A fast clustering algorithm for mining social network data
许多信仰不同的团体正在网上互动。在线社区中的互动有助于人们相互参与，并增强跨群体的理解。在线社区包括多个子社区，其成员由于社会关系、特征或关于某个主题的想法而相似。在这项研究中，我们有兴趣了解这些子社区的相对规模和活动的变化，它们的合并或分裂模式，以及由于社区内部的内生动力，这些子社区成员的观点的变化。
2014-08-29 cs.SI physics.soc-ph
Partitionnement d'un réseau de sociabilité à fort coefficient de clustering
为了比较百年战争前后中世纪农民的社会组织，我们研究了从农业合同语料库建立的社交网络的结构。低直径和高聚类显示小世界图。像过去几年研究的许多其他网络一样，这些图是无标度的。顶点度的分布由截断幂律拟合。此外，他们有一个丰富的俱乐部：一个致密的核心与低直径组成的顶点与高的程度。拉普拉斯谱的特殊形状使我们能够提取沿着以富人俱乐部为中心的恒星分布的社区。
2006-11-27 physics.soc-ph
Extracting real social interactions from social media: a debate of COVID-19 policies in Mexico
Universidad Nacional Autónoma de México (UNAM)（墨西哥国立自治大学）；Instituto de Investigaciones en Matemáticas Aplicadas y en Sistemas, Universidad Nacional Autónoma de México (UNAM)（墨西哥国立自治大学应用数学和系统研究所）；Instituto de Investigaciones Biomédicas, Universidad Nacional Autónoma de México (UNAM)（墨西哥国立自治大学生物医学研究所）；Centro de Ciencias de la Complejidad, Universidad Nacional Autónoma de México（墨西哥国立自治大学复杂科学中心）；Lakeside Labs GmbH（湖畔实验室有限公司）
本文通过分析社交媒体中朋友和敌人的动态网络，揭示了新冠政策辩论中真实社交互动的结构特征。
2021-06-16 cs.SI physics.soc-ph
Clique-based Method for Social Network Clustering
在这篇文章中，我们开发了一个基于code-based的方法，社会网络聚类。我们引入了一个新的指标来评估聚类结果的质量，并提出了一个有效的算法的基础上递归双划分，以最大化所提出的指标的目标函数。优化问题是NP-难的，所以我们通过隐式重新启动Lanczos方法近似半最优解。该算法的优点之一是保证了聚类结果中每个社区的建议索引都高于某个预先确定的阈值$p$，该阈值完全由用户控制。我们还考虑了$p$未知的情况。同时控制欠聚类和过聚类误差的统计过程被执行以选择用于每个子网络的局部化阈值，使得社区发现准确性被优化。在此基础上，提出了一种基于二进制树结构的局部聚类算法。最后，我们利用随机块模型进行模拟研究，并证明我们的算法的准确性和效率，无论是数值和图形。
2018-05-09 cs.SI physics.soc-ph stat.AP
Interest Clustering Coefficient: a New Metric for Directed Networks like Twitter
我们在这里研究有向社会图的聚类。聚类系数的引入是为了捕捉一个朋友的朋友倾向于成为我的朋友的社会现象。该度量已被广泛研究，并已被证明对描述社交图的特征非常感兴趣。事实上，聚类系数适用于其中链接是无向的图，例如友谊链接（Facebook）或专业链接（LinkedIn）。对于一个从信息源指向信息消费者的链接图来说，它并不足够。我们发现，以前的研究已经错过了很多的信息中所包含的有向图的一部分。因此，我们引入了一个新的度量标准来衡量一个有向社会图的兴趣链接，即兴趣聚类系数的聚类。我们在一个非常大的社交图上计算它（精确地使用抽样方法），一个拥有5.05亿用户和230亿链接的Twitter快照。我们还提供了以前引入的有向和无向指标的值，第一次在这样一个大的快照。我们发现，兴趣聚类系数是大于经典的有向聚类系数在文献中介绍。这显示了度量捕获有向图的信息方面的相关性。
