Modularity measure of networks with overlapping communities
在本文中，我们引入了一个非模糊的措施，已被设计成重叠社区的网络节点的分区排名。这样的措施可以是有用的量化集群检测到的各种方法，并在寻找重叠的社区结构的优化方法。文中讨论了重叠模块分离的理论问题，并给出了一个可能的应用实例。
2009-10-27 physics.soc-ph
Mapping change in higher-order networks with multilevel and overlapping communities
复杂系统的新网络模型使用层、状态节点或超边来捕获高阶交互和动态。简化高阶网络如何随时间变化或取决于网络模型将很容易使用冲积图，它可视化网络之间的社区分裂和合并。然而，冲积图是针对具有分配给非重叠平坦社区的规则节点的网络开发的。对于层中的节点、状态节点或超边，应该如何定义它们？它们如何描绘多层次、重叠的社区？在这里，我们概括了冲积图，以映射高阶网络中的变化，并为任何人提供了一个交互式工具来生成冲积图。我们使用冲积发电机来说明在引文网络中使用记忆建模网络流的效果，区分多学科和特定领域的期刊。
2023-03-01 physics.soc-ph
Emergence of communities in weighted networks
在加权复杂网络中，拓扑和权密切相关，这反映在它们的模块化结构中。我们提出了一个简单的网络模型，其中的权重是动态生成的，它们塑造了发展中的拓扑结构。通过调整模型参数的权重的重要性，产生的网络经历了一个渐进的结构过渡，从一个模块自由的拓扑结构与社区。该模型还再现了大型社交网络的许多特征，包括“弱链接”属性。
2007-08-07 physics.soc-ph
Mapping memory-biased dynamics with compact models reveals overlapping communities in large networks
针对识别基于流的重叠社区需高阶关系数据却常不可得的问题，该研究利用node2vec的流模型，通过紧凑模型对记忆偏置随机游走的高阶动态约束建模，结合地图方程框架识别重叠模块，在合成及实证网络中表现稳健且可扩展至大型网络。
2025-11-12 physics.soc-ph
Communities and beyond: mesoscopic analysis of a large social network with complementary methods
到目前为止，社区检测方法主要在小型经验网络和合成基准上进行测试。关于它们在大型现实网络上的性能，我们知道的要少得多，尽管如此，它们仍然是应用的重要目标。我们分析了三个国家的最先进的社区检测方法的性能，使用它们来识别社区在一个大型的社会网络从手机通话记录。我们发现，所有的方法检测社区，在某些方面是有意义的，但在其他方面的不足，往往是一个层次关系的社区检测不同的方法。我们的研究结果表明，社区检测方法可能是有用的，在研究一般的中尺度网络结构，而不是只试图识别密集的结构。
2011-06-08 physics.soc-ph
Evolving Social Weighted Networks: Nonlocal Dynamics of Open Source Communities
复杂网络在不同的条件下通过简单的生长和进化规则出现。在处理生物系统和大多数社交网络时，这些规则通常是局部的。与这种情况的一个重要的偏离是由从事技术开发的代理社区提供的，例如开源（OS）社区。在这里，我们分析了他们的网络结构，表明它定义了一个复杂的加权网络，在不同的水平上具有标度律，通过查看电子邮件交换来测量。我们还提出了一个简单的网络增长模型，涉及非本地规则的介数中心。模型的结果非常符合观察到的比例法则，表明社区的总体目标和底层的等级组织在塑造其动态方面发挥了关键作用。
2006-02-01 physics.soc-ph
Correlation Analysis of Nodes Identifies Real Communities in Networks
复杂网络分析中的一个重要问题是揭示社区结构，即网络节点在同一社区中紧密连接，社区之间存在稀疏连接。以往的社区检测算法存在复杂度高、需要社区数量或规模等先验信息、多次运行不能得到相同的划分结果等缺点。在本文中，我们提出了一个简单而有效的算法，它只使用节点的相关性，这既不需要优化预定义的目标函数，也不需要社区的数量或大小的信息。我们测试我们的算法在真实世界和合成图的社区结构是已知的，并观察到该算法检测这种已知的结构具有很高的适用性和可靠性。我们还将该算法应用到一些网络的社区结构是未知的，并发现它在这些情况下检测确定性和信息社区分区。
2018-04-24 physics.soc-ph
Computing the statistical significance of optimized communities in networks
在网络数据中发现社区，用于无监督学习，特征发现，异常检测或科学研究通常是令人感兴趣的。绝大多数社区检测方法通过优化质量函数来进行，即使在没有社区的随机网络上也是可能的。因此，通常没有一种简单的方法来判断社区是否“重要”，在这种情况下，这意味着比在没有社区的随机图模型下预期的内部连接更多。本文将现有的空模型推广到二分图，并引入了一种新的重要性评分算法，称为快速优化社区重要性（FOCS），该算法具有高度可扩展性和不可知性。此外，与单部图上的现有方法相比，FOCS在数值上更稳定，并且更好地平衡了检测能力和误报之间的权衡。
