Less is More: Simple yet Effective Heuristic Community Detection with Graph Convolution Network
College of Physics and Information Engineering, Minnan Normal University(闽南师范大学物理与信息工程学院)
本文提出一种无需数据增强和对比优化的简单社区检测算法,通过预检测提取全局结构、用GCN融合局部结构与属性特征,并结合模块度最大化实现自适应、高效准确的社区发现。
2025-01-22 cs.SI
We Are in This Together: Quantifying Community Subjective Wellbeing and Resilience
University of Michigan(密歇根大学);University of Minnesota(明尼苏达大学)
COVID-19大流行扰乱了世界各地每个人的生活。在这项工作中,我们描述了美国112个城市在疫苗可用之前的大流行期间的主观幸福感模式,如与城市相对应的subreddits所示。我们使用积极和消极的影响来量化主观幸福感。然后,我们衡量流行的影响,通过比较社区的观察到的福祉与其预期的福祉,预测的时间序列模型从流行病之前,我们表明,反映在语言中的一般社区特征可以预测社区的弹性。我们根据\textit{before}流行正常时期的语言和互动特征,预测流行将如何影响每个社区的福祉。我们发现,具有与更紧密联系的用户和更高参与度相对应的交互特征的社区不太可能受到显着影响。值得注意的是,我们发现,更多地谈论社交关系的社区通常是亲身经历的,例如朋友,家人和从属关系,实际上更有可能受到影响。此外,我们还使用相同的特征来预测每个社区在大流行最初爆发后的恢复速度。我们同样发现,更多地谈论家庭、从属关系和作为群体一部分的社区恢复较慢。
2022-08-23 cs.CL cs.SI
META-CODE: Community Detection via Exploratory Learning in Topologically Unknown Networks
Yonsei University(延世大学);Posts and Telecommunications Institute of Technology(邮电技术学院)
在社交网络中发现社区结构作为各种网络分析任务的基本问题已经获得了相当大的关注。然而,由于隐私问题或访问限制,网络结构通常是未知的,从而使得建立的社区发现方法在没有昂贵的数据采集的情况下无效。为了应对这一挑战,我们提出了META-CODE,这是一种新型的端到端解决方案,用于通过易于收集的节点元数据辅助的探索性学习来检测具有未知拓扑的网络中的重叠社区。具体来说,META-CODE由三个步骤组成:1)初始网络推理,2)基于我们新的重建损失训练的图神经网络(GNN)的节点级社区联系嵌入,以及3)通过基于社区联系的节点查询进行网络探索,其中步骤2和3迭代执行。实验结果表明,META-CODE表现出(a)优于基准方法重叠社区发现,(b)我们的训练模型的有效性,(c)快速网络探索。
2022-08-23 cs.AI cs.IR cs.LG
Want to bring a community together? Create more sub-communities
了解重叠的社区结构对于网络分析和预测至关重要。关联图模型(Affiliation Graph Model,AGM)是解释密集重叠群落结构的最常用模型之一。在本文中,我们彻底重新研究了AGM模型在真实数据集上所做的假设。我们发现,AGM模型是不足以解释流行的现实世界的网络中观察到的几个经验行为。令人惊讶的是,我们所有的实验结果都可以用一个无参数假设来解释,这使得建模比AGM更简单,因为AGM有很多参数。基于这些研究结果,我们提出了一个无参数的Jaccard为基础的关联图(JAG)模型,该模型的边缘作为一个网络特定的常数倍的Jaccard与个人相关的社区集之间的相似性的概率。我们的建模比AGM简单得多,它消除了将参数(概率值)与每个社区相关联的需要。此外,JAG模型自然地解释了为什么(以及实际上何时)重叠的社区密集连接。基于这些观察,我们提出了一个新的社区驱动的友谊形成过程,数学恢复的JAG模型。JAG是第一个指出给定社区中的紧密连接与其中重叠社区的数量之间存在直接因果关系的模型。因此,\emph{the most effective way to bring a community together is to form more sub-communities within it.}基于我们建模的社区发现算法与现有的基于链接分析的方法相比,在六个真实世界的网络数据集上展示了一个非常…
2018-07-13 cs.SI physics.soc-ph
Hide and Seek: Outwitting Community Detection Algorithms
IIIT-Delhi(德里印度信息技术学院)
