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
Community-detection cellular automata with local and long-range connectivity
我们探索了一个社区检测元胞自动机算法的灵感来自人类的记忆，基于信息扩散和非线性处理阶段的动力学灵感来自人类的记忆。该方法的要点是，从个人的角度来看，提供不同的“视图”的聚类水平。我们将该方法应用到网络与本地连接和远程重新布线。
2012-06-11 cs.SI nlin.CG physics.soc-ph
Community as a Vague Operator: Epistemological Questions for a Critical Heuristics of Community Detection Algorithms
本文将网络科学中的“社区”概念界定为边界对象变体的“模糊算子”，梳理社区研究谱系并分析Louvain算法应用争议，提出接纳片面性与反身性的社区检测批判性启发式框架。
2025-09-02 cs.CY cs.SI physics.soc-ph
Community Detection in Large-Scale Complex Networks via Structural Entropy Game
针对大规模网络社区检测的挑战，提出基于势博弈和二维结构熵最小化的CoDeSEG算法，实现快速且高精度的重叠社区检测。
2025-01-25 cs.SI
BotRGCN: Twitter Bot Detection with Relational Graph Convolutional Networks
Twitter bot检测是一项重要且具有挑战性的任务。现有的机器人检测措施无法解决社区和伪装的挑战，无法检测伪装成真正用户并集体攻击的机器人。为了解决Twitter bot检测的这两个挑战，我们提出了BotRGCN，这是Bot检测与关系图卷积网络的缩写。BotRGCN通过从跟随关系构建异构图来解决社区的挑战，并应用关系图卷积网络。除此之外，BotRGCN利用多模态用户语义和属性信息来避免特征工程，并增强其捕获具有多样化伪装的机器人的能力。大量的实验表明，BotRGCN优于竞争对手的基线上的全面基准TwiBot-20提供了以下关系。
2021-09-27 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
Advancing Community Detection with Graph Convolutional Neural Networks: Bridging Topological and Attributive Cohesion
Victoria University of Wellington（维多利亚大学）；Goldenset Collective（Goldenset集体）；School of Computer Science, Beijing University of Posts and Telecommunications（北京邮电大学计算机学院）
针对GCN社区检测中模块度优化次优及人工标签破坏拓扑连通性的问题，提出TAS-Com，借助Leiden算法优化损失并细化标签，实现模块度与标签遵从性的平衡，性能优于现有方法。
2025-05-15 cs.AI cs.SI
Longitudinal Analysis of Discussion Topics in an Online Breast Cancer Community using Convolutional Neural Networks
Columbia University（哥伦比亚大学）；King’s College London（伦敦国王学院）
识别在线健康社区（OHC）中的讨论主题对各种应用程序至关重要，但可能很困难，因为OHC内容的主题通常是异构的，并且依赖于域。在本文中，我们提供了一个多类模式，一个注释数据集，和监督分类器的基础上卷积神经网络（CNN）和其他模型的任务分类的讨论主题。我们将CNN分类器应用于最受欢迎的乳腺癌在线社区，并进行纵向分析，以显示整个成员参与过程中的主题分布和主题变化。我们的实验结果表明，CNN优于其他分类器在主题分类的任务，并可以检测到某些轨迹的主题变化。
2016-04-07 cs.CL cs.CY cs.SI
Metrics for Community Analysis: A Survey
在过去的十年里，从社会和信息网络中检测和分析密集群体或社区引起了人们的极大关注，因为它在不同领域具有巨大的适用性。社区发现是一个定义不清的问题，因为社区的性质事先并不知道。这个问题已经被证明是甚至复杂的，由于社区出现在网络中的各种形式-不相交的，重叠的，分层的等，已经提出了各种不同的算法取决于在手的应用程序。所有这些生态学已经具体化的形式，在大多数情况下，作为优化功能，用于检测社区结构，或提供一个良好的检测社区在评估过程中的指示。有必要对社区发现和评价方面提出的衡量标准进行有组织的详细调查。在这项调查中，我们提出了一个全面的和结构化的概述，用于检测和评估社区结构的最先进的指标。我们还对合成网络和真实网络进行了实验，以比较分析这些指标在衡量底层社区结构的良好性方面的作用。
