,数据点的密度进行了研究的聚类任务的基础上。通过形成数据点的密度,构造数据点的层次差异。结合数据点之间的距离,可以构建基于密度的引导树。但是在图结构中,构建一个引导树来揭示图上节点的层次关系是一个问题。本文在基于密度的树形成方法的基础上,将导树模型扩展到图节点的层次结构,讨论了图节点的重要性,形成了一棵能够揭示图节点层次结构和社区依赖关系的导树。在真实数据集上进行了实验,实验中形成了一个树结构。该图引导树能很好地揭示图结构中的层次关系。
2020-03-05 cs.SI physics.soc-ph
Self-falsifiable Hierarchical Detection of Overlapping Communities On Social Networks
任何社区发现算法都不可能对所有可能的网络都是最优的,因此识别该算法是否适用于给定的网络是很重要的。我们提出了一个多步骤的算法解决方案重叠社区发现的基础上,先进的标签传播过程,它模仿社区形成过程的社交网络。我们的算法是无参数的,并且能够揭示图中社区的层次顺序。我们的解决方案的独特属性是自证伪性;检测后进行自动质量检查的结果,并报告了特定网络的算法的适应性。大量的实验表明,我们的算法是自洽的,可靠的网络范围广泛的大小和不同的种类,是更强大的比现有的算法在稀疏和大规模的社交网络。结果进一步表明,我们的解决方案可以揭示网络的内在社区结构的功能。
2019-12-05 cs.SI cs.SY eess.SY
Identification of highly susceptible individuals in complex networks
在传播过程中识别高易感个体对控制疫情具有重要意义。在本文中,我们探讨了易感性的人在易感染恢复(SIR)和谣言传播动力学。我们首先研究社区结构对人们易感性的影响。尽管在相同的感染率下,社区结构可以减少感染种群,但它不会确定性地影响节点的敏感性。我们发现个体的易感性对传播动力的选择是敏感的。对于SIR传播,由于敏感度与节点的影响力高度相关,因此拓扑指标k-shell可以更好地识别高度敏感的个体,优于度,介数中心性和PageRank。而在谣言传播模型中,节点的敏感性和影响力没有明显的相关性,度在所考虑的拓扑度量中表现最好。我们的发现强调了拓扑特征和传播机制在识别高度易感人群中的重要性。
2015-04-27 cs.SI physics.soc-ph
BL-ECD: Broad Learning based Enterprise Community Detection via Hierarchical Structure Fusion
公司的员工可以被划分为不同的社区,那些经常相互交往的人将被视为亲密的朋友,并被分组在同一个社区。在企业环境中,关于雇员的大量信息在(1)在线公司内部源和(2)在线企业社交网络(ESN)两者中可用。每个信息源还同时包含多个类别的员工社会化活动。在本文中,我们提出了检测的社会社区的员工在公司的基础上广泛的学习与这些在线和在线的信息源,并正式称为“广泛的学习为基础的企业社区发现“(BL-Ecd)问题。为了解决这个问题,本文提出了一种新的基于广泛学习的社区发现框架“HeterogeneoUs Multi-sourceDetecteRing”(Humor)。基于本文介绍的各种企业社会亲密度测量方法,Humor分别检测了一组基于每种社会化活动的员工微观社区结构。为了获得公司中员工的(全球)一致的社区结构,Humor通过两个广泛的学习阶段进一步融合这些微社区结构:(1)微社区结构的内部融合,以分别获得在线和在线(本地)一致的社区,以及(2)在线和在线社区的相互融合,以实现员工的(全球)一致的社区结构。在真实企业数据集上进行的大量实验表明,我们的方法可以很好地解决BL-Ecd问题。
2017-11-26 cs.DB cs.SI
Community Quality and Influence Maximization: An Empirical Study
CRIL, University of Artois and CNRS(阿图瓦大学与法国国家科学研究中心CRIL实验室)
本文研究了社区质量对影响力最大化的影响,提出了一种基于高质量社区结构的种子选择方法,实验证明高质量社区能显著提升信息扩散效果。
2025-12-01 cs.AI cs.SI
Centrality in Modular Networks
由于网络的广泛应用,如加速信息扩散或阻止病毒传播,识别网络中的有影响力的节点是一个基本问题。多年来,出现了许多基于网络拓扑结构的度量方法来识别有影响力的节点,如介数、接近度和特征值中心性。然而,尽管大多数现实世界的网络都是模块化的,但很少有措施利用这一特性。最近的工作表明,它对网络上的动力学有显着的影响。在模块化网络中,节点有两种类型的影响力:通过其社区内链接的局部影响力(对其社区的节点)和通过其社区间链接的全局影响力(对其他社区中的节点)。根据社区结构的强度,这两个组成部分或多或少都有影响力。基于这一思想,我们提出了扩展所有的标准中心性措施定义的网络没有社区结构的模块化网络。所谓的“模块中心性”是一个二维的向量。它的第一个组件量化了节点在其社区中的局部影响力,而第二个组件量化了其对网络其他社区的全球影响力。为了说明模块中心性扩展的有效性,与标量对应的传染病过程设置进行比较。模拟结果使用易感-感染-被感染(SIR)模型的合成网络与控制的社区结构,可以得到一个清晰的想法社区结构的强度和主要类型的影响(全球/本地)之间的关系。此外,在真实网络上的实验证明了这种方法的优点。
