Influence maximization by rumor spreading on correlated networks through community identification
最大化信息传播的最小节点集的识别是网络科学中最相关的问题之一。本文提出了一种新的方法来寻找初始传播者的集合，以最大化复杂网络中的信息传播。我们评估了这种方法在互联网和验证度度相关性的传播动力学中起着至关重要的作用。仿真结果表明，我们的算法是统计相似的，关于平均规模的爆发，在现实世界中的网络的贪婪的方法。然而，我们的方法是更少的时间消耗比贪婪算法。
2019-11-08 cond-mat.stat-mech cs.SI physics.soc-ph
Heterogeneity shapes groups growth in social online communities
许多复杂系统的特征是广泛的分布，例如，企业的规模，城市的人口或复杂网络的度分布。通常，这一特征是通过优先生长机制来解释的。虽然异质性预计将发挥作用的演变，它通常是不考虑在建模可能是由于缺乏经验证据，它是如何分布。我们的特点是在一个在线社区的群体的内在异质性，然后表明，连同一个简单的线性增长和不均匀的出生率，它解释了广泛分布的群体成员。
2012-02-28 cs.SI physics.soc-ph
Identification of community structure in networks with convex optimization
我们将网络分区集上的模块度最大化问题转化为完全正锥上的锥优化问题，将其从组合优化问题转化为凸连续优化问题。一个半定松弛的圆锥形程序，然后允许计算上界的最大模块化的网络。基于相应的半定规划的解，我们设计了一个随机化算法，生成具有次优模块度的网络分区。我们将此算法应用于几个基准网络，证明它是竞争力的准确性与以前已知的最好的算法。我们使用我们的方法提供了第一个证明的最优性的分区为现实世界的网络。
2008-06-12 cond-mat.stat-mech physics.data-an physics.soc-ph
Sampling bias in systems with structural heterogeneity and limited internal diffusion
复杂系统的研究越来越多地受到数据的驱动，特别是在社会和生物领域。收集样本数据的许多系统都具有中观尺度（即社区）的结构异质性和有限的社区间扩散。在这里，我们表明，这两个功能之间的相互作用，可以产生显着的偏见，从数据推断的全球特征。我们提出了一个通用的框架来量化这种偏见，并推导出一个明确的校正因子的广泛的系统。将我们的分析应用于最近一项备受瞩目的伊拉克冲突死亡率调查表明，死亡人数被严重高估。
2008-12-19 physics.soc-ph
Prisoner's Dilemma on community networks
本文引入了一个具有无标度特性的社区网络模型，并在此网络模型上研究了进化囚徒困境博弈。仿真结果表明，随着平均度$\bar{k}$的增加，合作者的出现频率逐渐降低.当我们保持总的联系（包括社区内和社区间的联系）不变时，减少社区间的联系可以促进合作。它也表明，网络的异质性并不总是增强合作和模式的所有顶点之间的连接在一个给定的度分布起着至关重要的作用，在网络模型中的合作优势。
2007-01-29 physics.soc-ph
Stability of Degree Heterogeneous Ecological Networks
生态稳定〈动〉<动>的一个经典测量方法描述了群落在小扰动后恢复平衡的趋势。虽然许多进展表明这些社区的网络结构如何严重限制这种趋势，但这些进展中很少有解决网络结构最基本的属性之一：具有不同数量链接的节点之间的异质性。在这里，我们系统地探讨这种性质的“程度异质性”，并发现其对稳定性的影响系统地不同类型的种间相互作用。度异质性在具有竞争性和互利性相互作用的生态网络中总是不稳定的，而它对食物网等捕食者-猎物相互作用网络的影响取决于猎物的邻近性，即，物种在群落生态位空间中消耗一系列完整猎物的程度。增加程度的异质性稳定的食物网，除了那些最接近。这些发现有助于解释以前无法解释的观察结果，即食物网高度但不完全连续，更广泛地说，加深了我们对复杂生态网络稳定性的理解，对其他类型的动力系统具有重要意义。
2015-06-05 physics.soc-ph q-bio.PE
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
Community core detection in transportation networks