2016-04-12 cs.SI physics.soc-ph
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
Community-Based Efficient Algorithms for User-Driven Competitive Influence Maximization in Social Networks
本文针对社交网络中的用户驱动竞争影响最大化（UDCIM）问题，在现有线性阈值模型变体基础上，扩展了LP-formation算法，并使用Gurobi Solver在小数据集上测试，同时提出启发式和遗传算法在中大型数据集上验证。
2025-06-29 cs.SI
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
Heuristic Modularity Maximization Algorithms for Community Detection Rarely Return an Optimal Partition or Anything Similar
University of Toronto（多伦多大学）；Huawei Technologies Canada（华为加拿大技术有限公司）
研究评估了80个网络上8种启发式模块度最大化算法，发现其极少返回最优或相似划分，建议使用精确或近似优化算法以更合理地应用模块度。
2023-06-25 cond-mat.stat-mech cs.DS cs.LG
Analyzing Modularity Maximization in Approximation, Heuristic, and Graph Neural Network Algorithms for Community Detection
University of Toronto（多伦多大学）；Polytechnique Montreal（蒙特利尔综合理工学院）
本文在104个网络上比较了启发式、图神经网络和Bayan近似算法与精确整数规划在模块度最大化社区发现中的表现，发现常用方法很少得到最优划分，建议采用近似优化算法以更合理地使用模块度。
2024-01-10 cond-mat.stat-mech cs.LG cs.SI
Heterogeneous-Temporal Graph Convolutional Networks: Make the Community Detection Much Better
Harbin Institute of Technology（哈尔滨工业大学）；Jilin University（吉林大学）；Peng Cheng Laboratory（鹏城实验室）；Nanyang Technological University（南洋理工大学）
社区发现一直是复杂网络分析中的一个重要而又具有挑战性的课题，其研究重点是发现图数据的拓扑结构。本质上，真实世界的图数据包含各种特征、节点和边类型，这些特征随时间动态变化，这使得大多数现有的社区发现方法失效。为了解决这些问题，本文提出了异构时间图卷积网络（HTGCN），以检测社区从异构和时间图。特别地，我们首先设计了一个异构GCN组件，以获取每个异构图在每个时间步的特征表示。然后，提出了一个残余的压缩聚合组件来表示“变化”社区的“动态”特征，然后将其与从当前图中提取的“静态”特征聚合。在两个真实世界的数据集上进行了广泛的实验，即，DBLP和IMDB。有希望的结果表明，提出的HTGCN是优于基准和国家的最先进的方法，例如，GCN、GAT、GNN、LGNN、HAN和STAR，涉及若干评价标准。
2020-03-13 cs.LG cs.SI stat.ML
A Community-Aware Framework for Influence Maximization with Explicit Accounting for Inter-Community Influence
Narmi；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
Community-IM++通过显式建模跨社区扩散，提升大规模社交网络中影响力最大化效率与效果。
2026-02-02 cs.AI cs.SI stat.ML
A smart local moving algorithm for large-scale modularity-based community detection
我们介绍了一种新的算法，在大型网络中基于模块的社区检测。该算法，我们称之为智能本地移动算法，利用了一个众所周知的本地移动启发式，也被其他算法使用。与其他算法相比，我们提出的算法使用本地移动启发式在一个更复杂的方式。基于对一组不同网络的分析，我们证明了我们的智能局部移动算法识别出的社区结构具有比其他大规模模块化优化算法更高的模块化值，其中包括Blondel等人（2008）介绍的流行的“Louvain算法”。我们的算法的计算效率使得它可以在网络中执行社区检测与数以千万计的节点和数亿条边。我们的智能本地移动算法在中小型网络中也表现良好。在很短的计算时间内，它识别出的社区结构的模块化值与文献中报道的最高值一样高，或几乎一样高，有时甚至高于文献中发现的最高值。