2018-10-12 cs.SI physics.soc-ph
Map Equation Centrality: Community-aware Centrality based on the Map Equation
为了衡量节点的重要性,网络科学家使用中心性分数,通常从微观或宏观的角度,依赖于节点特征或全局网络结构。然而,传统的中心性度量,如度中心性,介数中心性或PageRank,忽略了现实世界中的社区结构。为了从中观的角度研究基于网络流量的节点重要性,我们解析地推导出一个基于网络流量的社区感知信息理论中心性得分和映射方程背后的编码原则:映射方程中心性。地图方程中心性测量我们可以通过不对到相应节点的随机步行器转换进行编码,使用自适应编码方案并从基于网络流的角度确定节点重要性来进一步压缩网络的模块化描述。信息理论中心性度量可以单独从节点的本地网络上下文确定,因为编码方案的改变仅影响同一模块中的其他节点。地图方程中心性对所选择的网络流模型是不可知的,并允许研究人员选择最能反映所研究过程动态的模型。应用于合成网络,我们强调我们的方法如何使节点之间的更细粒度的区别比节点本地或网络全球的措施。预测有影响力的节点在现实世界的网络上的两个不同的动态过程与传统的和其他社区意识的中心性措施,我们发现,激活节点的基础上地图方程中心性分数往往会创建一个线性阈值模型中最大的级联。
2022-08-17 cs.SI physics.soc-ph
$α$-Satellite: An AI-driven System and Benchmark Datasets for Hierarchical Community-level Risk Assessment to Help Combat COVID-19
新型冠状病毒及其致命疫情给人类社会带来了巨大挑战:截至2020年3月26日,美国已有85,377例确诊病例,1,293例报告死亡;世界卫生组织(WHO)将冠状病毒疾病(COVID-19)--已在至少171个国家感染了超过531,000人,造成超过24,000人死亡--这是一场全球大流行病。越来越多的地区报告出现地方性的次国家社区传播,这将意味着抗击新型冠状病毒的斗争出现重大恶化,这表明迫切需要扩大监测,以便我们能够更好地了解COVID-19的传播情况,从而更好地采取可行的社区缓解策略。通过提高人工智能(AI)的能力,并利用从异构源(例如,在这项工作中,我们提出并开发了一个人工智能驱动的系统(名为$α$ -Satellite),作为初步产品,以提供分层的社区级风险评估,以协助制定应对快速发展的COVID-19大流行的战略。更具体地,给定特定位置(用户输入或自动定位),所开发的系统将以分层方式自动提供与其相关联的风险指数(例如,州、县、市、具体地点),使个人能够选择适当的保护行动,同时尽可能减少对日常生活的干扰。已开发的系统和生成的基准数据集已通过我们的网站向公众开放。系统说明和免责声明也可在我们的网站上找到。
2020-03-27 cs.CY cs.SI q-bio.PE
Inferring hierarchical structure of spatial and generic complex networks through a modeling framework
我们最近的论文[Grauwin et al. Sci. Rep. 7(2017)]表明,人类互动网络的社区和层次结构在很大程度上决定了最小的,在建模时应该考虑到它们。在本概念验证预印本中,考虑了相反的问题:是否可以推断出层次结构本身与网络模型最佳对齐?通过基于层次和(如果定义)地理距离的模型,为空间网络和一般的复杂网络提供了推理机制。该机制允许在复杂网络中以任何期望的分辨率发现分层和社区结构,特别是空间网络的空间独立结构。以美国州际人口迁移网络为例说明了该方法。
2017-12-15 cs.SI physics.soc-ph
ComNetX: Local Hierarchical Adaptation for Dynamic Community Detection
AI Research Center, Lomonosov Moscow State University(莫斯科罗蒙诺索夫国立大学AI研究中心)
ComNetX是与求解器无关的局部动态社区检测框架,通过多级社区状态的闭合与收缩实现高效更新,在保留求解器质量的同时大幅降低大图更新时间,适配多种后端模型。
2026-08-19 cs.AI cs.LG cs.SI
Data on face-to-face contacts in an office building suggests a low-cost vaccination strategy based on community linkers