这项工作分析了方法的识别和扰动下的领土社区结构的稳定性，具体参考交通网络。我们考虑了一个城市和一个岛屿地区的通勤者网络。在这两种情况下，我们都研究了通勤者的出行分布（即，从家到工作的旅行，反之亦然）。社区核心的确定和稳定性与区域系统内的土地使用分布有关，因此，对社区核心的适当定义可能对交通规划者有用。
2013-09-19 cs.SI physics.soc-ph
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
Detecting groups of similar components in complex networks
我们研究了如何在复杂网络中检测组，每个组由共享相似连接模式的组件节点组成。基于混合物模型和由Newman和Leicht建立的探索性分析（Newman和Leicht 2007 { \it Proc. Natl. Acad. Sci. USA} { \bf 104} 9564），我们开发了一个算法，该算法适用于具有任意度分布的网络。该算法所建议的网络划分也适用于其互补网络。通常，相似组件的组不一定与社区网络中的社区相同;因此将网络划分为相似组件的组提供了网络结构的附加信息。该算法还可以用于群体和社区重叠时的社区检测。通过引入一个可调参数来控制异质性的影响，我们也可以方便地研究如何将群结构与异质性特征耦合起来。特别是，一个有趣的例子表明，在某些情况下，当所涉及的异质性效应被调整时，组分区可以演变成社区分区。本文还讨论了该算法在加权网络中的推广。
2008-10-09 physics.data-an physics.soc-ph
Jointly they edit: examining the impact of community identification on political interaction in Wikipedia
在他们2005年的研究中，Adamic和Glance创造了令人难忘的短语“divided they blog”，指的是政治博客圈中的网络巴尔干化趋势，自由派和保守派博客倾向于链接到其他具有相似政治倾向的博客，而不是彼此。随着政治讨论和活动越来越多地转移到网上，构建政治话语的力量正在从大众媒体转移到社交媒体。继续审查在线政治互动是至关重要的，我们通过审查维基百科社区内政治用户的活动来扩展这一研究路线。首先，我们研究了维基百科的用户如何选择显示（或不显示）他们的政治派别。接下来，我们更仔细地研究了跨党派互动和社区参与的模式，这些用户宣布一个政治派别。与之前对其他社交媒体的分析相反，我们没有发现强烈的趋势表明维基百科社区内倾向于与同一政党的成员互动。我们的研究结果表明，在社区内宣布自己的政治派别的用户往往会更大声地宣布自己的身份为“维基人”。看来，“成为维基人”的共同身份可能足够强大，足以战胜个人身份的其他潜在分裂方面，如政治派别。
2012-11-05 cs.CY cs.SI physics.soc-ph
A paradox in community detection
最近的研究表明，几乎所有旨在识别网络中社区的算法都受到相同的主要限制的影响：如果内部和外部节点度之间的差异的平均值不超过严格的正值，则不可能检测到社区，即使这些社区是明确定义的，在文献中称为可检测性阈值。在这里，我们反直觉地表明，这个阈值的值是成反比的社区的内在质量：明确定义的模块的检测，因此比定义不明确的社区的识别更困难。
2014-05-06 cs.SI physics.soc-ph
Benchmark graphs for testing community detection algorithms
社团结构是真实网络的重要特征之一，它揭示了节点的内部组织结构。已经提出了许多算法，但测试的关键问题，即一个算法相对于其他算法有多好的问题，仍然是开放的。标准测试包括分析具有内置社区结构的简单人工图，该算法必须恢复。然而，在实际测试中采用的特殊图的结构并不能反映真实网络中节点和社区的真实属性。在这里，我们介绍了一类新的基准图，占的异质性分布的节点度和社区规模。我们使用这个新的基准测试两种流行的社区检测方法，模块化优化和Potts模型聚类。结果表明，新的基准对算法的测试比标准基准要严格得多，揭示了在第一次分析时可能不明显的限制。
2008-10-30 physics.comp-ph physics.soc-ph
Bow-tie structure and community identification of global supply chain network