2013-08-29 cs.SI physics.data-an physics.soc-ph
Community Detection in the Hyperbolic Space
在双曲空间中嵌入网络可以揭示网络结构的有趣特征，特别是在自相似特征方面。隐度量空间可以被认为是网络的底层结构，它能够保留一些在现实世界网络中通常观察到的有趣特征，例如度分布的异质性，高聚类系数和小世界效应。此外，双曲线平面上的节点的角分布揭示了嵌入式网络的社区结构。值得注意的是，虽然大量的文献比较了知名的社区检测算法，但对于什么定义网络上的理想社区分区仍然没有达成共识。此外，发现在双曲空间中嵌入的网络上的社区的算法已在这里首次进行了研究。我们将嵌入式网络上找到的分区与嵌入步骤之前获得的分区进行比较，无论是合成网络还是两个真实网络。本文的第二部分介绍了我们的管道在意大利选举的背景下的网络转发的应用。我们的研究结果揭示了一个社区结构反映的政治光谱，鼓励进一步研究社区检测算法的应用映射到双曲平面图。
2019-06-21 cs.SI physics.soc-ph
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
NISQ-ready community detection based on separation-node identification
LMU Munich（慕尼黑大学）；Aqarios GmbH（Aqarios有限公司）；University of Bayreuth（拜罗伊特大学）；Delft University of Technology（代尔夫特理工大学）
本文提出一种基于分离节点识别的NISQ就绪量子社区检测方法，通过仅需与节点数相同的量子比特和稀疏QUBO矩阵，显著降低硬件需求，并在实验中验证了其可行性。
2023-06-24 cs.LG cs.SI physics.soc-ph
Heuristic-based Dynamic Leiden Algorithm for Efficient Tracking of Communities on Evolving Graphs
本文首次提出并实现了并行的ND、DS和DF Leiden动态算法，用于高效追踪演化图上的社区，在64核处理器上相比静态Leiden算法获得最高6.1倍加速。
2024-10-20 cs.DC cs.SI
Constrained Enumeration Reveals Hidden Optima and Precision-Dependent Degeneracy in Modularity-Based Community Detection
Area Science Park（地区科学园）
本文提出两阶段约束枚举方法，通过采样至新颖性饱和并锁定稳定核心枚举残余歧义，扩展平台覆盖并提升模块度，同时揭示边权重舍入对平台结构的精度依赖影响。
2026-09-30 cs.SI
Optimality Of Community Structure In Complex Networks
社区发现是发现复杂网络结构的关键工具之一。大多数的社区发现方法依赖于优化某些质量函数的特点提出的社区结构。也许，这些质量函数中最常用的是模块化。许多算法都声称在模块化最大化方面是有效的，这通常是通过将它们的结果与其他已知算法提供的结果进行比较来相对证明的。然而，由于所有的方法都是穷举法，而完全的蛮力是不可行的，没有已知的方法来理解所获得的划分是否真的是最优的。在这篇文章中，我们从另一个方面解决模块化最大化问题--找到给定网络中可能的模块化值的上限估计，从而更好地评估建议的社区结构。此外，在某些情况下，当上界估计满足实际获得的模块化分数时，它提供了一个证明，即建议的社区结构确实是最优的。我们提出了一个有效的算法来建立这样一个上限估计，并说明其使用的例子，著名的经典和合成网络，能够证明现有的分区的最优性的一些网络，包括著名的扎卡里的空手道俱乐部。
2017-12-14 cs.SI physics.data-an physics.soc-ph
Engineering Parallel Algorithms for Community Detection in Massive Networks
图结构数据的数量最近在许多应用中经历了巨大的增长。为了将这些数据转换为有用的信息，快速分析算法和软件工具是必要的。一个常见的图分析内核是不相交社区发现（或图聚类）。尽管对这个任务的启发式求解器进行了广泛的研究，但只有很少的并行代码存在，尽管并行性对于扩展到现实世界应用的数据量是必要的。我们解决了计算能力的不足，通过一个灵活的和可扩展的社区发现框架与共享内存并行。在这个框架内，我们设计和实现高效的并行社区发现算法：一个并行标签传播计划;第一次大规模并行化的著名的鲁汶方法，以及扩展的方法添加细化;和合奏计划结合上述。在广泛的实验驱动的算法工程范式，我们确定了最成功的参数和这些算法的组合。我们还将我们的实现与最先进的竞争对手进行了比较。我们最快的算法的处理速度往往达到50 M边缘/秒。我们建议并行的Louvain方法和我们的变种与细化定性强和快速。我们的方法适用于具有数十亿条边的海量数据集。