2018-11-17 cs.SI physics.soc-ph stat.ME
Searching for Communities in Bipartite Networks
二分网络是表示和研究交互网络的有用工具。我们考虑在二分网络中识别社区的方法。网络社区群体的直观概念，明确使用纽曼的模块化措施。一个专门的版本的模块化，适合于二分网络，描述了相应的算法，通过最大限度地提高这一措施，以确定社区团体。该算法适用于网络来自欧盟的研究和技术发展框架计划。确定的社区群体进行比较，使用信息理论的方法。
2008-03-19 physics.soc-ph
The Genetic Programming Collaboration Network and its Communities
有关科学合作结构和模式的有用信息可以从已发表论文的计算机数据库中推断出来。遗传规划参考书目是关于遗传规划的最完整的参考文献。除了查找出版物，它还包含共同作者和共同编辑的关系，从中可以更全面地了解该领域。我们将这些关系视为无向小世界图，其研究揭示了GP协作社会网络的社区结构。自动分析发现新的社区并突出它们的新方面。调查显示，GP和其他科学领域的合作网络之间有许多相似之处，但也有一些微妙的差异，如较小的中心网络组件和高聚类。
2007-04-04 physics.soc-ph
A Majority-Vote Model On Multiplex Networks with Community Structure
研究了具有社团结构的二层多路复用网络中的多数投票模型。在我们的多数投票模型中，每一层上的边编码一种类型的社会关系，个人根据每一层中邻居的多数意见改变自己的意见。要捕捉的事实，不同的关系往往有不同程度的重要性，我们引入了一个层偏好参数，它决定了一个节点的概率，采用一个意见时，节点的邻居在两个层有不同的多数意见。我们构建网络，使得每个节点都是每层上一个社区的成员，并且我们考虑节点与来自同一社区的节点的连接往往多于与来自不同社区的节点的连接的情况。我们研究的层偏好参数的影响，层内社区，和层间成员的相关性对我们的模型的稳态行为，使用直接数值模拟和平均场近似。我们发现三种不同类型的稳态行为：完全混合状态，共识状态和极化状态。我们证明了一个更强的层间社区的相关性，使极化的稳定状态达到更广泛的范围内的其他模型参数。我们还表明，不同的层偏好参数值的结果在定性不同的相图的平均意见在稳定状态。
2022-06-27 cond-mat.stat-mech cs.SI math.DS
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
Identification of hybrid node and link communities in complex networks
复杂网络中社团的识别已经成为分析复杂系统的有效手段。它在社会科学、工程学、生物学和医学等不同领域有着广泛的应用。节点社区和链路社区是网络结构分析的两种常用方法。然而，这些计划有固有的缺点，往往不足以正确地捕捉在真实的网络复杂的组织结构。我们介绍了一种新的方案和有效的方法来识别复杂的网络结构，使用混合的节点和链接社区，称为混合节点链接社区。我们的方法的一个核心部分是一个概率模型，可容纳节点，链接和混合节点链接社区。我们在各种真实世界的网络上进行了大量的实验，包括一个大型的蛋白质-蛋白质相互作用网络和一个大型的常用词语义关联网络，表明混合社区的方案在揭示网络特征方面具有优越性。此外，新的方法优于现有的方法分别找到节点或链接社区。
2013-09-18 cs.SI 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
Communities unfolding in multislice networks
发现复杂网络中的社区有助于理解网络的行为。在这个有前途的研究领域存在一些工作，但社区发现的时间依赖和/或多路复用网络尚未深入研究。本文提出了一种基于模块度优化的多层网络社区发现方法。我们首先提出了一种方法来减少网络的大小，仍然保留模块化。然后，我们介绍了一种算法，近似模块化优化（通常采用）的多层网络，从而找到社区。网络大小的减少使我们能够保持可接受的性能，而不影响所提出的方法的有效性。
2016-04-02 cs.SI physics.soc-ph
Transfer entropy between communities in complex networks
借助传递熵分析了复杂网络社区之间的信息流动。我们表明，转移熵提供了一个连贯的描述社区之间的相互作用，包括非线性相互作用。为了使这些基本的理论更有说服力，我们分析了五个最大的金融市场社区之间的转移熵，这些社区被表示为相互作用的股票网络。此外，我们还讨论了稀有事件的信息传递，并利用Rényi传递熵对稀有事件的信息传递进行了分析。
2017-06-17 physics.soc-ph q-fin.ST
Dual communities in spatial networks
无论是人造的还是自然的供应系统，如电网和树叶脉络网络，都是为了在不断变化的外部条件下可靠地运行而建立的。这些空间网络中的许多都表现出社区结构。在这里，我们证明了网络各部分之间相对较强的连通性可以用来定义不同类别的社区：对偶社区。我们证明，传统和双重社区自然出现的两个不同阶段的优化网络结构的形状由波动，他们抑制故障蔓延，这强调了他们的重要性，在理解现实世界的供应网络的形状。