节点的社区归属在确定其在网络中的上下文位置方面起着重要作用,这可能会在敏感节点想要在网络中隐藏其身份时引起隐私问题。通常,目标社区寻求保护自己免受对手的攻击,以便其组成成员仍然隐藏在网络中。目前的研究重点是隐藏这样的敏感社区,使社区成员的目标节点可以被隐藏。这导致了社区欺骗的问题,该问题调查了网络中最小化重新布线节点的途径,使得给定的目标社区最大限度地隐藏于社区发现算法之外。我们正式的社区欺骗的问题,并介绍神经,一种新的方法,greetly优化以节点为中心的目标函数,以确定重新布线策略。理论设置对可用于优化目标函数的策略的数量进行了限制,这反过来又减少了从多个选项中选择最佳策略的开销。我们还表明,我们的目标函数是次模和单调。当在合成网络和7个真实网络上进行测试时,NEURAL能够欺骗6个广泛使用的社区发现算法。我们将其性能与4个评估指标上的4种最先进的方法进行基准测试。此外,我们对其他3个真实世界网络的定性分析表明,NEURAL非常引人注目地捕获了关于边的重要元信息,这些信息无法通过仅观察其拓扑结构来推断。
2021-02-22 cs.LG 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
STEC-Net: A Spatiotemporal Graph Neural Framework for Community Discovery in Dynamic Social Networks
Southern Methodist University(南方卫理公会大学);Qilu Bank(齐鲁银行)
提出STEC-Net,一种集成图卷积网络、门控循环单元和自组织映射的时空图神经框架,用于动态社交网络中的社区发现,在多种动态网络上优于传统方法。
2026-05-22 cs.SI
MNTD: An Efficient Dynamic Community Detector Based on Nonnegative Tensor Decomposition
本文提出MNTD模型,通过融合模块度最大化的非负张量RESCAL分解提取时序社区结构并优化划分,解决了非负矩阵分解无法刻画动态网络时序变化的问题,在真实数据集上检测准确性优于现有方法。
2024-07-26 cs.CY cs.SI
Comprehensive, Efficient Large-Scale Community Detection via Structural Entropy Game
Kunming University of Science and Technology(昆明理工大学);Yunnan Key Laboratory of Artificial Intelligence(云南省人工智能重点实验室);Beihang University(北京航空航天大学);University of Illinois at Chicago(伊利诺伊大学芝加哥分校)
该研究针对大规模网络社区检测难题,提出CoDeSEG算法,通过在潜在博弈框架内最小化二维结构熵识别社区,引入基于结构熵的节点重叠启发式方法及自适应社区更新策略,在多项社区检测任务中性能达最优,检测效率显著提升。
2026-07-17 cs.SI
A Unified Framework for Exploratory Learning-Aided Community Detection Under Topological Uncertainty
Yonsei University(延世大学);Zhejiang Institute of Optoelectronics(浙江光电研究所);Zhejiang Normal University(浙江师范大学)
本文提出统一框架 META-CODE,在网络拓扑未知或部分已知时,结合节点元数据、图神经网络嵌入、节点查询探索和孪生网络推断,迭代检测重叠社区,并在多个真实数据集上验证了其显著优于基准方法。
2025-05-06 cs.IR cs.LG cs.NE
Evading Community Detection via Counterfactual Neighborhood Search
Sapienza University of Rome(罗马第一大学)
本文提出一种基于深度强化学习的反事实邻域搜索方法,通过策略性修改网络结构隐藏目标节点的社区成员身份,在准确性与成本之间取得最佳平衡。
2024-06-07 cs.AI cs.LG cs.SI
Overlapping Community Detection in Temporal Text Networks
Shanghai Jiaotong University(上海交通大学)
基于相同的属性、功能或节点之间的连接来分析网络中的组是理解网络信息的一种方式。发现一系列节点组的任务称为社区发现。通常,可以利用两种类型的信息来完成该任务,即,链接结构和节点属性。时间文本网络是一种包含两种信息源的特殊网络。典型的代表包括在线博客网络、万维网(WWW)和学术引文网络。本文研究时态文本网络中的重叠社区发现问题。通过对32个大型时态文本网络的分析,我们发现了大量连接两个没有共同社区的节点的边,并发现同一社区中的节点共享相似的文本内容。实际上,所有现有的社区发现方法都不能对这种情况进行定量建模。出于这些经验的观察,我们提出了MAGIC(模型关联图与互动社区),生成模型,捕捉社区的互动,并考虑从链接结构和节点属性的信息。我们在3种数据集上的实验表明,MAGIC在4个广泛使用的度量方面比4个最先进的方法有了很大的改进。