本文从全球供应链网络的度分布、层次结构和度-度相关性等方面研究了全球供应链网络的拓扑性质。全球供应链数据是通过收集2018年标准普尔资本智商平台网站上的各种公司数据构建的。入度和出度分布的特征在于幂律，入度指数= 2.42，出度指数= 2.11。聚类系数呈幂律衰减，指数为0.46。节点度-度相关性表明不存在重复性。GWCC的蝴蝶结结构表明，OUT成分最大，占总公司的41.1%。GSCC占公司总数的16.4%。我们观察到，在上游或下游侧的企业大多位于几步之遥的GSCC。此外，我们揭示了网络的社区结构，并根据它们的位置和行业分类来描述它们。我们观察到，最大的社区由主要位于美国的非必需消费品行业组成。这些公司属于全球供应链网络蝴蝶结结构中的OUT部分。最后，我们确认命题S1（短路径长度），S2（幂律度分布），S3（高聚集系数），S4（“适合更富有”的增长机制），S5（截断幂律度分布），和S7（社区结构与重叠边界）在全球供应链网络的有效性。
2020-03-04 econ.GN physics.soc-ph q-fin.EC
Identification of Overlapping Communities by Locally Calculating Community-Changing Resolution Levels
Lancichinetti、Kertesz和Lancichinetti（LFK）去年提出了一种用于检测网络中重叠自然社区的算法。LFK算法通过最大化社区的局部适应度来构建（原则上）图的所有节点的自然社区。产生的模块可能会重叠。对于许多分辨率值，社区的生成可以很容易地重复;从而允许网络上不同分辨率的不同视图。我们以不同的方式实现了LFK算法的主要思想--生成网络中每个节点的自然社区。我们从分辨率参数的值开始，该值足够高，每个节点都是自己的自然社区。一旦分辨率降低，每个节点就会随着其社区成员（即自然社区）的增长而获得其他节点。对于在某个分辨率级别找到的每个社区，我们计算添加节点的下一个较低分辨率。在将节点添加到种子节点的社区后，我们检查它是否也是我们已经分析过的节点的自然社区。在这种情况下，我们可以停止扩展种子节点的社区。我们测试了我们的算法在一个小的基准图和网络上的约500篇论文在信息科学（加权索尔顿指数的书目耦合）。在我们的测试中，这种方法会导致分辨率的特征范围，其中大的分辨率变化不会导致自然群落的增长。这种稳定的模块也是通过应用LFK算法获得的，但由于我们在一次运行中确定了所有分辨率值的社区，因此我们的方法比LFK参考更快。而且我们的算法更容易揭示图的层次结构。
2010-08-05 physics.data-an physics.soc-ph
Identification of overlapping communities and their hierarchy by locally calculating community-changing resolution levels
我们提出了一个新的本地，确定性和无参数的算法，检测模糊和清晰的重叠社区的加权网络，同时揭示其层次结构。该算法通过引入局部适应度函数，不断扩展种子的自然社区，直到覆盖整个图。社区的层次结构是通过计算社区增长的分辨率水平而不是通过测试不同的分辨率水平来分析获得的。这种分析方法不仅比LFM和GCE等数值方法更精确，而且速度也更快。关键分辨率水平可以通过搜索分辨率的大变化不会导致群落增长的间隔来识别。我们在基准图和信息科学中的492篇论文的网络上测试了我们的算法。结合一个特定的后处理，该算法给出了更精确的结果，LFR基准与高重叠相比，其他算法和执行非常相似的GCE。
2010-12-06 cs.SI physics.data-an physics.soc-ph
Finding Community Structure Based on Subgraph Similarity
社区识别是现代网络科学中的一个长期挑战，特别是对于包含数百万个节点的超大规模网络。本文提出了一种新的子图结构相似性度量方法，并在此基础上设计了一种社区识别算法。在不同领域的几个真实网络上的大量实验结果表明，本算法可以提供相同水平的可靠性，通过模块化来衡量，而所需的时间比Clauset，Newman和Moore（CNM）提出的著名的快速算法短得多。我们进一步提出了一种混合算法，可以同时提高模块性和节省计算时间相比，CNM算法。
2009-02-14 cs.IR cs.NI physics.soc-ph
Community detection in complex networks using Extremal Optimization
提出了一种基于模块度极值优化的复杂网络社团结构发现方法。该方法优于文献中现有的算法找到的最佳模块化。我们提出的计算机模拟和真实网络的算法的结果，并与其他方法进行比较。该方法的高效性和准确性使其适用于大型复杂网络社团结构的精确识别。
2005-01-16 cond-mat.dis-nn cond-mat.stat-mech physics.soc-ph
Characters and patterns of communities in networks