2022-10-28 physics.app-ph physics.soc-ph
Finding overlapping communities in multiplex networks
我们定义了一种方法来识别重叠社区的多重网络，扩展了流行的团渗流方法简单的图形。扩展需要重新考虑集团渗透算法所基于的基本概念，包括集团和集团邻接，以允许存在多种类型的边缘。
2016-03-07 cs.SI physics.soc-ph
Modular decomposition of Markov chain: detecting hierarchical organization of pervasive communities
在网络科学中，一组节点彼此连接的概率高于组外节点的概率，这组节点被称为社区。从各个社区与构成由网络描述的复杂系统的功能模块相关联的观点来看，发现社区对于理解这些系统的整体功能是首要的。自网络科学诞生之初，人们就一直致力于开发网络社区检测方法。然而，揭示真实世界网络中社区关键特征的方法仍有待建立。在这里，我们制定了一个随机游走的分解蔓延到整个网络到本地模块作为社区的代理。这个公式将揭示社区的普遍结构及其层次组织，这是现实世界网络的标志，但大多数现有方法都无法达到。
2019-12-06 cond-mat.dis-nn physics.soc-ph
A generic model for pandemics in networks of communities and the role of vaccination
“在每个人都安全之前，没有人是安全的”这一口号是一个格言，旨在提高人们的认识，即在一个相互关联的世界中，像COVID-19这样的流行病需要采取全球性的方法。受持续的COVID-19大流行的启发，我们在此模拟病毒在相互关联的社区中的传播，并探索不同的疫苗接种情景，假设疫苗接种的效力随着时间的推移而减弱。我们从易感人群开始，考虑一个无免疫接种-感染-恢复模型，其中包括未接种疫苗（“青铜”）、中度接种疫苗（“白银”）和接种良好（“黄金”）的社区，这些社区通过不同类型的网络连接，通过扩散线性耦合进行局部传播。我们发现，当考虑“青铜”-“黄金”和“青铜”-“白银”社区中的相互作用时，“青铜”社区正在推动“白银”和“黄金”社区中感染的增加。这表明未接种疫苗对接种疫苗的社区产生了有害的、单向的影响。对于网络中“金”、“银”和“铜”社区之间的相互作用，我们发现两个因素起着核心作用：动力学中的耦合强度和网络密度。当考虑病毒在巴拉巴西-阿尔伯特网络中的传播时，“银”和“金”社区的感染率低于“铜”社区。我们发现，“黄金”社区是最好的，保持他们的感染水平低。然而，少数“青铜”社区足以导致中等和良好接种社区的感染增加。当研究病毒在密集的Erdens-Rényi网络以及稀疏的Watts-Strogatz和Barabási-Albert网络中的传播时，在密集的Erdens-Rényi网络中，社区达到了无病状态，…
2022-05-25 physics.soc-ph q-bio.PE
Efficient Detection of Communities with Significant Overlaps in Networks: Partial Community Merger Algorithm
在大规模网络中，当每个顶点可能属于多个社区时，检测社区是一项具有挑战性的任务，这在社交网络中是常见的情况。顶点的多个成员资格以及社区之间的强重叠使得许多检测算法无效。我们开发了一个部分社区合并算法（PCMA）检测社区有显着重叠，以及轻微重叠和不相交的。它是一种自下而上的方法，通过对顶点的自我网络中的部分信息进行适当的重组来重建完整的社区。噪声控制和合并秩序是实施这一理念的两个关键问题。我们提出了一种新的相似性度量两个合并的社区，可以抑制噪声和一个有效的算法，递归合并最相似的社区对。PCMA的有效性和准确性进行了测试，对两个基准和四个现有的算法相比。它是最有效的一个线性复杂度，它优于比较算法时，顶点有多个成员。PCMA被应用于两个巨大的在线社交网络，Facebook和新浪微博。检测到数百万个社区，它们的质量高于相应的元数据组。我们发现，后者不应该被视为结构社区的基础真理。在检测到的社区中发现的显著重叠模式证实了需要新的算法，如PCMA，来处理社交网络中的顶点的多个成员资格。
2017-09-28 cs.SI physics.soc-ph
Constant Communities in Complex Networks
社区结构识别是网络分析中的一个基本问题。大多数社区检测算法是基于优化组合参数，例如模块化。这种优化通常是NP困难的，因此仅仅改变顶点的顺序就可以改变它们对社区的分配。然而，关于顶点排序如何影响社区发现算法结果的研究却很少。在这里，我们确定和研究的性质不变的顶点（常数社区），其分配给社区是，相当显着，不受顶点排序。恒定社区的百分比可以在不同的应用程序和经验的结果，我们提出的指标来评估这些社区。使用常数社区作为预处理步骤，可以显着减少结果的变化。最后，我们提出了一个音素网络的案例研究，并说明恒定的社区，相当引人注目的是，形成更大的社区的核心功能单位。
2013-02-23 cs.SI physics.soc-ph