2021-01-13 cs.LG cs.SI
DAG: Deep Adaptive and Generative $K$-Free Community Detection on Attributed Graphs
针对属性图社区数量 $K$ 未知的问题,提出端到端深度自适应生成模型 DAG,联合检测社区并搜索社区数,且通过无标签指标 EDGE 和游戏数据验证其优越性。
2025-02-20 cs.SI
Evading Overlapping Community Detection via Proxy Node Injection
Department of Computer Science(计算机科学系);Sapienza University of Rome(罗马萨皮恩扎大学)
针对重叠社区检测中的隐私保护,提出基于深度强化学习的代理节点注入方法,有效隐藏目标节点社区归属,显著优于现有基线。
2025-09-25 cs.AI cs.SI
Joint community and anomaly tracking in dynamic networks
大多数真实世界的网络表现出社区结构,其特征在于存在节点簇,其边内连接性强于属于不同簇的节点之间的边连接性。除了有助于更好地理解网络行为,社区检测在不同的环境中发现了许多实际应用。在线社交网络中的社区表明共享的功能角色,或隶属于共同的社会经济地位,了解这一点对于有针对性的广告至关重要。在买方-卖方网络中,社区检测有助于更好地推荐产品。不幸的是,社区分配的可靠性受到异常用户行为的阻碍,这些异常用户行为通常被视为不公平的自我推销,或为促进欺诈而创建的“虚假”高连接帐户。本文提出了一种新的方法,用于联合跟踪社区,同时检测时变网络中的异常节点。通过假设边的产生是节点对共同参与社区的结果,提出了一种通过稀疏离群矩阵捕获异常成员关系的动态因子模型。有效的跟踪算法,适用于在线和分散操作。在合成和真实网络时间序列上进行的实验成功地揭示了潜在的社区和异常节点。
2015-06-25 cs.SI physics.soc-ph stat.ML
Applying Social Network Analysis to Analyze a Web-Based Community
本文从两个角度对一个非常著名的网站(即图书纵横)进行了分析:第一个角度是从用户与图书的直接关系出发的。从这部分分析中可以推断出很多东西,比如谁比其他人更喜欢读书,为什么?哪些书最受欢迎,哪些用户最活跃,为什么?该任务需要使用某些社会网络分析措施(如度中心性)。当两个用户喜欢同一本书时意味着什么?当另外两个用户有一千本共同的书时,情况是否相同?谁更有可能成为谁的朋友,为什么?社会上是否有特定的人更有资格建立大的社会关系圈?这些问题(当然还有其他问题)通过分析的另一部分得到了回答,这将使我们探索这个社区中用户之间的潜在社会关系。虽然这些关系并不明确存在,但它们可以通过隶属网络分析和m-slice等技术来推断。
2012-12-25 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
A Local Perspective-based Model for Overlapping Community Detection
College of Computer Science & Technology, Qingdao University(青岛大学计算机科学与技术学院);College of Engineering, China Agricultural University(中国农业大学工程学院);Department of Mathematics, City University of Hong Kong(香港城市大学数学系)
LQ-GCN是一种从局部视角出发的重叠社区检测模型,通过局部模块度优化和伯努利-泊松模型提升大规模网络中重叠社区识别的准确性和性能。
2025-03-27 cs.AI cs.SI
Structure and Overlaps of Communities in Networks
在现实世界的社会,信息和技术网络的主要组织原则之一是网络社区,其中节点组组织成密集连接的集群。尽管检测这样的社区是非常感兴趣的,了解大型网络中的结构社区仍然相对有限。由于没有标记的地面实况数据,实际上不可能大规模地评估和比较不同的模型和社区概念。在本文中,我们确定了6个大型的社会,协作和信息网络,其中节点显式地说明他们的社区成员。我们通过使用这些明确的成员资格来定义地面实况社区。然后,我们实证研究如何在网络中出现这样的地面真相社区,以及它们如何重叠。我们观察到一些令人惊讶的现象。首先,地面实况社区包含高度的枢纽节点,这些节点位于社区重叠中,并链接到社区的大多数成员。第二,社区的重叠部分比社区的非重叠部分连接得更紧密,这与社区重叠部分比社区本身连接得更稀疏的传统智慧形成对比。现有的网络社区模型不能捕捉到密集的社区重叠。我们提出了社区关联图模型(AGM),网络社区结构的概念模型,它可靠地捕捉网络的整体结构以及网络社区的重叠性质。
2012-09-25 cs.SI physics.soc-ph
Diffusion-Induced Spatial Attention Overlapping Community Detection