关于社会环境中个体之间接触的经验数据在为描述人类行为和流行病如何在人群中传播的模型提供信息方面发挥着重要作用。在这里,我们分析了在办公楼里收集的面对面接触的数据。联系人的统计特性与其他社会情况相似,但在联系网络结构中观察到重要差异。特别是,接触网络是由部门中的办公室组织强烈塑造的,这对设计精确的基于代理的流行病传播模型产生了影响。我们认为接触网络是传染病传播的潜在基质,并表明其稀疏性往往可以防止快速传播的流行病爆发。此外,我们定义了三个典型的行为,根据分数$f$的链接每个人的份额以外的自己的部门:居民,流浪者和链接。连接器($f\sim 50\%$)充当网络中的桥梁并且具有大的介数中心性。因此,靶向接头的疫苗接种策略有效地防止了大规模爆发。由于这种行为可能在办公室的组织中或从调查中被先验地发现,而不完全了解时间分辨的接触网络,因此该结果可以帮助设计高效、低成本的疫苗接种或社交距离策略。
2015-02-05 cs.SI physics.soc-ph
Sustainable Online Communities Exhibit Distinct Hierarchical Structures Across Scales of Size
在线社区以多种形式和规模存在,对个人和组织具有相当大的影响力。然而,对于为什么一些在线社区是可持续的,而另一些则不复存在,人们的见解有限。我们发现,社区,未能保持一个典型的分层的社会结构,跨规模的凝聚力平衡不生存,可以区分社区表现出这种平衡,并在长期内占上风。此外,在对10,122个真实在线社区(共有134,747名成员)的分析中,我们发现,在其生命周期的前30天绘制社区社交圈结构足以预测社区未来10年的生存。通过改变校准时间框架,允许预测能力的社会结构的各个方面在社区生命的最初几个月内出现并固定。
2018-03-20 cond-mat.stat-mech cs.SI physics.soc-ph
Hierarchical organization of H. Eugene Stanley scientific collaboration community in weighted network representation
通过映射当代社会互动的最先进的元素,世界科学合作网络发展了一个极其复杂的组织。这种异质性的选择特征进行了研究,并确定了重点放在科学合作社区的H。尤金·斯坦利-目前世界上最多产的学者之一。基于截至2016年3月28日的Web of Science记录,构建了几种网络变体。结果发现,斯坦利#1网络-这在类比的Erdos的# -发展了一个很大程度上一致的层次结构和斯坦利自己遵守规则的相同层次结构。然而,这仅在加权网络表示中看到。当这样的加权网络的发展,现有的相关模型表明,权重的传播得到刺激的乘法突发在相邻的节点,这导致它们之间的互连的平衡增长。虽然不是斯坦利独有的,但这种行为并不是一种规则。在这里研究的其他杰出学者的网络更经常发展成一种星状形式,中心枢纽构成了离群点。这项研究的补充频谱分析的归一化拉普拉斯矩阵来自相应的网络的加权变体,除其他外,它指出了这样一个程序的效率,用于确定组件社区和它们之间的关系在复杂的加权网络。
2017-10-16 cs.SI physics.soc-ph q-fin.CP
Sensitivity and Reliability in Incomplete Networks: Centrality Metrics to Community Scoring Functions
网络分析是理解相互作用实体的复杂系统的行为的重要工具。然而,由于数据收集技术的限制,网络模型中可能会缺少一些交互。这是一个在所有使用网络分析的领域中普遍存在的问题,从社交网络到超链接网络到生物网络。因此,分析网络的一个重要问题是了解增加噪声水平(即丢失边缘的百分比)如何影响不同的网络参数。在本文中,我们评估了噪声对社区评分和基于中心的参数的影响,涉及网络分析的两个不同方面:(i)灵敏度,即参数值如何随着边缘被移除而变化;(ii)消息传播的可靠性,即广播消息所需的时间如何随着边缘被移除而变化。我们在合成网络和真实世界网络以及三种不同噪声模型上的实验表明,对于所有网络和所有噪声模型的两个方面,持久性都是最有效的度量标准。对于敏感性实验,接近中心性是第二位的。对于消息传播实验,基于接近性和介数中心性的发起者选择与持久性密切竞争。这是因为持久性具有双重特性,其中所有顶点上的累积持久性对噪声敏感,但用于在消息传播期间寻找种子的顶级顶点的id在噪声下保持相对稳定。
2016-08-24 cs.SI physics.soc-ph
Modularity maximization and community detection in complex networks through recursive and hierarchical annealing in the D-Wave Advantage quantum processing units
Sano Centre for Computational Medicine(Sano计算医学中心);AGH University of Krakow, Faculty of Computer Science(克拉科夫AGH科技大学计算机学院);Academic Computer Center Cyfronet AGH(AGH学术计算中心Cyfronet)