2020-08-02 cs.SI physics.soc-ph
Individualization as driving force of clustering phenomena in humans
生物系统中最令人感兴趣的动力学之一是集群的出现，即个体的自组织成分离的聚集体。已经发展了几种理论来解释集群，例如，多细胞生物，蚁群，蜂巢，鸟群，鱼群和动物群。然而，一个持续存在的难题是人类群体中的意见集群。如果意见不断变化，例如公民支持或反对疫苗接种计划的程度，这个难题就特别紧迫。现有的意见形成模型表明，从长远来看，“单一文化”是不可避免的，除非人口的子集完全相互分离。然而，社会多样性是一个强有力的经验现象，尽管在一个联系日益紧密的世界中，完美的分离几乎是不可能的。考虑随机性并没有克服理论上的缺陷。个人观点的微小扰动会引发社会影响力的级联，不可避免地导致单一文化，而更大的噪音会扰乱观点集群，导致没有任何社会结构的猖獗的个人主义。我们对这个难题的解决方案建立在最近的实证研究基础上，将社会影响的整合趋势与个性化的解体效应相结合。新计算模型的一个关键要素是一种自适应噪声。我们进行模拟实验，以证明这种噪声，第三阶段，除了个人主义和单一文化成为可能，其特征在于形成亚稳态集群之间的多样性和集群内的共识。当集群很小时，个体化倾向太弱，无法阻止集群的融合。然而，当集群变得太大时，个体化的强度会增加，这会促进集群的分裂。
2010-07-30 physics.soc-ph
Role of social environment and social clustering in spread of opinions in co-evolving networks
采取务实的方法，在集体意见形成的现象所涉及的过程中，我们调查了两个具体的修改意见形成的共同进化的网络选民模型，研究由Holme和Newman [1]。首先，我们用个体之间接受或拒绝意见的概率分布来代替重新布线概率参数，以解释社会群体中个体之间关系的不对称影响。其次，我们修改了重新布线步骤的路径长度为基础的偏好重新布线，加强本地集群。我们已经研究了这些修改对该模型的模拟结果的影响。我们发现，改变接受或拒绝意见的概率分布的形状可以导致两个性质不同的最终状态的出现，一个具有几个孤立的连接组件，每个组件都在内部共识中，导致存在不同的意见集，另一个具有一个单一的主导连接组件，其中每个节点都具有相同的意见。此外，更重要的是，我们发现网络中的初始聚类也可以引起类似的过渡。我们的研究还提出，这些转变是由一个弱的和复杂的依赖系统的大小。我们发现，在模型的最终状态的网络具有丰富的结构属性，包括小世界性质的一些参数制度。[1]Holme和M. Newman，Phys.Rev.E74，056108（2006）.
2013-08-12 cs.SI physics.soc-ph
A Mixed-Membership Model for Social Network Clustering
该研究提出一种用于社交网络聚类的混合隶属度模型，采用灵活函数衡量实体亲和度，支持多隶属身份并能准确推断网络结构，通过MCMC算法估计参数，在真实与合成数据集上验证了有效性。
2023-08-24 cs.SI physics.soc-ph stat.AP
Clustering function: a measure of social influence
在真实网络中，一个常用的邻接关系的统计依赖特性，即聚类系数，评估给定顶点的两个邻居相邻的机会。通过考虑两个随机选择的顶点相邻的条件概率，得到一个扩展，因为它们有r个共同的邻居。我们将这样的概率表示为cl（r），并将r-> cl（r）称为聚类函数。我们比较了几个网络的聚类功能具有不可忽略的聚类系数。它们显示出相似的模式和令人惊讶的规律性。我们建立了相关随机交图模型的聚类函数的一阶渐近（当顶点数趋于无穷大时），该模型允许非零聚类系数和具有有限二阶矩的渐近度分布.