Vulnerable Connectivity Caused by Local Communities in Spatial Networks
本文通过平面基础设施建模研究空间网络中局部社区对连通鲁棒性的影响，发现强局部社区会削弱鲁棒性，并指出长距离链路可缓解其负面影响。
2025-04-23 cs.SI physics.soc-ph
Nodal domain partition and the number of communities in networks
在复杂网络中，社区数量的检测和评估是一个困难的问题，特别是当社区内部和社区之间的密度边界模糊时。本文利用离散节点域理论，通过网络的拓扑结构和几何特征，给出了一个判断网络中有多少个社团以及如何划分社团的标准。通过捕获某些拉普拉斯特征向量的符号，我们可以将网络分成几个合理的簇。该方法导致了一个快速和有效的算法与应用程序的各种实际网络数据集。
2012-01-27 cs.SI physics.soc-ph
A generalised significance test for individual communities in networks
许多经验网络具有社区结构，其中节点在每个社区内密集互连（即，一组节点）并且稀疏地跨越不同的社区。像其他的局域和中尺度网络结构一样，社区通常在各个方面都是异质的，例如规模，边缘密度，与其他社区的连接和重要性。在本研究中，我们提出了一种方法来统计测试在给定的网络中的单个社区的显着性。与以前的方法相比，本算法的独特之处在于，它接受不同的社区检测算法和相应的质量函数的单个社区。本方法要求每个社区的质量可以被量化，并且社区检测被执行为在社区上求和的这种质量函数的优化。各种社区检测算法，包括模块化最大化和图划分满足这一标准。我们的方法估计随机网络的质量函数的分布，以计算给定网络中每个社区的可能性。我们说明我们的算法合成和经验网络。
2018-05-09 cs.SI physics.soc-ph
Modeling Social Networks with Overlapping Communities Using Hypergraphs and Their Line Graphs
我们提出超图可以用来建模具有重叠社区的社交网络。超图的节点表示社区。超图的超链接表示可以参与多个社区的个人。超图不容易分析，而超图的线图是简单图或赋权图，因此可以应用网络理论。我们定义的重叠深度$k$的个人的社区，在该个人重叠的数量，我们证明了相应的线图的最小邻接特征值不小于$-k_{max}$，这是整个网络的最大重叠深度。基于具有优先连接的超图，建立了一个包含重叠社区的网络模型，其中重叠参数$k$和$w$可调.通过与Hyves社会网络的比较，我们发现，我们的社会网络模型具有高度的聚类性，混合性，幂律度分布和短的平均路径长度。
2010-12-13 cs.SI physics.soc-ph
LinkRank: Finding communities in directed networks
为了识别有向网络中的社区，我们提出了一种广义形式的模块化的有向网络中引入一个新的数量LinkRank，它可以被认为是链接的PageRank。这种推广与无向网络中的原始模块性是一致的，并且针对无向网络开发的模块性优化方法可以通过优化我们的新模块性而直接应用于有向网络。最后，本文还提出了一个模型网络来验证我们的方法，该模型网络可以作为进一步社区研究的基准网络。我们的方法应该在基于引用或参考的有向网络中有效地找到社区。
2009-11-23 cond-mat.stat-mech physics.soc-ph
Non-Parametric Detection of Network Communities; The Natural Way; A Cascaded Stackelberg Game
现实世界的网络具有内在的动态结构，通常由成员不断变化的社区组成。识别这些社区在分析网络的结构特性时非常重要。因此，近年来已经见证了密集的研究，以解决检测这种不断变化的社区的挑战性问题。朝向社区发现的主流方法涉及在网络上优化全局分区质量度量（例如，模块化）。另一种技术，谱聚类，涉及在低维空间中映射原始数据点，其中图的聚类属性更加明显，然后应用标准聚类技术来识别社区。然而，传统的谱聚类技术不能自然地学习网络中社区的数量。这些技术是基于外部社区连接属性，往往无法识别密集网络中较小的社区结构。在这篇文章中，我们提出了一个算法，即级联Stackelberg社区发现算法（CASCODE）的启发Stackelberg双寡头博弈。该算法使用节点之间的领导者-追随者关系的概念来影响任何一个节点的行为。该算法的直观性是基于网络中进化社区的自然预期内部结构。因此，该算法能够自然地学习网络中的社区数量，而其他技术，如谱聚类，需要社区的预期数量作为输入。由于这种基于Stackelberg模型的社区发现算法是通过社区的内部结构来检测社区的，因此我们能够在密集网络中获得更精细的社区结构解析。
2018-01-18 cs.SI physics.soc-ph
Detecting Cohesive and 2-mode Communities in Directed and Undirected Networks