本文提出了一种基于递归和层次退火的纯量子退火方法,用于在复杂网络中发现社区结构,通过递归处理实现可解释的解决方案,为网络科学和量子计算的结合提供了新方向。
2026-01-30 cs.SI math.CO physics.soc-ph
Uncovering nodes that spread information between communities in social networks
从在线社交网络中收集的许多数据集中,已经观察到定义明确的社区结构。大量的用户参与这些网络,所产生的图形的大小带来了计算上的挑战。在识别负责社区之间信息流的节点方面有特别的需求;例如,在时间Twitter网络中,当社区之间的连接稀疏并且不同节点集群之间存在很少的边缘时,社区之间的边缘在传播活动峰值方面发挥着关键作用。这里提出的新算法的目的是通过测量一个节点到另一个社区节点的邻近程度来揭示这些关键连接。我们看看在一个以上的社区和他们周围的节点,影响接收到的信息和广播给他们的地方的边缘的节点。该方法依赖于一个选定的固定数量的步骤,从一个以上的社区与边缘的节点起源的独立随机游走。对于我们所考虑的大型网络,现有的度量(如介数中心性)很难计算,即使使用最新的方法来近似所需的大量操作。因此,我们设计了一种算法,可扩展到当前的大数据需求的需求,并有能力利用并行处理能力。新算法在合成数据上进行了说明,可以仔细判断结果,也可以在真实的大规模Twitter活动数据上进行说明,可以获得新的见解。
2014-01-14 cs.SI physics.soc-ph
CommunityFish: A Poisson-based Document Scaling With Hierarchical Clustering
Universität Hamburg(汉堡大学)
本文提出CommunityFish,一种基于层次聚类(Louvain算法)的Wordfish增强版本,通过生成语义社区作为输入,提升文档缩放的可解释性与速度,并在美国国情咨文和德国政党宣言语料上优于经典模型。
2023-08-28 cs.CL cs.LG cs.SI
Resolution limit revisited: community detection using generalized modularity density
近年来,通过在检测算法中考虑模块性度量的变体,已经进行了各种尝试来解决社区检测中的分辨率限制(RL)问题。据称,这些指标在很大程度上缓解了RL问题,并且在许多现实场景中优于模块化。然而,它们通常不适合分析加权网络或检测分层社区结构。然而,分辨率极限问题可能很复杂,特别是不清楚何时应该将其视为问题。在本文中,我们引入了一个度量,我们称之为广义模块密度$Q_g$,消除了RL问题在任何所需的分辨率,很容易扩展到研究加权和分层网络。我们还提出了一个基准测试,以量化的分辨率限制问题,检查各种模块化的指标,以表明新的度量$Q_g$表现最好,并表明$Q_g$可以识别模块化结构,在现实世界和人工网络,否则隐藏。
2020-12-29 cond-mat.stat-mech cs.DM cs.SI
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
Kaleidoscopic reorganization of network communities across different scales
本研究揭示网络社区随尺度变化呈现分裂与合并并存的重组现象,通过数学论证、真实网络分析和简单模型,指出需转变研究范式以理解其真实结构。
2025-01-21 cond-mat.stat-mech cs.SI physics.soc-ph
An Investigation into the Causal Mechanism of Political Opinion Dynamics: A Model of Hierarchical Coarse-Graining with Community-Bounded Social Influence
本研究提出基于社区边界社会影响的分层粗粒化模型,利用CODA模型模拟政治舆论动态,发现高层次连通性通过向下因果驱动全局共识,为理解极化现象提供了新视角。
2025-04-03 cs.MA cs.SI
Community detection based on "clumpiness" matrix in complex networks
利用网络的“丛度”矩阵,提出了一种识别网络社团结构的方法。一个“投影空间”是由团块矩阵的特征向量构造的,并且在该空间中使用某种角距离定义边界线。使用这种边界和/或分层聚类方法来识别网络的社区结构。我们的算法的性能进行了测试,在一些计算机生成的和真实世界的网络。使用归一化互信息检查结果的准确性。本文还讨论了群落大小异质性对方法精度的影响。
2011-11-06 cs.SI physics.soc-ph
Model of communities isolation at hierarchical modular networks
本文将社区隔离模型扩展至层次模块化网络,揭示阻塞节点数的幂律增长及首个孤立簇出现时间的单峰非高斯分布,且解析结果与模拟一致。
2011-06-02 cs.SI physics.soc-ph