2013-04-26 cs.SI math.CO math.PR
Clustering online social network communities using genetic algorithms
为了分析在线社交网络（OSN）中的活动，我们引入了“吸引节点”（NoA）的概念，它代表了网络社区中最活跃的节点。该NoA被识别为吸引其他节点并在任何时间点形成集群的发布/通信的起源/发起者。在这项研究中，一个遗传算法（GA）被用作数据采掘方法，其主要目标是确定集群的网络社区在一个给定的OSN数据集。这种方法在处理我们研究的OSN中不同类型的讨论主题时是有效的-评论，电子邮件，聊天表情等，并且可以根据一个或多个主题形成集群。我们相信，这项工作可以是有用的，在寻找这种基于遗传算法的聚类的在线交互的传播源，并报告了一些实验结果与现实世界的数据，并证明了所提出的方法的性能。
2013-12-08 cs.SI physics.soc-ph
Dynamic Clustering in Social Networks using Louvain and Infomap Method
在社交网络中发现社区或聚类是社会网络分析中的一个著名课题。大多数算法仅限于静态快照，因此无法处理底层图中的动态。在本文中，我们提出了一个修改的Louvain社区检测方法来处理图中的变化，而无需重新运行完整的算法。此外，我们采用了Louvain贪婪的方法来优化信息地图的措施。主要的想法是，重新计算只有一个小区域周围的变化。根据图的大小和更改量，这会导致运行时间大幅减少。作为验证数据，我们提供了一个图形生成器，它在给定的时间产生特定的社区结构，以及将图形从一个特定图形转换到另一个特定图形的中间步骤。实验表明，运行时间的减少是可能的，而不会有太大的质量损失。这些值取决于图形中的再处理区域。
2016-03-08 cs.SI physics.soc-ph
Mutual or Unrequited Love: Identifying Stable Clusters in Social Networks with Uni- and Bi-directional Links
许多社交网络，Slashdot和Twitter可以表示为有向图（有向图），实体之间有两种类型的链接：相互（双向）和单向（单向）连接。社会科学理论表明，相互联系比单向联系更稳定，单向联系表现出成为相互联系的各种倾向。因此，当执行具有双向和单向连接的社交网络的聚类时，考虑这种趋势是重要的。在本文中，我们利用二元方法来分析社交网络，并发展了一个广义的相互倾向理论，以捕捉那些倾向于建立相互连接的节点对比那些偶然发生的倾向。利用这些结果，我们开发了一个相互性趋势感知谱聚类算法，以确定更稳定的集群，最大限度地提高集群内的相互性趋势和最小化跨集群的相互性趋势。在合成数据集以及真实在线社交网络数据集（如Slashdot）上的大量仿真结果表明，我们提出的相互趋势感知谱聚类算法比传统谱聚类方法提取出更稳定的社会社区结构。
2012-03-25 cs.SI physics.soc-ph
Fast Generation of Large Scale Social Networks with Clustering
社交网络文献中的一个关键挑战是网络生成的问题-也就是说，我们如何创建与大多数现实世界网络中传统特征相匹配的合成网络？社交网络中存在的重要特征包括幂律度分布、小直径和大量聚类;然而，大多数当前的网络生成器，如Chung Lu和Kronecker模型，在很大程度上忽略了图中存在的聚类，并选择专注于保留其他网络统计数据，如幂律分布。指数随机图模型等模型具有传递性参数，但在计算上难以学习，使得扩展到大型现实世界网络变得棘手。在这项工作中，我们提出了一个扩展的Chung Lu随机图模型，传递Chung Lu（TCL）模型，其中包括一个随机传递边的概念。也就是说，有一定的概率，它会选择连接到一个节点正好两跳远，已经介绍给一个“朋友的朋友”。在所有其他情况下，它将遵循标准的Chung Lu模型，根据给定的不变分布从图中的任何地方选择一个“随机冲浪者”。我们证明了TCL的预期度分布等于原始图的度分布，同时能够捕获网络中存在的聚类。我们的模型所需的单个参数可以在具有数百万条边的图上在几秒钟内学习，而网络可以在边数呈线性的时间内生成。我们在四个真实世界的社交网络上展示了TCL的性能，包括一个具有数十万个节点和数百万条边的电子邮件数据集，显示TCL生成的图与原始网络的度分布，聚类系数和跳点图相匹配。
2012-02-22 cs.SI physics.soc-ph
A comparative study of social network models: network evolution models and nodal attribute models