2015-02-02 cs.DC cs.SI
The Complex Community Structure of the Bitcoin Address Correspondence Network
比特币建立在区块链上，区块链是一种不可变的分散式分类账，允许实体（用户）以匿名的方式交换比特币。比特币与字母数字地址相关联，并通过交易进行转移。每笔交易都由一组输入地址（与之前交易中收到的未使用输出相关联）和一组输出地址（比特币被转移到这些地址）组成。尽管比特币的设计考虑到了匿名性，但存在不同的启发式方法来检测特定交易中哪些地址属于同一实体。通过应用这些启发式算法，我们建立了一个地址对应网络：在这种表示中，地址是节点与边连接，如果至少有一个启发式算法检测到它们属于同一个实体。%地址是节点，并且在通过至少一个试探法检测为属于同一实体的地址之间绘制边。%节点表示地址，边表示两个节点属于同一实体的可能性。%在这个网络中，连接的组件表示由同一实体控制的地址集。在本文中，我们分析了第一次的地址对应网络，并显示它的特点是一个复杂的拓扑结构，信号由一个广泛的，偏斜的度分布和幂律分量大小分布。使用一个大规模的控制实体的地址数据集是已知的，我们表明，结合外部数据加上标准的社区发现算法可以可靠地识别实体。地址对应网络的复杂性表明，单个实体的使用模式会产生统计数据，这些数据可以用来更准确地识别实体，并更深入地了解整个比特币经济。
2021-05-19 cond-mat.dis-nn cs.SI physics.soc-ph
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
Complex network community discovery using fast local move iterated greedy algorithm
针对复杂网络社区发现问题，提出融合快速局部移动启发式与迭代贪心机制、结合随机邻居移动和改进Prune Louvain的FLMIG算法，在合成与真实网络上准确率和计算效率均优于现有前沿方法，为大规模动态网络分析提供支持。
2024-06-20 cs.SI
Network clustering and community detection using modulus of families of loops
我们研究的结构，在网络中的循环使用的概念，模的循环家庭。我们引入了一个新的网络聚类措施，通过量化（简单）循环的家庭的丰富性。Modulus试图通过最佳地扩展预期的链路使用来最小化环路之间的预期重叠。我们提出加权网络使用这些预期的链接使用，以改善经典的社区发现算法。我们表明，所提出的方法提高了某些算法的性能，如频谱划分和模块化最大化算法，在标准的基准测试。
2016-12-26 cs.SI physics.soc-ph
Multilayer Modularity Belief Propagation To Assess Detectability Of Community Structure
基于模块化的社区发现包括许多广泛使用的、有效的网络结构识别算法。最近，一种用于模块化优化的置信传播方法为识别单层网络中的非平凡结构提供了有用的指导，这是其他优化算法所没有的。在本文中，我们扩展模块化的信念传播多层网络。作为该开发的一部分，我们还直接引入了分辨率参数。我们表明，调整分辨率参数影响算法的收敛性能，并产生不同的社区结构比基线。我们比较我们的方法与广泛使用的社区发现工具，GenLouvain，在一系列的合成，多层基准网络，证明我们的方法执行的最先进的状态。最后，我们证明了我们的工具提供的额外信息的实际优势，通过两个现实世界的网络例子。我们展示了该算法的收敛特性如何可以用于选择适当的分辨率和耦合参数，以及节点级边缘如何为所确定的社区的附着强度提供解释。为了方便使用，我们将我们的工具作为Python包发布。
2020-07-03 cs.SI physics.data-an physics.soc-ph
GA Based Q-Attack on Community Detection
社区发现在社交网络中起着重要的作用，因为它可以帮助自然地将网络划分为更小的部分，从而简化网络分析。然而，另一方面，它引起了个人信息可能被过度挖掘的担忧，因此提出了社区欺骗的概念，以保护社交网络上的个人隐私。在这里，我们介绍和形式化的问题，社区发现攻击和开发有效的策略，攻击社区发现算法通过重新布线少量的连接，导致个人隐私保护。特别地，我们首先给出两种启发式攻击策略，即，社区发现攻击（CDA）和基于度的攻击（DBA）作为基准，分别利用检测到的社区结构和节点度信息。在此基础上，提出了一种基于遗传算法的Q攻击算法。在两个社交网络上对三种基于模块化的社区发现算法进行了基于上述三种策略的社区发现攻击。通过比较，我们的Q攻击方法取得了更好的攻击效果比CDA和DBA，在更大的减少模块性Q和归一化互信息（NMI）。此外，我们还发现Q-Attack算法对特定社区发现算法的攻击所得到的对抗网络对其他算法的攻击仍然有效，无论它们是否是基于模块的，这表明Q-Attack算法具有很强的可移植性。
2019-05-05 cs.SI
Community Structure aware Embedding of Nodes in a Network