网络是表示对象之间关系信息的通用语言。对网络进行建模、推理和总结的一种有效方法是发现具有共同连接模式的节点集。这样的集合通常被称为网络社区。网络社区发现的研究主要集中在无向网络中密集连接节点的社区识别。在本文中，我们开发了一种新的重叠社区发现的方法，可扩展到数以百万计的节点和边缘的网络，并沿两个维度推进研究：社区的连接结构，并使用边缘定向社区发现。首先，我们扩展了传统的网络社区的定义，通过观察节点可以以两种不同的方式紧密相连：在有凝聚力的社区中，节点相互链接，而在2模式社区中，节点以二分的方式链接，其中链接在两个分区之间占主导地位，而不是在它们内部。我们的方法成功地检测2模式以及凝聚力的社区，也可能重叠或分层嵌套。第二，虽然大多数现有的社区发现方法对待有向边缘，好像他们是无向的，我们的方法占边缘方向，并能够识别新的和有意义的社区结构，在有向和无向网络，使用数据从社会，生物和生态领域。
2014-01-29 cs.SI physics.soc-ph
Estimating the number of communities in a network
社区发现是将网络划分为密集的子网络，而子网络之间只有稀疏的连接，是近年来研究的热点。然而，虽然存在一系列强大而灵活的方法将网络划分为指定数量的社区，但如何确定应该使用多少社区仍然是一个悬而未决的问题。在这里，我们描述了一个数学原理的方法，使用最大似然方法找到网络中的社区数量。我们展示了一系列的真实世界的例子与已知的社区结构的方法，发现它是能够正确地确定社区的数量在每一种情况下。
2016-08-23 cs.SI physics.soc-ph
Multilink Communities of Multiplex Networks
多重网络描述了大量复杂的社会、生物和交通网络，其中一组节点通过不同性质和内涵的链接连接在一起。在这里，我们揭示了丰富的社区结构的多路复用网络相关联的社区，每个多链路的特点之间存在的任何两个节点的多路复用网络的连接。我们的社区检测方法揭示了丰富的多重网络的中尺度结构和它们的多样性之间的相互作用。例如，一些节点可以属于许多层和少数社区，而其他节点可以属于少数层但许多社区。此外，多链路社区可以由不同数量的相关层形成。这些结果指出，在中观上，复用网络的可压缩性可能存在很大的差异。
2017-06-27 cs.SI physics.soc-ph
Finding overlapping communities in networks using evolutionary method
社团结构是现实网络的一个典型性质，已成为理解网络系统动力学的关键。在这些网络中，大多数节点显然位于一个社区中，但往往存在一些节点跨越几个社区。一个理想的社区发现算法是最好的，它可以识别这种网络中的重叠社区。为了表示重叠的划分，我们开发了由两个部分组成的编码模式，第一个部分表示不相交的分区，第二个部分表示允许多个成员资格的分区的扩展。我们给出了一个衡量一个节点的信息量，并提出了一个进化的方法来检测网络中的重叠社区。
2013-02-27 cs.SI physics.soc-ph
Minimal paths between communities induced by geographical networks
在这项工作中，我们研究了地理网络的介数中心性及其与网络社区的关系。我们发现，具有大介数的顶点定义了我们所谓的特征介数路径，在建模和现实世界的地理网络。我们定义了一个地理网络模型，拥有一个简单的拓扑结构，同时仍然能够提出这样的介数路径。使用这个模型，我们表明，这样的路径代表的入口和出口点之间的路径高度连接的区域，或社区，地理网络。通过定义一个新的网络，包含在原始网络中的社区邻接的信息，我们描述了一种手段来表征这种特征介数路径提供的中尺度连接。
2015-10-19 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
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
Overlapping Communities in Social Networks
复杂网络通常可以分解为组或模块。发现这种“社区结构”是研究网络大规模结构的重要一步。许多算法已经被提出用于社区发现，并且已经创建了基准来评估它们的性能。通常，用于社区发现的算法或者划分图（非重叠社区）或者找到节点覆盖（重叠社区）。在本文中，我们提出了一个特别简单的半监督学习算法发现社区。本质上，给定少量“种子节点”的社区信息，该方法使用从种子节点的随机游走来揭示整个网络的社区信息。该算法按时间$O(k \cdot m \cdot \log n)$运行，其中$m$是边的数量; $n$是链路的数量;以及$k$是网络中的社区的数量。在具有$m = O(n)$和恒定数量社区的稀疏网络中，该运行时间几乎与网络大小成线性关系。我们的算法的另一个重要特点是，它可以用于非重叠或重叠的社区。我们测试我们的算法使用LFR基准创建的Lancichinetti，Raviato，和Radicchi专门用于评估这些算法的目的。我们的算法可以竞争的最好的算法，为两个非重叠和重叠的社区，发现在全面的研究Lancichinetti和Ravinato。
2014-12-18 cs.SI physics.soc-ph
Defining and Evaluating Network Communities based on Ground-truth