Aalto University School of Science(阿尔托大学理学院);Lockheed Martin(洛克希德·马丁公司)
针对现有图神经网络在重叠社区检测中因局部消息传递导致的边界模糊和长程依赖缺失问题,提出DISCO框架,融合扩散结构先验、稀疏注意力与非负社区学习,在基准上表现优异,并在网络安全异常检测中验证了实用性。
2026-09-23 cs.LG cs.SI
Structural Diversity for Resisting Community Identification in Published Social Networks
随着越来越多的社交网络数据被发布和共享用于商业和研究目的,关于社交网络中的个人的隐私问题已经成为严重的问题。顶点识别是基于顶点度等背景知识从网络中识别特定用户的一个重要问题。然而,在现实中,社交网络中的每个个体倾向于不仅与顶点身份相关联,而且与社区身份相关联,社区身份可以表示对公众敏感的个人隐私信息,例如政党归属。本文首先解决了新的隐私问题,被称为社区识别,通过显示,即使社会网络的保护,现有的匿名计划的受害者的社区身份仍然可以推断。针对这个问题,我们提出了\textit{structural diversity}的概念来提供社区身份的匿名性。$k$ -结构多样性分析($k$ -SDA)是为了确保在社交网络中的至少$k$社区中具有相同顶点度的足够顶点。我们提出了一个可扩展的编程公式,以找到最佳的解决方案,$k$ -SDA,也设计了可扩展的算法,以解决大规模的情况下,$k$ -SDA从不同的角度。真实数据集上的性能研究从不同的角度证明了所提出的隐私方案和我们的匿名化方法的实际效用。
2013-02-13 cs.DS cs.SI
Community Detection Clustering via Gumbel Softmax
University of Alabama in Huntsville(阿拉巴马大学亨茨维尔分校)
近来,在诸如语音识别和视觉处理的许多系统中,深度学习已被广泛实施。在这项研究中,我们正在探索在图数据集中使用深度学习进行社区发现的可能性。图在不同的领域获得了越来越多的关注,包括社交网络、信息图、推荐系统以及生命科学。本文提出了一种对各种图数据集的节点进行聚类的社区发现方法。我们聚类属于隶属网络,动物网络,人类接触网络,人类社交网络,杂项网络的不同类别的数据集。深度学习在对网络中节点之间的交互进行建模方面的作用使得与图网络分析相关的科学领域发生了革命。在本文中,我们将gumbel softmax方法扩展到图网络聚类。在特定图数据集上的实验结果表明,新方法的性能明显优于传统聚类,这有力地证明了深度学习在图社区发现聚类中的有效性。我们做了一系列的实验,我们的图聚类算法,使用各种数据集:扎卡里空手道俱乐部,高地部落,训练轰炸,美国革命,海豚,斑马,帆板,悲惨世界,政治书籍。
2020-05-12 cs.LG cs.SI stat.ML
Community-Aware Social Community Recommendation
本文提出 CASO 模型用于社会社区推荐,通过三个编码器提取社区全局与局部结构及用户偏好,引入互斥机制消除特征冗余,并加入社区检测损失,在六个真实网络上显著优于九个基线。
2025-08-08 cs.IR cs.SI
Complex Network Analysis of North American Institutions of Higher Education on Twitter
北美高等教育机构(IHE):大学,4年制和2年制学院以及贸易学校-在Twitter上大量存在和关注。IHE的Twitter账户平均有20 000名订阅者。他们中的许多人关注一个以上的IHE,从而有可能根据共同关注者的数量构建IHE网络。在本文中,我们探讨了Twitter上的1,435个IHE网络的结构。我们发现网络属性(各种中心性和聚集系数)与IHE的属性(例如入学、学费和宗教/种族/性别隶属)之间存在显着相关性。我们发现了与同性恋相关的网络的社区结构--类似的追随者跟随类似的大学。此外,我们分析了追随者的自我描述,并确定了12个重叠的主题,可以追溯到追随者的群体身份。
2020-10-02 cs.SI
Chasm in Hegemony: Explaining and Reproducing Disparities in Homophilous Networks
在有少数群体和多数群体社区的网络中,有充分研究表明,少数群体在社会等级最高层的代表性不足。然而,研究人员不太清楚低层少数群体的代表性,因为低层可能存在其他不利条件或脆弱性。我们提供了一个更完整的画面,在每个社会层次的社会差距与经验证据表明,少数民族的代表性表现出两个相反的阶段:在较高的梯级的社会阶梯,少数民族社区的代表性下降,但在较低的阶梯,这是更多的人口,随着你的上升,少数民族社区的代表性提高。我们把这种上下层之间的对立现象称为\emph{chasm effect}。以往的模型的网络增长与同质性未能检测和解释这种鸿沟效应的存在。我们用一个简单的模型分析了几个被观察到的网络增长机制之间的相互作用,揭示了鸿沟效应发生的两个阶段的充分必要条件。通过自然地推广简单模型,我们提出了一个完整的双向联系双向网络增长模型,可以成功地捕捉在所有社会层面的差距,并再现真实的社交网络。最后,我们说明,解决鸿沟效应可以创建更公平的系统,在广告和事实核查两个应用程序,从而展示了未来的研究少数-多数差距和公平算法的鸿沟效应的潜在影响。