检测社区或现实生活网络（例如社交网络或产品购买网络）的模块化结构是一项重要任务，因为网络的功能通常由其社区决定。社区发现的传统方法涉及基于模块的算法，一般来说，基于寻求最大化分区内的边缘与它们之间的边缘的比率的算法来构造分区。另一方面，节点嵌入方法将图中的每个节点表示为实值向量，从而能够将图中的社区发现问题转化为对一组向量进行聚类的问题。现有的节点嵌入方法主要基于，首先，从每个节点发起随机游走以构造节点的上下文，然后使节点的向量表示接近其上下文。然而，标准的节点嵌入方法在构建每个节点周围的上下文时并不直接考虑网络的社区结构。为了缓解这种情况，我们探索了两个不同的工作线程。首先，我们研究了使用基于最大熵的随机游走来获得更多的中心保持嵌入的节点，这可能会导致更有效的集群在嵌入空间。其次，我们提出了一个社区结构感知的节点嵌入方法，我们将基于模块化的分区算法到节点嵌入的目标函数。我们证明，我们提出的组合和嵌入方法的组合，用于社区发现优于一些基于模块的基线和K-均值聚类的标准节点嵌入（node 2 vec）向量空间上广泛的现实生活和合成网络的不同大小和密度。
2020-06-27 cs.SI physics.soc-ph
Role-based Label Propagation Algorithm for Community Detection
网络的社区结构提供了对其组织结构和功能行为的全面洞察。LPA是最常用的社区发现算法之一，具有近似线性的时间复杂度。但由于引入了随机性，导致其稳定性差，容易出现怪物群落。我们注意到，不同的面向社区的节点角色以不同的方式影响标签传播。在本文中，我们提出了一个基于角色的标签传播算法（roLPA），在其中使用了关于面向社区的节点角色的算法。我们已经评估了所提出的算法在真实和人工网络。结果表明，roLPA是国家的最先进的社区发现算法相媲美。
2016-01-23 cs.SI physics.data-an physics.soc-ph
Automatic detection of multilevel communities: scalable and resolution-limit-free
社团结构是复杂网络的重要特征之一。基于模块的社区检测方法通常依赖于启发式算法来优化特定的社区质量函数。这种方法受到两个主要缺陷的限制：（1）分辨率限制问题，它禁止同时检测不同大小的社区，以及（2）启发式算法的发散输出，这使得难以区分相关和不相关的结果。本文提出了一种改进的基于可扩展社区适应度函数的社区发现方法。“我们引入了一个新的参数来增强其可扩展性，以及一个严格的策略来过滤输出。由于可扩展性，一方面，我们的方法是免费的分辨率限制的问题，并在大型异构网络上表现出色，而另一方面，它是能够检测更多的社区比以前的方法在深层次的网络。此外，我们的严格策略会自动删除冗余和不相关的结果，而无需任何人工选择。因此，我们的方法只输出稳定和独特的社区，这些社区在很大程度上可以通过关于网络的先验知识来解释，包括合成网络中的植入结构或真实网络的元数据。
2022-09-01 cs.SI physics.soc-ph
Accelerating Community Detection by Using K-core Subgraphs
社区检测是昂贵的，并且成本通常至少线性地取决于图中的顶点的数量。我们建议使用一个简化的图，它具有更少的节点，但仍然可以捕获关键的社区结构。图的K-核心是每个节点至少有K个连接的最大子图。我们提出了一个框架，通过应用昂贵的算法（模块化优化，鲁汶方法，谱聚类等）加速社区检测。到K-核心，然后使用廉价的启发式（如本地模块化最大化）来推断剩余节点的社区标签。我们的实验表明，该框架可以减少80%以上的运行时间，同时保持解决方案的质量。最近的理论研究提供了支持使用K-核心作为一个简化的表示。
2014-10-13 cs.SI physics.soc-ph
Considerations about multistep community detection
网络中的社区发现问题及其意义在自然科学和社会科学中有着重要的应用，引起了人们极大的关注。已经开发了许多算法来解决这个问题，解决速度优化或计算分区的质量。在本文中，我们提出了一个多步骤的程序桥接最快，但不太准确的算法（粗聚类），与最慢，最有效的（细化）。通过采用节点的启发式排序，并将其中的一小部分分类为“关键”，可以将细化步骤限制在网络的这个子集上，从而节省计算时间。初步的数值结果进行了讨论，显示最终分区的改善。
2014-02-27 cs.SI physics.soc-ph
Modularity Optimization as a Training Criterion for Graph Neural Networks
Tokyo Institute of Technology（东京工业大学）
图卷积是一种最近的可扩展方法，用于通过聚合多层上的本地节点信息来对属性图执行深度特征学习。这些层只考虑前向模型中节点邻居的属性信息，而不将全局网络结构的知识纳入学习任务中。特别是，模块化功能提供了一个方便的信息来源的社区结构的网络。在这项工作中，我们研究了在图卷积模型中加入网络的社区结构保护目标对学习表示质量的影响。我们以两种方式合并目标，通过输出层成本函数中的显式正则化项以及通过辅助层计算的额外损失项。我们报告了社区结构保留项在图卷积架构中的效果。两个属性bibilographic网络的实验评估表明，社区保护的目标，提高了半监督节点分类精度在稀疏标签制度。