真实世界网络中的节点组织成紧密相连的社区，其中边缘在社区成员中高度集中。识别这样的节点社区已被证明是一项具有挑战性的任务，主要是由于社区的定义过多，算法难以处理，评估问题以及缺乏可靠的黄金标准真值。在本文中，我们研究了一组230个大型的现实世界的社会，协作和信息网络，其中节点显式地说明他们的组成员。例如，在社交网络中，节点明确地加入各种基于兴趣的社交群组。我们使用这样的群体来定义可靠和强大的真值社区概念。然后，我们提出了一种方法，使我们能够比较和定量评估如何不同的结构定义的网络社区对应于真值社区。我们选择了13种常用的网络社区结构定义，并研究了它们在识别真值方面的敏感性、鲁棒性和性能。我们发现，13个结构的定义是高度相关的，自然分为四类。我们发现，这些定义中的两个，电导和三合会参与比，始终给出最好的性能，在确定真值社区。我们还研究了一个任务，检测社区给定一个单一的种子节点。我们将局部谱聚类算法扩展为一种启发式的无参数社区发现方法，该方法可以轻松扩展到具有超过一亿个节点的网络。所提出的方法实现了30%的相对改善，目前的局部聚类方法。
2012-11-06 cs.SI physics.soc-ph
Bayesian Overlapping Community Detection in Dynamic Networks
在社交网络中检测社区结构近年来得到了相当大的关注。然而，缺乏关于社区数量的先验知识，以及它们的重叠性质使得社区发现成为一个具有挑战性的问题。此外，许多现有的方法只考虑静态网络，而大多数现实世界的网络是动态的，并随着时间的推移而演变。因此，在没有任何关于社区数量的先验知识的情况下，在动态网络中找到一致的重叠社区仍然是一个有趣的开放式研究问题。本文提出了一种动态网络中的重叠社区发现方法--动态贝叶斯重叠社区检测器（DBOCD）。DBOCD假设在网络的每个快照中，社区的重叠部分是密集区域，并使用链接社区而不是公共节点社区。使用递归中餐馆过程和社区结构的网络在最后一个快照，DBOCD同时提取社区的数量和软社区成员的节点，同时保持社区的一致性随着时间的推移。我们评估了DBOCD合成和真实的动态数据集，以评估其在不同类型的网络演化中找到重叠社区的能力。结果表明，DBOCD优于目前最先进的动态社区发现方法。
2016-05-08 cs.SI physics.soc-ph
Significant communities in large sparse networks
研究人员使用社区检测算法来揭示生物和社交网络中的大规模组织，但社区检测只有在社区重要且不是噪声数据的结果时才有用。为了评估网络社区的统计显著性或检测到的结构的鲁棒性，一种方法是通过移除链接来扰动网络结构并测量社区的变化程度。然而，扰动稀疏网络是具有挑战性的，因为它们本质上是敏感的;如果删除链接，它们很容易破碎。在这里，我们提出了一个简单的方法来扰动稀疏网络，并评估其社区的重要性。我们通过基于局部信息添加额外的链接来生成重采样网络，然后我们聚合来自多个重采样网络的信息，以找到重要聚类的粗粒度描述。除了在基准网络上测试我们的方法外，我们还在欧洲法院（ECJ）判例法的稀疏网络上使用我们的方法来检测重要和不重要的法律领域。我们使用我们的显著性分析绘制了一张欧洲法院判例法网络图，揭示了法律领域之间的关系。
2013-02-01 cs.SI physics.soc-ph
Micro, Meso, Macro: the effect of triangles on communities in networks
中尺度结构（社区）用于理解复杂网络的宏观尺度特性，例如其功能和形成机制。已知微尺度结构存在于大多数复杂网络中（例如，大量的三角形或图案），但是它们在所考虑的简单随机图模型中不存在（例如，作为空模型）。在本文中，我们研究的微观结构上的社区在网络中的外观的效果。我们发现，单独的三角形的存在导致社区的外观，即使在设计，以避免在随机网络中的社区检测的方法。这表明，社区可以自发地从发生在微观层面的简单的motiff生成过程中出现。我们的研究结果是基于四个广泛使用的社区检测方法（随机块模型，谱方法，模块化最大化，和Infomap算法）和三种不同的生成网络模型（三元封闭，广义配置模型，和随机图与三角形）。
2019-07-15 cs.SI physics.soc-ph
On the Behaviour of Deviant Communities in Online Social Networks
在线社交网络是相互联系的社区的复杂集合体，这些社区就不同的主题进行交互。一些社区的特点是通常被称为越轨行为，通常被认为是不适当的行为，就社会规范或道德标准。饮食失调，药物使用和成人内容消费只是几个例子。我们把这样的社区称为异常网络。人们普遍认为，这种异常网络是利基，孤立的社会群体，其活动与主流社交媒体生活分离。根据这一假设，研究大多孤立地考虑它们。在这项工作中，我们专注于成人内容消费网络，这是目前在许多在线社交媒体和一般的网络。我们发现，很少有小型和密集连接的社区负责大部分内容的生产。与以前的工作不同，我们研究了这样的社区如何与整个社会网络互动。我们发现，制作的内容主要直接或通过桥接社区流向网络的其他部分，达到至少450倍以上的用户。我们还表明，很大一部分用户可以通过间接的内容再共享无意中接触到这些内容。我们还讨论了生产者和消费者网络的人口统计分析。最后，我们表明，这是很容易找到几个核心用户从根本上根除扩散过程。我们的目标是为在情境中研究偏差社区奠定基础。
2016-10-26 cs.SI physics.soc-ph
Efficient method for estimating the number of communities in a network