本文回顾，分类和比较社交网络，主要是在面向物理的复杂网络文献中发表的最新模型。这些模型分为两类：一类是新链路的添加依赖于（通常是本地的）网络结构（网络演化模型，NEM），另一类是仅基于节点属性生成链路的模型（节点属性模型，NAM）。一个指数随机图模型（ERGM）的结构依赖性进行比较。我们从这些类别中的每一个适合的模型，以两个经验的熟人网络的基本网络属性。我们比较了结果网络中的高阶结构与数据中的高阶结构，目的是确定哪些模型在度分布、重复性、聚类谱、测地线路径分布和社区结构（具有密集内部连接的子群）方面产生最真实的网络结构。我们发现，节点属性模型成功地产生了互补网络和非常清晰的社区结构。然而，它们产生不切实际的聚类谱和峰值度分布，与大型社交网络上的经验数据不匹配。另一方面，许多网络演化模型产生的度分布和聚类谱与数据更接近。它们还产生了竞争性网络和社区结构，尽管其程度往往与数据中的程度不同。ERG模型产生最弱的社区结构。
2008-12-24 physics.soc-ph
Clustering memes in social media streams
Indiana University（印第安纳大学）
社交媒体中的内容聚类问题具有广泛的应用，包括讨论主题的识别、事件检测和内容推荐。在这里，我们描述了一个流媒体框架，用于在线检测和聚类社交媒体中的模因，特别是Twitter。一个预聚类过程，即原素检测，首先隔离的推文所携带的信息的原子令牌。其后，基于多个相似性度量来聚合原素，以获得作为反映实际概念或讨论主题的推文的内聚群组的模因。聚类算法考虑了数据和元数据的各个维度，包括自然语言、社交网络和信息扩散模式。因此，我们的系统可以建立集群的语义，结构和主题相关的推文。聚类过程基于在线K均值的变体，其中包含记忆机制，用于“忘记”旧的模因并随着时间的推移用新的模因替换它们。我们的框架的评估是通过使用Twitter趋势主题的数据集进行的。在一周的时间里，我们系统地确定了我们的算法是否能够恢复趋势标签。我们表明，所提出的方法优于基线算法，只使用内容功能，以及一个国家的最先进的事件检测方法，假设充分了解底层的追随者网络。我们最后表明，我们的在线学习框架是灵活的，由于其独立性所采用的聚类算法，最适合工作在流的情况下。
2014-11-03 cs.CY cs.LG cs.SI
Phase transitions in social networks
研究了一类具有期望度和聚类的网络模型。该模型的最初目的是描述欧洲联盟科学合作的最佳结构。该模型属于指数随机图族。我们通过数值模拟和分析的考虑表明，一个非常简单的哈密顿量可以导致令人惊讶的复杂和多事的相图。
2007-01-16 physics.soc-ph
Clustering Memes in Social Media
社交媒体的日益普及为研究人类社会行为创造了新的机会，同时也挑战了我们分析其海量数据流的能力。新出现的任务之一是区分不同类型的活动，例如，设计的错误信息活动与自发的沟通。这样的检测问题需要一个正式的定义模因，或单位的信息，可以通过社会网络在人与人之间传播。一旦识别出模因，就可以应用监督学习方法来对不同类型的通信进行分类。然而，模因的适当粒度很难从标签和关键字等现有实体中捕获。在这里，我们提出了一个新的任务检测模因聚类消息从大的社会数据流的框架。我们评估各种相似性措施，利用内容，元数据，网络功能，以及它们的组合。我们还探讨了基于现有实体的预聚类的想法。使用手动策划的数据集作为地面实况进行系统评估。我们的分析表明，预聚类和异构特征的组合产生的最佳权衡的集群数量和它们的质量，表明一个简单的组合的基础上成对的相似性最大化是有效的参数的非平凡优化。我们的方法是全自动的，无监督的，可扩展的实时检测流数据中的模因。
2013-10-10 cs.CY cs.SI physics.data-an
Clustering of countries based on the associated social contact patterns in epidemiological modelling
数学模型已用于了解2019冠状病毒病（COVID-19）等传染病的传播模式。模型的传播部分可以通过引入人口接触矩阵以年龄依赖的方式建模，该矩阵描述了年龄组之间的接触率。由于社会联系模式因国家而异，我们可以使用相应的联系矩阵对国家进行比较和分组。在本文中，我们提出了一个框架，聚类国家的接触矩阵的基础上，一个潜在的流行病模型。由于管道是通用和模块化的，我们展示了它在Röst et.该研究提示了在大流行情况下，当只能采取非药物干预措施时，哪些国家可以进行比较。
2022-11-08 cs.LG physics.soc-ph q-bio.PE
A new measure for community structures through indirect social connections
基于专家系统的方法，社区发现的问题可以被概念化为网络的聚类模型。在此基础上，可以通过聚类系数来测量社区结构，该聚类系数是由节点周围现有三角形的数量与可以假设构建的三角形的数量之比生成的。本文在三角形的广义定义下，给出了加权网络聚类系数的新定义。具体来说，一个新的概念，三角形的基础上，假设，如果两个弧的总重量是足够强，可以诱导之间的链接不常见的节点。除了这种广义三角形在社会背景下的直观意义之外，我们还探索了它们对洞察底层网络拓扑结构的有用性。500个商业美国机场的标准网络和秀丽隐杆线虫的神经系统的实证实验支持的理论框架，并允许我们的建议和标准定义的聚类系数之间的比较。
2018-06-21 cs.SI physics.soc-ph