2022-06-30 cs.LG cs.SI
Post-processing partitions to identify domains of modularity optimization
我们引入了凸包的容许模块划分（CHAMP）算法修剪和优先级不同的网络社区结构，确定在多个运行的可能各种计算拓扑。给定一组分区，CHAMP识别每个分区的模块化优化域-即，参数空间域，其中它相对于输入集具有最大的模块性-丢弃具有空域的分区以获得分区的子集，所述分区的子集是在所指示的参数域上保持潜在最优的“可接受的”候选社区结构。重要的是，CHAMP可以用于多维参数空间，例如用于多层网络的那些，其中一个包括分辨率参数和层间耦合。使用CHAMP的结果，用户可以通过观察优化域的大小和可容许子集中分区之间的成对比较来更适当地选择健壮的社区结构。我们展示了几个示例网络的实用程序的CHAMP。在这些示例中，CHAMP将注意力集中在可接受分区的修剪子集上，这些子集比输入到CHAMP中的由社区发现算法获得的唯一分区集小20到1785倍。
2017-08-21 cs.SI physics.soc-ph
Understanding the Dynamics of the Stack Overflow Community through Social Network Analysis and Graph Algorithms
该论文以 Stack Overflow 为核心，运用社会网络分析与图算法研究在线社区动态及信息质量，并提出交通流预测、影响力最大化和链接预测三类方法。
2024-06-13 cs.SI
The Projection Method: a Unified Formalism for Community Detection
提出投影方法统一框架，将多种社区检测方法表示为超球面上的投影，并解决粒度问题及针对图生成器优化。
2023-12-22 cs.SI
Network Community Detection on Metric Space
复杂网络中的社区发现是近年来研究的热点问题。一般来说，社区发现算法选择一个目标函数，通过优化目标函数来捕获网络中的社区，然后使用各种算法来解决优化问题，从而为用户提取感兴趣的社区。在这篇文章中，我们展示了一个图转换成一个度量空间的点的过程，并开发了社区发现的方法与定义的一对点的度量的帮助。我们还研究和分析了网络的社区结构。我们的方法得到的结果是非常有竞争力的，在文献中的大多数知名的算法，这是合理的，在大量的数据集。另一方面，可以观察到，与其他方法相比，我们的算法所花费的时间要少得多，并且证明了理论研究结果。
2015-08-26 cs.SI physics.soc-ph
The stability of a graph partition: A dynamics-based framework for community detection
近年来，人们对复杂网络分析的兴趣激增，这得益于关系数据的可用性和可用于分析的日益强大的计算资源。自然地，对现实世界系统的研究会导致高度复杂的网络，当前的挑战是从网络中提取相关子图的可理解的简化描述，这可以提供对整个系统的结构和功能的洞察。在Newman和Girvan的开创性工作的启发下，一个有趣的研究方向致力于研究网络中的模块化社区结构，重振了图划分的经典问题。然而，众所周知，网络中的模块或社区结构逃避了严格的定义。最被接受的社区概念可能是一组元素，它们在内部表现出比与社区外部元素更强的交互作用。这个概念导致了大量用于社区检测的计算方法和启发式方法。然而，到目前为止，对这些方法中的大多数方法，在它们如何运作以及它们应该检测什么方面，仍然缺乏坚定的理论理解。在这里，我们将开发一个动态的角度对社区检测，使我们能够定义一个衡量命名的稳定性图分区。它将被证明，一些以前的特设定义的社区检测算法可以被看作是我们的方法为我们提供了一个动态的重新解释这些措施的特殊情况。因此，我们的动态为基础的方法作为一个统一的框架，以获得更深入的了解与社区检测的不同方面和问题，并允许我们提出新的动态启发的标准，社区结构。
2013-08-07 cond-mat.stat-mech cs.SI physics.data-an
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
Stochastic blockmodels and community structure in networks
随机块模型已经被提出作为一种工具，用于检测网络中的社区结构，以及用于生成合成网络作为基准。然而，大多数块模型忽略了顶点度的变化，使得它们不适合应用于现实世界的网络，现实世界的网络通常显示广泛的度分布，这可能会显着扭曲结果。在这里，我们演示了如何将块模型的泛化纳入这个缺失的元素，从而改进复杂网络中社区检测的目标函数。我们还提出了一个启发式算法，社区检测使用这个目标函数或其非度校正对应，并表明度校正版本显着优于未校正的真实世界和合成网络。