2021-06-14 cs.SI
Community Aware Temporal Network Generation
本文提出一种社区感知的时间网络生成方法,通过节点社区标签构建替代网络以复现不同社区间交互的时间演化,并在多个面对面交互数据集上验证了生成网络的结构相似性。
2025-06-05 cs.SI physics.soc-ph
Community Detection Across Multiple Social Networks based on Overlapping Users
随着互联网技术的飞速发展,在线社交网络(OSNs)得到了快速发展,并日益流行。同时,跨多个社交网络的研究也越来越受到研究者的关注,而社区发现是跨OSN的网络安全问题的重要研究内容,主要用于分析用户行为和发现异常社区。提出了一种基于用户重叠的多社交网络社区发现方法。首先定义了重叠用户的概念,然后设计了一种基于社会相关性的重叠用户存根社区发现算法CMN NMF。在此基础上,通过添加具有较强相似性的用户,扩展不同社交网络中的存根社区,最终挖掘出不同的社区。在真实数据集上的实验结果表明了该方法的有效性。
2019-10-08 cs.SI
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
RUM: network Representation learning throUgh Multi-level structural information preservation
Beijing Key Laboratory of Big Data Management and Analysis Methods(大数据管理与分析方法研究北京市重点实验室);Renmin University of China(中国人民大学);University of Electronic Science and Technology of China(电子科技大学)
近年来,我们见证了许多用于网络表示学习的技术的发现,从在随机游走中编码上下文到嵌入低阶连接,再到使用自动编码器寻找潜在空间表示。然而,现有的技术主要是在网络中的局部结构,而更高层次的属性,如全球社区结构往往被忽视。提出了一种新的网络表征学习模型框架RUM(Network表示学习throUgh Multi-level Structural Information Preservation)。在RUM中,我们将一个节点的三个基本方面,捕捉网络的特性在多个层面:一个节点的附属本地三合会,其邻里关系,其全球社区的联系。因此,该框架明确和全面地保留了网络的结构信息,将编码过程扩展到结构信息谱的局部端和全局端。该框架还具有足够的灵活性,可以采用各种社区发现算法作为其预处理器。实证结果表明,RUM学习的表示在现实生活中的任务表现出显着的性能优势。
2017-10-08 cs.LG cs.SI
A Variance-aware Multiobjective Louvain-like Method for Community Detection in Multiplex Networks
本文主要研究多路复用网络中的社区发现问题,即,具有多个层的网络具有相同的节点集并且没有层间连接。特别是,我们寻找可以在各个层中一致地被识别为社区的节点组。为此,我们提出了一种新的方法,通过(a)同时更新各层模块化分数的平均值和方差,以及(b)根据基于过滤器的多目标优化方案重新制定贪婪搜索过程,来推广Louvain方法。与许多以前的模块化最大化策略,依赖于某种形式的聚合的各个层,我们的多目标方法的目的是最大限度地提高每个层上的个人模块化同时。我们报告的合成和现实世界的网络实验,显示的有效性和鲁棒性的建议的策略都在信息的情况下,其中所有层显示相同的社区结构,并在嘈杂的情况下,其中一些层只代表噪音。
2022-09-23 cs.SI
Building Bridges between Users and Content across Multiple Platforms during Natural Disasters
本文通过对飓风海伦和米尔顿期间X、Reddit、YouTube的多平台网络分析,揭示了有效桥接内容与用户的特征,为公共组织在灾害期间优化社交媒体管理提供依据。
2025-02-04 cs.SI
Improving community detection via community association strength scores
本文提出三种社区关联强度分数作为后处理工具,用于改进节点划分、识别离群节点并发现多社区成员节点。
2025-01-29 cs.SI
Algebraic analysis of multiple social networks with multiplex
\pkg{multiplex}是一个计算机程序,它为分析\proglang{R}环境中的多个网络结构提供代数工具。除了创建和操作多变量数据的可能性表示多路复用,签署,和双模式网络,这个包提供了一个集合的功能,处理代数系统-如偏序半群,和平衡或集群半环-他们的分解,并枚举的束模式发生在不同层次的网络。此外,通过不同域中的子集对的族之间的伽罗瓦导子,可以用代数方法分析联系网络。多重图、不同形式的二分图、包含格、凯莱图的可视化也支持相关的软件包。