网络中社区发现的有效方法很多，但大多数方法都需要事先知道要寻找多少个社区。在这里，我们提出了一种方法，用于估计社区的数量在网络中使用贝叶斯推理与一个新的先验和一个有效的蒙特卡罗抽样方案相结合。我们在真实网络和计算机生成的网络上广泛测试了该方法，结果表明，即使在群体大小或结构差异很大的情况下，该方法也能准确且一致地执行。
2017-06-07 cs.SI physics.soc-ph
Recognizing number of communities and detecting community structures in complex networks
本文讨论了复杂网络中社团数目的识别和社团结构的检测问题。块模型作为一种直观可行的算法，已成功应用于复杂网络社团结构的检测。为了衡量块模型的质量，我们首先定义一个目标函数WQ值。为了得到网络的块模型B，采用GSA算法，在随机密钥的帮助下优化WQ。在块模型B上执行过程AO（Adding Ones）和RO（Removing Ones）之后，可以清楚地识别网络的社区数量。此外，基于块模型节点排序与社团排序一致的优点，提出了一种新的模糊边界社团结构检测算法，并成功地应用于一些典型网络。最后通过实验验证了该算法的可行性。
2018-03-18 cs.SI physics.soc-ph
Detecting network communities via greedy expanding based on local superiority index
社区发现是网络科学中一个重要而又具有挑战性的课题。近年来，社区发现的局部方法受到了广泛的关注。贪婪扩展算法是一种流行而有效的局部算法，它通常从选定的中心节点开始，通过优化某个质量函数来扩展这些节点以获得临时社区。在本文中，我们提出了一种新的指数，称为本地优势指数（LSI），以确定中心节点。在扩展过程中，我们应用适应度函数来估计临时社区的质量，并确保所有临时社区必须是弱社区。基于归一化互信息的评价结果表明：（1）在考虑最多的网络上，LSI优于全局最大度指标和局部最大度指标;（2）在考虑最多的网络上，基于LSI的贪婪算法优于经典的快速算法。
2022-02-12 cs.SI physics.soc-ph
Finding overlapping communities in networks by label propagation
我们提出了一个算法，发现重叠的社区结构在非常大的网络。该算法基于Raghavan，Albert和Kumara的标签传播技术，但能够检测重叠的社区。与原始算法一样，顶点具有在相邻顶点之间传播的标签，以便社区成员就其社区成员资格达成共识。我们的主要贡献是扩展标签和传播步骤，包括有关多个社区的信息：每个顶点现在可以属于v个社区，其中v是算法的参数。我们的算法也可以处理加权和二分网络。在一组独立设计的基准测试和真实网络上的测试表明，该算法在恢复重叠社区方面非常有效。它也非常快，可以在短时间内处理非常大和密集的网络。
2010-10-14 cs.SI physics.soc-ph
Improved spectral algorithm for the detection of network communities
我们回顾并改进了最近提出的复杂网络社区检测方法。该方法结合了一些矩阵的频谱特性编码的网络拓扑结构，与众所周知的层次聚类技术，并使用模块化参数来量化任何可能的社区细分的好处。这为复杂系统中社团结构的检测提供了一种最好的方法。
2005-04-08 cond-mat.stat-mech physics.soc-ph
Finding communities in sparse networks
基于网络矩阵表示的谱算法常被用来检测社区，但基于邻接矩阵及其变体的经典谱方法不能检测稀疏网络中的社区。基于非回溯随机游走的新谱方法最近被引入，成功地在许多稀疏网络中检测社区。然而，非回溯随机游走的频谱忽略了网络中的悬挂树，这些树可以包含关于网络社区结构的信息。我们引入了不情愿的回溯算子，明确占挂树，因为他们承认一个小的概率返回到前一个节点不像非回溯算子，禁止立即返回。我们发现，不情愿的回溯算子可以检测社区在某些稀疏网络中的非回溯算子不能，同时执行基准随机块模型网络和现实世界的网络。我们还表明，频谱的不情愿回溯算子近似优化的标准模块化功能类似的流矩阵。有趣的是，对于这个非回溯和非回溯回溯算子家族，在现实网络中性能的主要决定因素是它们是否被归一化以保持每个节点的概率。
2015-09-22 cs.SI physics.soc-ph
Detecting Functional Communities in Complex Networks
我们考虑一个替代定义的社区结构是功能性动机。我们定义网络社区结构的基础上的功能的网络系统是要执行的。特别是，作为这种方法的一个具体例子，我们认为社区的功能是增强的能力，同步和/或节点故障的弹性。以前的工作表明，在许多情况下，网络的邻接矩阵的最大特征值控制同步和渗透过程的发生。因此，对于网络的功能性能取决于这些过程，我们提出了一种方法，将一个给定的网络划分为社区的基础上最大化的最大特征值的函数的邻接矩阵的社区。我们还探讨了通过我们的方法和模块化方法（这是完全基于网络结构的考虑）获得的分区之间的差异。我们对几种不同类型的网络进行了这种分析。我们发现，在许多情况下，基于模块化的分区做几乎以及我们的功能为基础的方法在寻找功能社区，即使模块化并没有特别纳入功能的考虑。