Social Clustering in Epidemic Spread on Coevolving Networks
尽管传递性是社交网络的核心结构特征，但它对共同进化网络上流行病传播的影响仍然相对未被探索。在这里，我们介绍和研究的自适应SIS流行病模型，其中的感染和网络的共同发展与非平凡的概率关闭三角形在边重新布线，导致大量加强网络的传递性。这个新的模型提供了一个独特的机会来研究传递性的作用，改变SIS动态的共同进化网络。使用数值模拟和近似主方程（AME），我们确定和研究了一组丰富的新模型的动力学特征。在许多情况下，包括传递性强化的AME提供了稳定状态疾病患病率和网络度分布的准确预测。此外，对于某些参数设置，AME准确地跟踪系统的时间演化。我们发现，较高的传递性强化模型中导致较低水平的感染性个体的人口，当关闭一个三角形是占主导地位的重新布线机制。这些方法和结果可能是有用的发展思路和建模策略控制SIS型流行病。
2019-06-02 cs.SI physics.soc-ph
Clustering attributed graphs: models, measures and methods
对图进行聚类，即，将其节点分配给组是一种重要的操作，其最著名的应用是发现社交网络中的社区。图聚类和社区发现传统上集中在没有属性的图上，边权重是一个明显的例外。然而，这些模型只提供了真实社会系统的部分表示，因此通常使用节点属性（表示参与者的特征）和边属性（表示它们之间的不同类型关系）来描述。我们将这些模型称为属性图。因此，现有的图聚类方法最近已经扩展到处理节点和边属性。本文是对这一主题的文献综述，以统一的方式组织和展示了最近的研究成果，描述了现有的主要聚类方法，并强调了它们的概念差异。我们还涵盖了聚类评估的重要主题，并确定当前的开放问题。
2015-01-07 cs.SI physics.soc-ph
Impact of homophily in adherence to anti-epidemic measures on the spread of infectious diseases in social networks
本文通过改进SIR模型研究遵守防疫措施的同质性对传染病传播的影响，发现仅在具有局部聚类的网络中，增加群体分离反而可能提高遵守人群的感染比例，揭示了局部网络结构在防疫策略中的关键作用。
2025-07-18 physics.soc-ph
Analyzing Common Social and Physical Features of Flash-Flood Vulnerability Hotspots in Urban Areas
本研究利用众包数据和k means聚类分析城市山洪热点的社会与物理特征，开发了综合山洪影响指数，揭示了社会人口统计与物理特征对山洪韧性的复杂影响关系。
2024-04-02 physics.soc-ph
Mining a medieval social network by kernel SOM and related methods
本文简要介绍了几种理解大型社交网络（数百人）组织的方法。我们比较了来自数据挖掘的方法来聚类图的顶点（谱聚类，自组织算法。. .)并提供用于表示来自这些分析的图的方法。所有这些方法都在中世纪的社交网络上进行了说明，并强调了它们可以帮助理解其组织的方式。
2008-05-09 math.ST physics.soc-ph stat.AP
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
Clustering in co-evolving opinion dynamics: reduced SPDE models
Zuse Institute Berlin（柏林齐泽研究所）；Institut für Mathematik und Informatik, Freie Universität Berlin（柏林自由大学数学与计算机科学研究所）；University of Bath（巴斯大学）；University of Oxford（牛津大学）
本文提出简化SPDE模型研究共演社会与意见变量中的聚类现象，通过减少状态空间提升计算效率，应用于大规模GSS数据集。
2026-09-29 math.DS math.PR physics.soc-ph
Social and Spatial Clustering of People at Humanity's Largest Gathering
科学和社会系统的宏观行为是其组成要素的微观行为的集合的结果，但在人类行为中将宏观与微观联系起来传统上是困难的。同质性的表现，即个体倾向于与相似的人互动的概念，在许多小型和中型环境中已经被观察到。然而，这种行为是否转化为真正的宏观水平，以及其后果可能是什么，仍然是未知的。在这里，我们使用呼叫详细记录（CDR），以研究人口动态和社会和空间同质性的表现在宏观层面上的印度23个州的居民在大壶节，为期3个月的印度教节日。我们估计有6 100万人参加了这个节日，使其成为人类历史上最大的聚会。虽然我们发现了强有力的整体证据，这两种类型的同质性的居民不同的国家，参与者从低代表性国家表现出相当强的倾向，社会和空间同质性比那些从高代表性国家。这些同质性的表现在拥挤的日子里会被放大，比如节日的高峰日，我们估计有2500万人参加。我们的研究结果证实，同质性，这可能是由社会影响引起的，渗透到人类行为的各个层面。