2020-02-13 cs.SI math.CO
Beyond One Solution: The Case for a Comprehensive Exploration of Solution Space in Community Detection
Area Science Park(科学园区);University of Trieste(的里雅斯特大学)
本文提出通过贝叶斯框架全面探索社区检测的解空间,以提高结果可靠性并优化计算资源使用。
2024-10-25 cs.SI
Explicit objective functions in modularity-based community detection on multiplex networks
Delft University of Technology(代尔夫特理工大学);KairosHelix, Inc.(KairosHelix公司)
本文针对多重网络中的模块度社区检测,分析比较了早期融合、同时融合和晚期融合三种策略的目标函数,揭示了它们之间的显式关系,并通过实验验证了理论结果。
2026-10-19 cs.SI
Community Detection of Complex Network Based on Graph Convolution Iterative Algorithm
本文提出一种结合随机采样、节点距离属性矩阵与图卷积迭代的复杂网络社区发现方法,并通过模块度及多类网络实验验证其有效性。
2024-11-28 cs.SI
Discriminative community detection for multiplex networks
本文提出两种基于谱聚类的判别性社区检测算法,用于识别两个相关多重网络间的判别性社区结构,并在模拟和真实数据上验证其有效性。
2024-09-30 cs.LG cs.SI
Differentially Private Community Detection for Stochastic Block Models
University of Arizona(亚利桑那大学);University of Virginia(弗吉尼亚大学)
本文研究SBM中边差分隐私下的社区精确恢复,分析稳定性、采样与图扰动三类机制,揭示隐私预算、连接概率和计算复杂度之间的权衡。
2023-08-18 cs.CR cs.IT cs.LG
Multi-View Community Detection in Facebook Public Pages
社交网络中的社区发现由于其在揭示人们如何连接和交互方面的重要性而被广泛研究。然而,很少有人关注Facebook公共页面中的社区结构。在这项研究中,我们调查的社区发现问题,在Facebook的新闻组页面。特别是,为了处理用户活动的多样性,我们应用多视图聚类来整合不同的视图,例如,喜欢的帖子和喜欢的评论。在这项研究中,我们探索的社区结构,不仅在一个给定的单一页面,但在多个页面。结果表明,该方法能有效地减少分离株,提高群落结构质量。
2018-12-06 cs.SI
Emergence of network communities driven by local rules
本文通过数值模拟引入 Ramsey 社区数,证明在随机块模型和 Infomap 方法下,网络社区是由局部规则驱动的涌现属性,无需节点异质性。
2025-06-09 cond-mat.dis-nn cs.DM cs.SI
A Symmetry and Graph Regularized Nonnegative Matrix Factorization Model for Community Detection
社区是大规模无向网络(Large-scale Undirected Network,LUN)的一个基本和关键特征,这使得社区发现成为LUN表示学习中一个重要而棘手的问题。由于其良好的可扩展性和可解释性,对称非负矩阵分解(SNMF)模型通常用于解决这个问题。然而,它采用了一个独特的潜在因素(LF)矩阵,以精确地表示一个LUN的对称性,这导致了减少LF空间,削弱了其代表性的学习能力。基于这一发现,本研究提出了一种对称和图正则化的非负矩阵分解(SGNMF)方法,该方法采用三个方面的思想:a)利用多个LF矩阵表示LUN,从而增强其表示学习能力; b)引入对称正则化项,暗示其多个LF矩阵之间的等式约束,从而说明LUN的对称性;以及c)将图正则化结合到其学习目标中,从而示出LUN的内在几何结构。为保证SGNMF在LUN上的收敛性提供了理论证明。在实际应用中的10个LUN上进行的大量实验结果表明,我们提出的基于SGNMF的社区检测器在实现社区发现的高精度结果方面明显优于几个基线和最先进的模型。
2023-02-23 cs.SI
Using multiple-criteria methods to evaluate community partitions