在本文中，我们提出了一些新的概念来描述和分析社区。这些新的概念是网络的社区或局部结构的一般特征。首先，我们引入了社区的内部支配集和外部支配集的概念。我们证明了真实网络中的大多数社区都有一个小的内部支配集和一个小的外部支配集，并且社区的内部支配集保留了社区的大部分信息。其次，基于内支配集和外支配集的概念，定义了内斜率（ISlope）和外斜率（ESlope），分别用来度量群落的内部异质性和外部异质性。我们发现，社区的内部斜率（ISlope）在很大程度上决定了社区的结构，大多数社区在真实的网络是异质的，这意味着大多数社区有一个核心/外围结构，和ISlope和ESlope（反映社区的结构）的所有社区的网络近似遵循正态分布。因此，给定网络的所有社区的ISlopes和ESlopes的典型值都在一个狭窄的区间内，并且只有少数社区具有在网络的ISlopes和ESlopes的典型值范围之外的ISlopes或ESlopes。最后，我们证明了我们所研究的真实网络的所有社区都具有三度分离现象，即社区的平均距离约为3，这意味着许多真实网络的真实社区具有一般性质，并且对于许多真实网络，良好的社区发现算法可以找到放大网络聚类系数的社区。
2013-01-14 cs.SI physics.soc-ph
Club Formation by Rational Sharing : Content, Viability and Community Structure
当参与度和贡献度都很高时，共享社区就会繁荣。我们建议，这两个，而每个同行作出相关的决定，应给予单独的理性基础。考虑到这一点，一个基本的问题是俱乐部形成的可行性，这就需要对异质性的两个主要来源，即同行和共享内容进行建模。这种生存能力的观点清楚地解释了为什么理性的同伴会做出贡献（或者当他们不这样做时，他们会搭便车），以及他们的集体行动如何决定生存能力以及俱乐部的规模。它还揭示了另一个限制俱乐部形成的根本原因，除了搭便车，在社区结构中，同伴的利益（需求）和分享（供应）之间的关系。
2005-09-18 cond-mat.stat-mech cs.NI 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
Covariance, correlation matrix and the multi-scale community structure of networks
实证研究表明，现实世界的网络往往表现出多尺度的拓扑描述。然而，如何识别网络的内在多尺度仍然是一个悬而未决的问题。本文从降维的角度出发，研究网络多尺度社团结构的检测问题。根据这一观点，定义了网络的协方差矩阵，通过平移和旋转变换来揭示多尺度社区结构。证明了协方差矩阵是模块度矩阵的无偏形式。指出平移和旋转变换不能处理自然界和社会中普遍存在的异构网络。为了解决这个问题，提出了一个相关矩阵，通过引入重标度变换的协方差矩阵。在真实世界和人工网络上的大量测试表明，在识别网络的多尺度社区结构方面，相关矩阵显著优于协方差矩阵，同样也优于模块度矩阵。这一工作为群落结构的识别提供了一个新的视角，因此，各种降维方法可用于群落结构的识别。通过引入相关矩阵，我们进一步得出了重标度变换以及平移和旋转变换对于识别网络的多尺度社团结构至关重要的结论。
2010-07-02 physics.soc-ph
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
Emergence of community structures through biased random walks rewiring
社区结构已经在各种复杂的现实世界网络中被识别出来，例如，通信，信息，互联网和股东网络。群落规模分布的尺度性反映了网络拓扑结构的异质性。现有的网络生成或生长模型能够再现网络的一些性质，包括度分布、大聚类系数和社区。然而，社区规模的缩放行为缺乏调查，特别是从本地相互作用的角度。基于异构节点行为不同导致网络拓扑位置不同的假设，我们提出了有向网络中设计随机游动的模型来解释观测网络中的特征.该模型强调了两种不同的动力学可以模拟局部相互作用，并且在再现真实复杂网络的特征时，隐藏层是必不可少的。该模型可以解释的关键特征包括社区规模分布、度分布、渗流性质、平均路径长度分布以及上述性质对数据中节点标签的依赖性。
2022-07-08 math.DS physics.soc-ph
Triadic closure as a basic generating mechanism of communities in complex networks