2010-08-23 cond-mat.stat-mech cs.SI physics.data-an
Don't Be Greedy: Leveraging Community Structure to Find High Quality Seed Sets for Influence Maximization
我们考虑通过选择固定数量的初始种子来最大化社会网络中的影响力传播的问题-这是网络级联研究中的一个中心问题。关于这个问题的大多数现有工作，正式称为影响力最大化问题，是为子模块叶栅设计的。尽管经验证据表明，许多级联是非次模块化的，但很少有工作集中在非次模块化的影响力最大化。我们提出了一个新的启发式解决的影响力最大化问题，并通过模拟现实世界和合成网络，我们的算法输出更有影响力的种子集比国家的最先进的贪心算法在许多自然情况下，平均提高了7%的子模块级联，和55%的非子模块级联。我们的启发式使用动态规划方法的社会网络的层次分解，利用之间的关系的传播级联和社区结构的社交网络。我们验证了网络结构的重要性，通过显示层次分解的质量影响我们的算法输出的种子集的质量。我们还提出了“最坏情况”的理论结果证明，在某些设置中，我们的算法输出的种子集是一个因素的$Θ(\sqrt{n})$更有影响力的贪心算法，其中$n$是网络中的节点数。最后，我们将我们的算法推广到一个消息传递版本，可以用来找到种子集，至少有尽可能多的影响力的动态规划算法。
2016-09-21 cs.SI physics.soc-ph
A Community-Aware Framework for Social Influence Maximization
Purdue University（普渡大学）；University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）；Iowa State University（爱荷华州立大学）；KAUST（阿卜杜拉国王科技大学）
我们考虑影响力最大化（IM）问题，即在社交网络中选择$k$种子节点的任务，以便最大化受影响的节点的预期数量。我们提出了一个社区意识分而治之的框架，涉及（i）学习社会网络的固有社区结构，（ii）通过解决每个社区的影响力最大化问题生成候选解决方案，以及（iii）选择最终的种子节点使用一种新的渐进式预算方案。我们在现实世界的社交网络上的实验表明，该框架优于标准方法的运行时间和探试法的影响。我们还研究了社区结构对所提出的框架的性能的影响。我们的实验表明，社区结构具有较高的模块化导致所提出的框架，以执行更好的运行时间和影响力。
2023-02-19 cs.AI cs.SI
Hiding Individuals and Communities in a Social Network
互联网和社交媒体激发了人们对社会网络分析的极大兴趣。新的工具继续被开发和用于分析我们的个人关系，特别强调检测社区或识别社交网络中的关键个人。这引发了对隐私的担忧，未来可能会加剧。考虑到这一点，我们提出了一个问题：个人或团体能否积极管理他们的联系，以逃避社会网络分析工具？通过解决这个问题，公众可以更好地保护他们的隐私，受压迫的活动团体可以更好地隐藏他们的存在，安全机构可以更好地了解恐怖分子如何逃脱检测。我们首先研究个人如何能够逃避“网络中心性”的分析，而不损害他或她在网络中的影响力。我们证明了这个问题的最优解是很难计算的。尽管这种硬度，我们证明，即使是一个简单的启发式，即注意力仅限于个人的近邻，可以在实践中令人惊讶的有效。例如，它可以掩盖穆罕默德·阿塔在世贸中心恐怖网络中的领导地位，这是通过重新布线一个惊人的少数连接。接下来，我们研究社区如何增加被社区检测算法忽视的可能性。我们提出了一个隐藏的措施，表达如何以及一个社区是隐藏的，并用它来证明一个简单的启发式的有效性，即社区成员要么“unfriend”某些其他成员，或“befriend”一些非成员，在协调的努力来伪装他们的社区。
2016-08-01 cs.SI physics.soc-ph
A Statistical Modelling Approach to Detecting Community in Networks
最近有相当大的兴趣在算法中寻找社区网络-组的顶点内的连接是密集的（频繁），但之间的连接是稀疏的（罕见）。大多数当前文献提倡一种去除边缘的启发式方法（即，使用精心设计的函数移除不太重要的链接）。在这篇文章中，我们将研究一种使用新的建模方法来发现潜在社区的技术，该方法基于信息如何在网络中传播。它将被证明是易于使用，强大和可扩展的。它使与网络/社区结构有关的补充信息（不同的来文、连续的观察）更容易整合。我们将通过提供一些示例性的真实应用程序来展示我们方法的效率，例如著名的Zachary空手道俱乐部或亚马逊政治书籍购买者网络。
2014-02-05 cs.SI stat.AP
Efficient Monte Carlo and greedy heuristic for the inference of stochastic block models