社区发现是复杂网络中研究最多的问题之一。尽管到目前为止已经提出了数百种方法,但对于什么是好的社区仍然没有一个普遍接受的正式定义。因此,这些算法产生的解决方案的质量的评价和比较的问题仍然是一个悬而未决的问题,尽管不断取得进展的主题。在这篇文章中,我们将探讨如何使用多标准评估可以解决一些社区评估的现有问题,特别是多个同等相关的解决方案的不同粒度的问题。在探索了几种方法之后,我们引入了一个新的质量函数,称为MDensity,并提出了一种方法,该方法可以与广泛使用的社区发现度量,模块化,和精度/召回方法,无处不在的信息检索。
2015-02-18 cs.SI physics.soc-ph
Mutual Community Detection across Multiple Partially Aligned Social Networks
在线社交网络中的社区发现是近年来的研究热点。同时,为了享受更多的社交网络服务,现在的用户通常同时参与多个在线社交网络,其中一些可以共享共同的信息和结构。涉及一些共同用户的网络被称为多个“部分对齐网络”。在本文中,我们希望同时检测多个部分对齐网络的社区,这被正式定义为“相互聚类”问题。互聚类问题是一个非常具有挑战性的问题,因为它有两个重要的问题要解决:(1)如何保持网络的特点,在相互社区发现?以及(2)如何利用其他联盟网络中的信息来细化和消除共享用户的社区结构?针对这两个问题,提出了一种新的社区发现方法MCD(Mutual Community Detector)。MCD可以同时检测多个部分对齐网络中用户的社会社区结构,充分考虑(1)每个网络的特性,(2)对齐网络中共享用户的信息。在两个真实的部分对齐的异构社交网络上进行的大量实验表明,MCD可以很好地解决“互聚类”问题。
2015-06-18 cs.SI physics.soc-ph
Urban Analytics: Multiplexed and Dynamic Community Networks
在过去的十年中,城市经历了快速的增长,扩张和社区结构的变化。关键城市基础设施的许多方面都与其所服务的人类社区密切相关。城市社区是由多重重叠的因素组成的,这些因素可以分为文化、宗教、社会经济、政治和地理层面。在本文中,我们回顾了如何利用越来越多的异构移动大数据集来检测社区的互动结构,使用自然语言处理和机器学习技术。一些社区层和交互检测算法,然后审查,特别关注的鲁棒性,稳定性和因果关系的不断发展的社区。更好地了解结构动态和多重关系可以提供有用的信息,为城市规划政策提供信息,并塑造社会耦合的城市基础设施系统的设计。
2018-12-11 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
Speeding Up BigClam Implementation on SNAP
我们进行了详细的分析,C++实现的集群关联模型的大网络(BigClam)的斯坦福大学网络分析项目(SNAP)。BigClam是一种流行的图挖掘算法,能够在包含数百万个节点的网络中找到重叠的社区。我们的分析表明,该算法的一个关键阶段-确定一个节点是否属于一个社区-占主导地位的实现的运行时,但计算不是并行的。我们表明,通过使用OpenMP跨多个线程并行计算,我们可以加快算法的5.3倍时,解决大型网络社区,同时保持程序和结果的完整性。
2018-09-04 cs.DC cs.PF cs.SI
Community Detection in Multiplex Networks
多重网络模拟了同一类型实体之间的不同交互模式。在这篇文章中,我们提供了一个分类的社区发现算法在多路复用网络。我们的特点不同的算法的基础上的各种属性,我们讨论了每种方法检测到的社区类型。然后,我们提供了一个广泛的实验评估的方法来回答三个主要问题:在何种程度上评估的方法能够检测地面实况社区,在何种程度上不同的方法产生类似的社区结构,在何种程度上评估的方法是可扩展的。这项调查的一个目标是帮助学者和从业人员为手头的数据和任务选择正确的方法,同时也强调这种选择何时会出现问题。
2021-01-20 cs.SI physics.data-an
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
Community detection in multiplex networks based on orthogonal nonnegative matrix tri-factorization
Michigan State University(密歇根州立大学)
本文提出多重正交非负矩阵三分解方法,将每层邻接矩阵分解为共有与私有社区两部分,并引入两阶段方法自动确定社区数量,在合成与真实多重网络及多视图聚类中优于现有方法。
2023-01-08 cs.LG cs.SI
Online detection of temporal communities in evolving networks by estrangement confinement