大多数复杂的社会、技术和生物网络都具有重要的社区结构。因此，复杂网络的社区结构必须被认为是一个普遍的属性，以及这些网络的小世界和无标度属性。尽管在描述真实网络的社区结构方面有很大的兴趣，但没有足够的注意力用于检测能够自发生成社区网络的通用机制。三元闭合是建立新联系的自然机制，特别是在社交网络中。在这里，我们表明，基于简单的三元封闭的网络增长模型自然会导致社区结构的出现，以及节点度的厚尾分布，高聚类系数。社区从最初的随机异质性的链接集中出现，随后是一个周期的增长和分裂。社区是更明显的，稀疏的图，并在连接过程中的链接密度和随机性的高值消失。通过引入一个基于适应度的链接吸引的节点，我们发现了一个新的相变，社区消失的适应度分布的高度异质性，但一个新的介观组织的节点出现，与几个超级枢纽之间共享的节点组，吸引了系统的大部分链接。
2014-12-01 cs.SI physics.soc-ph
Fast community detection by SCORE
考虑一个网络，其中节点分为$K$不同的社区。节点的社区标签是未知的，并且主要关注的是估计它们（即，社区检测）。度校正块模型（DCBM）是一种流行的网络模型。如何用DCBM发现社区是一个有趣的问题，其中的主要挑战在于度的异质性。我们提出了一种新的方法来社区检测，我们称之为谱聚类比的特征向量（SCORE）。与经典的谱方法相比，该方法的主要创新之处在于使用第一个前导特征向量与其他每个前导特征向量之间的条目比进行聚类。假设$A$是网络的邻接矩阵。我们首先得到$A$的$K$前导特征向量，即$\hatη_1,\ldots,\hatη_K$，并设$\hat{R}$为$n\times (K-1)$矩阵，使得$\hat{R}(i,k)=\hatη_{k+1}(i)/\hatη_1(i)$，$1\leq i\leq n$，$1\leq k\leq K-1$ .然后，我们使用$\hat{R}$通过应用$k$均值方法进行聚类。最令人惊讶的是，程度异质性的影响在很大程度上是辅助性的，并且可以通过在$\hatη_{k+1}$和$\hatη_1$之间取条目比例$1\leq k\leq K-1$来有效地去除。该方法成功地应用于网络博客数据和空手道俱乐部数据，错误率分别为$58/1222$和$1/34$。这些结果比经典谱方法的结果更令人满意。此外，与模块化方法相比，SCORE更容易实现，计算速度更快，错误率也更小。…
2014-11-27 cs.SI physics.soc-ph stat.ME
Community detection by resistance distance: automation and benchmark testing
异质性是真实世界网络的特征，其中节点显示出广泛的不同拓扑特征。然而，节点也倾向于组织成社区--节点的子集，它们之间的连接稀疏，但内部连接密集（超过网络的平均连接）。这意味着属于同一社区的节点通过某种距离度量彼此接近，例如电阻距离，这是考虑所有可能路径的任何节点对之间的有效距离。在这项工作中，我们提出了自动化（即，无监督）和最近提出的基于电阻距离的半监督社区检测算法的缺失准确性测试。准确性测试涉及量化我们的算法在从基准网络恢复已知合成社区方面的性能，其中我们给出了Girvan-Newman和Lancichinetti-Radicchi网络的结果。我们的研究结果表明，我们的算法属于准确的表演者。
2021-11-08 physics.data-an physics.soc-ph
Modeling community structure and topics in dynamic text networks
在过去的十年中，动态网络建模和主题建模都取得了很大的进展。本文借鉴这两个领域创建一个贝叶斯方法，允许主题发现通知潜在的网络模型和网络结构，以促进主题识别。我们将这种方法应用于2012年467个顶级政治博客。我们的研究结果发现复杂的社区结构，在这组博客，社区成员强烈依赖于一套主题的博客作者感兴趣。
2018-08-23 cs.SI physics.soc-ph stat.ML
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
Spectral methods for the detection of network community structure: a comparative analysis
谱分析已经成功地应用于网络社团结构的检测，分别基于邻接矩阵、标准拉普拉斯矩阵、归一化拉普拉斯矩阵、模块度矩阵、相关矩阵以及这些矩阵的其他几种变体。然而，这些光谱方法之间的比较报道较少。更重要的是，目前还不清楚哪种矩阵更适合于检测社区结构。本文回答了这个问题，通过评估这五个矩阵的有效性对基准网络的异构分布的节点度和社区规模。测试结果表明，归一化拉普拉斯矩阵和相关矩阵在识别网络社团结构方面明显优于其他三种矩阵。这表明，在利用谱分析进行社区结构检测时，考虑节点度的异质性分布是至关重要的。此外，模块度矩阵与邻接矩阵的性能非常相似，表明模块度矩阵在考虑节点度异质性的情况下，并不能从配置模型中获得预期的效果。
2010-10-20 cond-mat.stat-mech cs.SI physics.soc-ph