我们提出了一个有效的算法推理的随机块模型在大型网络。该算法可以被用作优化的马尔可夫链蒙特卡罗（MCMC）方法，具有快速的混合时间和被困在亚稳态的敏感性大大降低，或作为一个贪婪的凝聚启发式，具有几乎线性的$O(N\ln^2N)$复杂性，其中$N$是网络中的节点数，独立于被推断的块的数量。我们表明，启发式是能够提供的结果是无法区分的更精确和数值昂贵的MCMC方法在许多人工和经验的网络，尽管要快得多。该方法对任何特定的混合模式都是完全无偏的，特别是它不支持竞争性的群落结构。
2014-01-13 cond-mat.stat-mech cs.SI physics.comp-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
Size Matters: A Comparative Analysis of Community Detection Algorithms
了解社交媒体的社区结构是至关重要的，因为它的广泛应用，如朋友推荐，用户建模和内容个性化。现有的研究使用结构性指标，如模块化和电导和功能性指标，如地面真理来衡量各种社区发现算法发现的社区的质量，而忽略了一个自然和重要的维度，社区规模。最近，人类学家邓巴建议，社交媒体中稳定社区的规模应该限制在150人以内，称为邓巴数。在这项研究中，我们提出了一个系统的方法，算法比较正交整合社区规模作为一个新的维度到现有的结构性指标，一致和全面地评估社会媒体环境中的社区质量。我们设计了一个启发式的基于团的算法，它控制的大小和重叠的社区可调参数，并评估它与五个国家的最先进的社区发现算法在Twitter网络和DBLP网络。具体来说，我们将发现的社区根据它们的大小分为四类，称为亲密朋友，普通朋友，熟人，只是一张脸，然后计算覆盖率，模块化，三角参与率，传导性，传递性和社区的内部密度在每个类。我们发现，在不同的类社区表现出不同的结构质量和许多现有的社区发现算法往往输出非常大的社区。
2017-12-03 cs.SI physics.soc-ph
Multi-scale Community Detection using Stability Optimisation within Greedy Algorithms
许多真实的系统可以表示为网络，其分析可以提供关于原始系统的组织的非常有用的信息。在过去的十年里，社区发现受到了广泛的关注，现在是一个活跃的研究领域。最近引入稳定性作为划分质量的新度量。这项工作研究的稳定性作为一个优化标准，利用马尔可夫过程的网络视图，使多尺度社区发现。提出了优化稳定性的算法的几种算法和变化，以及重叠社区的应用。实验表明，该方法能够实现多尺度网络分析的准确性。
2012-01-16 cs.DS cs.SI physics.soc-ph
A Community-Enhanced Graph Representation Model for Link Prediction
School of Computer Science and Engineering（计算机科学与工程学院）；School of Computer Science（计算机科学学院）
本文提出CELP框架，通过结合社区结构，改进图表示模型以提升链接预测的准确性。
2025-12-24 cs.LG cs.SI
Mining for Spatially-Near Communities in Geo-Located Social Networks
现有的社交网络社区发现方法往往忽略了节点的空间位置。在本文中，我们期待在社会网络中提取空间附近的社区。我们引入了一个新的度量标准来衡量一个社区分区的质量在一个地理定位的社交网络称为“空间接近模块化”的值，增加的基础上的网络结构的方面，但减少的基础上的社区节点之间的距离。然后，我们希望找到相对于该指标的最佳分区--就社会关系和地理位置而言，它应该是一个“理想”的社区。虽然是一个NP难问题，我们引入两个启发式算法，试图最大限度地提高这一措施，并优于非地理社区发现的数量级。还讨论了反恐怖主义的应用。
2013-09-11 cs.SI physics.soc-ph
Understanding Vulnerability of Communities in Complex Networks
在本文中，我们研究了复杂网络的关键元素，即节点和边缘及其属性，如它们的社区结构，这在决定网络对结构扰动的鲁棒性方面起着重要作用。具体来说，我们希望识别所有重要节点，这些节点在被删除时会导致网络底层社区结构的巨大变化。这个问题非常重要，因为网络的社区结构可以让我们深入了解网络的功能及其拓扑结构如何相互影响。此外，它甚至提供了一种将大型图压缩成较小图的方法，其中每个社区都充当Meta节点，从而有助于更轻松的网络分析。如果这种社区结构受到网络意外或故意扰动的影响，这将使这种分析变得困难。由于确定这样的重要节点的问题是计算上棘手的，我们提出了一些算法，使我们能够找到接近最优解的解决方案。为了证明我们的方法的有效性，我们首先在小型网络上测试这些算法，然后转移到更大的网络上，以表明我们获得了类似的结果。结果表明，所提出的方法是有效的，以分析社区的脆弱性在图中，无论其大小和规模。从应用的角度来看，我们表明，所提出的算法是可扩展的，可以应用到信息扩散任务，以减少经验观察到的活动节点的传播。此外，我们通过外部评估显示我们的算法的性能-我们采用两个任务，如预测和信息扩散，并表明我们的算法对这些任务的效果高于其他基线。
2021-02-03 cs.SI physics.soc-ph