时间社区是在一个不断发展的复杂网络的多个快照中对节点进行一致划分的结果,它可以帮助揭示网络中密集的集群如何随着时间的推移而出现、组合、分裂和衰退。目前的方法,在一个单一的快照中找到社区是不直截了当地推广到寻找时间社区,因为用于寻找静态社区的质量函数具有高度退化的景观,并最终分区中选择的许多分区的类似质量是高度敏感的网络中的小变化。为了可靠地检测时间社区,我们不仅需要在给定的快照中找到一个好的社区分区,而且还需要确保它与之前的快照中找到的分区具有一些相似性。我们提出了一种新的措施,分区距离称为“疏远”的动机节点间的关系,当纳入到分区质量的测量,有利于检测有意义的时间社区的惯性。具体来说,我们提出了疏远限制方法,它假设社区中的相邻节点更愿意继续分享社区的联系,随着网络的发展。约束疏远使我们能够找到有意义的时间社区在不同程度的时间平滑在不同的现实世界的数据集。具体来说,我们研究了美国国会参议员投票行为的演变,人类移动数据集中邻近度的演变,以及合成网络中难以找到的进化社区的检测。因此,疏远限制提供了一个原则性的方法来发现不断发展的网络中的时间社区。
2012-03-22 cond-mat.stat-mech cs.SI physics.soc-ph
CS-MLGCN : Multiplex Graph Convolutional Networks for Community Search in Multiplex Networks
University of British Columbia(不列颠哥伦比亚大学)
社区搜索是网络科学中的一项基本任务,由于其能够发现具有广泛应用前景的个性化社区而备受关注。给定任何查询节点,CS寻求找到包含查询节点的密集连接子图。大多数现有的方法通常研究节点之间具有单一类型邻近度的网络,这定义了网络的单一视图。然而,在许多应用中,如生物,社交和交通网络,对象之间的交互跨越多个方面,产生具有多个视图的网络,称为多路复用网络。现有的复用网络中的CS方法采用预定义的子图模式来对社区进行建模,在现实网络中无法找到不具有这种预定义模式的社区。在本文中,我们提出了一个查询驱动的图卷积网络在多路复用网络,CS-MLGCN,可以捕捉灵活的社区结构,通过学习从地面真理社区在数据驱动的方式。CS-MLGCN首先将局部查询依赖结构和全局图嵌入到每种类型的邻近度中,然后使用注意力机制来合并不同类型关系的信息。在真实世界的图与地面真相社区上的实验验证了我们获得的解决方案的质量和我们的模型的效率。
2022-10-17 cs.LG cs.SI
A similarity-based community detection method with multiple prototype representation
社区对于理解社交网络中的图结构具有重要意义。一些现有的社区发现算法使用单个原型来表示每个组。在实际应用中,这可能无法充分模拟不同类型的社区,因此限制了社交网络上的聚类性能。针对这一问题,提出了一种基于相似性的多原型社区发现方法。在SMP中,每个社区中的顶点具有不同的权重来描述它们的代表性程度。这种机制使每个社区能够由多个节点表示。节点的中心性用于计算原型权重,而相似性用于指导我们划分图。计算机生成的和真实世界的网络上的实验结果清楚地表明,SMP执行良好的检测社区。此外,与现有的社区发现模型相比,该方法借助原型权值,能够提供更丰富的社区内部结构信息。
2015-08-25 cs.SI physics.soc-ph
Is together better? Examining scientific collaborations across multiple authors, institutions, and departments
合作是科学研究和出版的一个组成部分。在过去,大规模语料库的访问限制了合作问题的调查方式。然而,随着数据/元数据质量和访问的改善,有可能以超越传统的多作者定义的方式探索研究合作的想法。在本文中,我们通过三种不同的合作视角来研究科学工作:多个作者,多个机构和多个部门。我们相信这是多个部门合作的第一次尝试,因为我们采用了广泛的数据整理来消除近70,000篇科学论文作者的部门隶属关系。然后,我们比较了不同协作定义的引文指标,发现定义为协作的论文比非协作论文被引用的频率更高,无论使用的协作定义如何。我们还分享了通过分析相似领域(由共同引用确定)在作品(由共同作者确定)上合作的程度来检查共同引用和共同作者之间关系的初步结果。这些初步结果显示了机构内合作的条块分割趋势,并显示出扩大的希望。
2018-09-11 cs.DL cs.SI
Revealing Multiple Layers of Hidden Community Structure in Networks
我们引入了一个新的社区结构的概念,我们称之为隐藏的社区结构。隐藏社区结构是指一种特定类型的重叠社区结构,其中较弱但有意义的社区的检测受到较强社区的存在的阻碍。我们提出了隐藏的社区发现HICODE,一个算法模板,确定强,占主导地位的社区结构,以及较弱的,隐藏的社区结构在网络中。HICODE首先将现有的社区发现算法应用于网络,然后从网络中删除检测到的社区的结构。通过这种方式,弱势群体的结构变得显而易见。通过应用程序的HICODE,我们证明了各种各样的真实网络从不同的领域包含许多社区,虽然有意义的,没有检测到任何流行的社区发现算法,我们认为。此外,在包含隐藏的真实社区结构的真实网络和合成网络上,HICODE比我们比较的任何基线算法都更好地揭示了这种结构。例如,在一个真实的本科生网络中,可以按“宿舍”或“年”划分,我们看到HICODE发现了JCRecall得分(我们在文本中定义的基于回忆的指标)超过0.7的较弱的“年”社区,而基线算法的得分低于0.2。
2015-01-23 cs.SI physics.soc-ph