2016-05-23 cs.SI physics.soc-ph stat.AP
Revealing social networks of spammers through spectral clustering
University of Michigan（密歇根大学）；Medasense Biometrics Ltd.（美达森生物识别有限公司）
到目前为止，大多数关于垃圾邮件的研究都只关注垃圾邮件周期的垃圾邮件阶段，而忽略了收获阶段，即大量获取电子邮件地址。据观察，垃圾邮件发送者在收集阶段隐藏他们的身份的程度较低，因此通过研究收集者的行为，可能会获得对垃圾邮件发送者行为的新见解，收集者是收集电子邮件地址的个人或机器人。在本文中，我们揭示了社交网络的垃圾邮件发送者识别社区的行为相似性高，使用谱聚类。分析的数据是通过蜜罐项目收集的，蜜罐项目是一个用于监控收获和垃圾邮件的分布式系统。我们的主要发现是（1）大多数垃圾邮件发送者要么只发送钓鱼电子邮件，要么根本不发送钓鱼电子邮件，（2）大多数垃圾邮件发送者社区也只发送钓鱼电子邮件，要么根本不发送钓鱼电子邮件，（3）社区内的几组垃圾邮件发送者表现出一致的时间行为，并具有相似的IP地址。我们的研究结果揭示了垃圾邮件发送者的一些以前未知的行为，并表明垃圾邮件发送者之间确实存在有待发现的社会结构。
2013-04-30 cs.LG cs.SI physics.soc-ph
Clustering assortativity, communities and functional modules in real-world networks
现实世界系统的复杂网络被认为是由常见现象控制的，产生的结构远非规则或随机。集群化、群落结构和按程度进行的非竞争性混合也许是后者最突出的例子。虽然这些性质被普遍接受用于社交网络，但它们只能部分解释其他网络的结构。我们首先表明，度校正的聚类是在相反的标准定义，高度重复性。然而有趣的是，我们进一步注意到，非社交网络包含具有非常低聚类的连接区域。因此，现实世界的网络结构是超越社区的。在这里，我们调查的概念功能模块-定期等价节点组-并表明，这种结构可以解释在非社会网络中观察到的属性。现实世界的网络可能由社区覆盖的功能模块组成。我们支持后者提出了一个简单的网络模型，生成无标度的小世界网络可调聚类和度混合。模型在许多现实世界的网络中有一个自然的解释，同时它也提供了一个适当的社区提取框架的见解。我们还提出了一种在没有任何先验知识的情况下检测任意结构模块的算法。算法被证明是优于国家的最先进的，而应用到现实世界的网络揭示了良好的支持复合材料的不同结构模块，是一致的底层系统。在包括社交网络在内的所有类型的网络中，都有明确的功能模块。因此，我们的发现揭示了功能模块是复杂现实世界网络的另一个关键组成部分。
2012-02-15 cs.SI physics.data-an physics.soc-ph
Testing network clustering algorithms with Natural Language Processing
ISC-PIF - Institut des Systèmes Complexes - Paris Ile-de-France（巴黎法兰西岛复杂系统研究所）；CNRS（法国国家科学研究中心）；CAMS - Centre d’Analyse et de Mathématique sociales（分析与数学社会研究中心）
本研究针对社区检测算法选择未结合个体文化产出的问题，提出基于文化的在线社交群体定义，采用结合社区检测与NLP分类的混合方法，实现了对社区检测算法的评分及85%以上的用户观点分类准确率。
2024-06-24 cs.CL cs.CY cs.SI
Emergence of Clustering in an Acquaintance Model without Homophily
我们引入了一个基于代理的熟人模型，其中社会联系的过程中，没有明确的同质性。尽管社会互动具有同质性，但高度聚集的社交网络可能会出现。我们的模型的关键特征是变量传递相互作用。也就是说，当一个代理人介绍两个没有联系的朋友时，他们之间实际发生联系的速度取决于他们共同认识的人的数量。随着这种传递性交互率的变化，社会网络经历了一个戏剧性的聚类过渡。在接近过渡期时，网络由一系列定义明确的社区组成。作为时间的函数，网络也可以经历\emph{incomplete}凝胶化转变，其中凝胶或巨簇即使在无限时间也不构成整个网络。我们模型的一些聚类特性也出现了，但在Facebook网络中是以一种更渐进的方式出现的。最后，我们讨论了一个更现实的变体，我们的原始模型中，有一个软截止率的传递相互作用。有了这个变体，人们可以构建与Facebook网络定量匹配的网络实现。
2014-11-12 cond-mat.stat-mech cs.SI physics.data-an
Will Scale-free Popularity Develop Scale-free Geo-social Networks?