2012-03-02 physics.data-an physics.soc-ph
Replicator equation on networks with degree regular communities
复制子方程是研究混合种群演化动力学的基本工具之一。本文有助于文献进化图论，提供了一个版本的复制子方程的一个家庭的连接网络的社区，在同一社区的节点具有相同的程度。这个复制子方程被应用到不同类别的游戏的研究，探索的影响图结构上的均衡的演化动力学。
2019-01-08 physics.soc-ph q-bio.PE
Fast unfolding of communities in large networks: 15 years later
本文回顾Louvain方法提出15年来的发展，概述其推广、改进及除模块度外的质量函数，总结其在社区检测中的核心贡献。
2023-11-10 cs.SI physics.soc-ph
Multiple Hybrid Phase Transition: Bootstrap Percolation on Complex Networks with Communities
Bootstrap渗流模型是研究社交网络上的谣言、新产品或创新传播的著名模型。实证研究表明，社区结构在各种社交网络中普遍存在。因此，研究具有社区的复杂网络上的自举渗流，可以为我们理解社交网络上的传播动力学提供新的、重要的视角。近年来，它引起了许多科学家的关注。在这篇文章中，我们研究了具有社区的Erdens-Rényi网络的自举渗流，观察到了自然系统中罕见的二阶、混合（二阶和一阶）和多重混合相变。此外，我们还解析求解了该系统，得到了相图，并通过相应的模拟得到了进一步的证明。
2014-07-01 cs.SI physics.soc-ph
Link communities reveal multiscale complexity in networks
网络已经成为理解相互作用对象系统的关键方法，统一了对包括生物有机体和人类社会在内的各种现象的研究。研究网络结构和动力学的一个关键步骤是识别社区：对应于功能亚基（如蛋白质复合物或社会领域）的相关节点组。网络中的社区经常重叠，使得节点同时属于几个组。同时，许多网络都具有层次结构，其中社区递归地分组为层次结构。然而，事实上，许多真实的网络具有普遍重叠的社区，其中每个节点都属于一个以上的组，其结果是节点的全局层次结构无法捕获重叠组之间的关系。在这里，我们重塑社区的链接，而不是节点的群体，并表明这种非正统的方法成功地调和了对立的组织原则重叠的社区和层次结构。与现有的文献相比，它完全集中在分组节点，链接社区自然纳入重叠，同时揭示层次结构。我们在许多网络中发现了相关的链接社区，包括主要的生物网络，如蛋白质-蛋白质相互作用和代谢网络，并表明一个大型的社会网络包含分层组织的社区结构，跨越市中心到区域尺度，同时保持普遍的重叠。我们的研究结果表明，链接社区是基本的构建块，揭示了重叠和层次组织在网络中是同一现象的两个方面。
2010-09-14 physics.data-an physics.soc-ph q-bio.QM
Uncovering Complex Overlapping Pattern of Communities in Large-scale Social Networks
当每个顶点参与多个社区时，传统的社区概念倾向于内部边缘与外部边缘的高比率变得无效。这种行为在社交网络中是常见的。社区之间的显著重叠使得大多数现有的社区发现算法无效。缺乏有效和高效的工具，导致很少有实证研究的大规模检测和分析重叠的社区结构在真正的社交网络。我们最近开发了一个可扩展的和准确的方法称为部分社区合并算法（PCMA）的线性复杂度，并证明了其有效性，通过分析两个在线社交网络，新浪微博和Facebook，分别为79.4和65.6万顶点。在这里，我们报告了对PCMA检测到的290万个社区的深入分析，以揭示它们复杂的重叠结构。每个社区通常与大量其他社区重叠，并且具有比内部边缘多得多的向外边缘。然而，这些社区仍然彼此隔离。社区中的大多数顶点是多成员顶点，它们可以位于核心或外围。几乎整个网络的一半可以由一个极其密集的社区网络来占据，社区是顶点，重叠是边。实证研究结果要求我们重新思考社区的概念，尤其是社区的边界。意识到边缘是如何组织的问题，f-核心建议作为一个合适的概念重叠社区在社交网络。研究结果为理解重叠群落提供了新的思路。
2019-06-02 cs.SI physics.soc-ph
Ubiquitousness of link-density and link-pattern communities in real-world networks
社区结构似乎是许多复杂现实世界网络的内在属性。然而，最近的工作表明，现实世界的网络揭示了比经典的凝聚力（链接密度）社区更复杂的模块。特别是，网络也可以根据节点之间的相似连接模式自然地划分，揭示链接模式社区。在这里，我们提出了一个基于传播的算法，可以提取链接密度和链接模式社区，没有任何先验知识的真实结构。该算法首先在不同类别的具有社团结构的合成基准网络和随机网络上进行了验证。我们进一步将该算法应用于不同的社会，信息，技术和生物网络，在那里它确实揭示了有意义的（复合）链接密度和链接模式社区。因此，结果似乎意味着，类似的链接密度对应物，链接模式社区似乎无处不在的性质和设计。
2011-10-24 cs.SI physics.data-an physics.soc-ph