实证结果表明，距离、人口密度和交流范围等空间因素影响着我们的社会活动，也反映在社交网络中关系的发展上。这激发了对将这些空间因素考虑在内的社交网络模型的需求。因此，在本文中，我们提出了一个基于重力低的地理社会网络模型，其中连接根据个人的受欢迎程度而发展，但受到地理距离和周围人口密度的限制。具体来说，我们考虑一个幂律分布的流行度，和随机节点的位置由泊松点过程。我们评估新兴网络的特性，考虑度分布，平均度的邻居和局部聚类系数。这些局部度量反映了网络的鲁棒性、信息传播速度和通信的局部性。我们表明，除非通信范围是严格限制的，新兴的网络是无标度的，与空间因素的影响的秩指数。甚至平均邻居度和局部聚类系数也显示出非地理无标度网络中已知的趋势，至少在考虑低受欢迎度的个体时是这样。然而，在高流行度值，空间约束导致流行度无关的平均邻居度和聚类系数。
2020-03-03 physics.soc-ph stat.AP stat.ME
Signed Network Formation Games and Clustering Balance
我们提出了一个有符号的网络形成游戏，在这个游戏中，成对的个体策略性地改变一个完整网络中边的符号。这些人是社会网络的成员，他们通过改变他们的人际评价来战略性地减少认知失调。我们描述了这个游戏的最佳响应动态，并证明了它的实现\pc{can}动态驱动网络的社会学意义的标志配置称为聚类平衡。在这种配置中，社交网络中的代理形成一个或多个集群，这些集群在其成员之间具有正关系，但在其他集群的成员之间具有负关系。在过去，心理社会学、政治学和物理学领域的各种研究人员都研究了解释两个集群生成的模型。我们的工作有助于这些领域提出了一个简单的模型，产生了更广泛的一类签署的网络。
2019-09-28 cs.SI physics.soc-ph
Respondent-driven sampling bias induced by clustering and community structure in social networks
使用标准抽样方法对隐藏人口进行抽样特别具有挑战性，主要是因为缺乏抽样框。响应者驱动的抽样（RDS）是一种替代方法，利用同龄人之间的社会联系，以达到这些难以达到的人群中的个人和重量。这是一个滚雪球式的抽样程序，根据接触人数的差异，对被抽样的可能性调整答卷人的权重。在RDS中，社会联系的结构因此定义了采样过程并影响其覆盖范围，例如通过将采样限制在网络的子区域内。在本文中，我们研究的偏见引起的网络结构，如社会三角形，社区结构，和异质性的联系人的数量，在招聘树和RDS估计。我们模拟不同的网络结构和响应率的情况下，研究潜在的偏见，人们可能会期望在现实环境中。我们发现，估计变量的患病率与个人所属的网络社区的大小有关。此外，我们观察到，如果样本和网络的大小相似，那么在某些情况下，低度节点可能会被欠采样。最后，我们还表明，低响应率导致合理准确的平均估计的患病率，但产生相对较大的偏差。
2015-03-19 cs.SI physics.data-an physics.soc-ph
Evolution of Coordination in Social Networks: A Numerical Study
协调博弈对于解释有效的和可取的社会行为很重要。在这里，我们研究这些游戏的网络社会结构，使用进化的方法进行广泛的数值模拟。我们发现，局部网络效应可能会促进选择的有效均衡，在纯粹的和一般的协调游戏，可以解释社会极化。这些结果被放入角度相对于已知的理论结果。我们得到的主要见解是，集群，特别是社区结构在社交网络有一个积极的作用，促进社会效率的结果。
2010-11-04 cs.SI physics.soc-ph
Arbitrary degree distribution and high clustering in networks of locally interacting agents
许多现实世界的网络，如社交网络，主要是通过代理之间的本地交互形成的。此外，与常见的网络模型相比，社会和生物网络表现出高度的聚类性。在这里，我们构建了一类基于度量空间上的局部相互作用的网络增长模型，能够产生任意的度分布以及类似于生物网络的自然高度聚类。作为一个具体的例子，我们研究的情况下，随机行走的代理人，虽然大多数结果持有任何线性随机动力学。当特工们在指定的地点见面时，我们称之为"会合点"。"会合点的空间分布决定了网络的关键特征，如度分布。对于任何任意（单调）度分布，我们能够解析求解所需的交会点分布。
2015-03-08 cond-mat.stat-mech physics.data-an physics.soc-ph
Community detection using spectral clustering on sparse geosocial data
在这篇文章中，我们确定在洛杉矶Hollenbeck警务区的帮派成员之间的社会社区，根据稀疏的社会互动和个人的地理位置相结合的观察。这些信息来自LAPD现场访谈卡，用于构建个体的相似性图。我们使用谱聚类来识别图中的聚类，对应于Hollenbeck的社区，并将其与LAPD对个人帮派成员身份的了解进行比较。我们讨论了不同的方式编码的地理社会信息，使用图形结构和对所产生的聚类的影响。最后，我们分析了这种技术的鲁棒性与噪声和不完整的数据，从而提供建议的数量与质量的相对重要性收集的数据。
2012-11-08 cs.SI physics.soc-ph stat.AP
Data Leak Aware Crowdsourcing in Social Network
利用人类计算来解决复杂的问题，需要找到未知的竞争群体。在本文中，我们提出了一种方法，称为外包，建立从社交网络响应业务呼叫的团队，同时避免部分解决方案披露给竞争群体。本文的贡献包括：（i）一个基于聚类的方法发现协作和竞争的团队在社会网络中（ii）一个基于马尔可夫链的算法发现隐式的互动在社会网络中。
2013-05-28 cs.SI physics.soc-ph
Social Bootstrapping: How Pinterest and Last.fm Social Communities Benefit by Borrowing Links from Facebook
如何开发一个新的在线社区，让每个用户都能高度参与，并促进社会互动？许多网站提供交友功能，帮助用户从Facebook或Twitter等已建立的网络复制链接，从而在网站上引导社交网络。本文量化了这种社会引导在何种程度上是有效的，以提高网站的社会体验。首先，我们开发了一个风格化的分析模型，该模型表明复制倾向于产生一个巨大的连接组件（即，连接的社区），并保持诸如互惠性和聚类的属性，直到线性乘法因子。其次，我们使用来自两个网站Pinterest和Last.fm的数据，以经验方式比较从Facebook复制的链接与本地创建的链接的子图。我们发现，复制的子图有一个巨大的组件，更高的互惠性和聚类，并确认复制的连接看到更高的社会互动。然而，随着用户变得更加活跃和有影响力，复制的需求减少了。这些用户倾向于在网站上创建本地链接，链接到与他们比Facebook朋友更相似的用户。我们的研究结果为理解如何从已建立的社交网络引导通过增强社交互动来帮助吸引新用户提供了新的见解。
2014-03-24 cs.CY cs.SI physics.soc-ph
Coevolving complex networks in the model of social interactions
我们分析了阿克塞尔罗德的共同进化复杂网络的社会互动模型。我们介绍了四个扩展与不同的机制，边缘重新布线。这些模型旨在捕捉两种相互作用--偏好依恋，这可以在科学家或演员的合作中观察到，以及局部重新连接，这可以在日常关系中的友谊形成中观察到。数值模拟结果表明，在三种模型中，所提出的动力学机制可以使节点度服从幂律分布，聚类系数较高，同时仍保持小世界效应.所有模型的特点是由两个不同性质的相变。在局域重布线的情况下，即使在热力学极限下，我们也得到了有序-无序的不连续相变，而在长距离切换的情况下，在热力学极限下，不连续性消失，只留下一个连续的相变。此外，我们发现了第二个转折点的一个新的和普遍的特点-聚类系数的突然增加，由于许多小的完全子图的网络内部的形成。
2016-12-26 cs.SI physics.soc-ph
Clustering in large networks does not promote upstream reciprocity
上游互惠（英语：Upstream Reciprocity，又称广义互惠）是一种在社会困境中的合作机制，参与者在别人帮助他们的时候也会帮助别人。这是一种间接互惠。虽然在实验中经常观察到上游互惠，但大多数理论认为，只有当参与者形成三角形等短周期时，它才有效，这意味着人口规模较小，或者当它与其他促进合作的机制相结合时。一种期望是，真实的社交网络，这是众所周知的充满三角形和其他短周期，可能会容纳上游互惠。在这项研究中，我提出了一个有向循环的博伊德和Richerson的上游互惠游戏的情况下，一般的网络。该模型不是进化的，并关注的条件下，合作的球员是一个纳什均衡。我证明了网络中大量的三角形或其他短循环对促进上游互惠作用不大。合作是不太可能为较大的人口规模，即使三角形丰富的网络。此外，在网络上的进化社会困境游戏的结果相比，无标度网络导致较少的合作比网络均匀度分布。
2011-10-07 cs.SI physics.soc-ph
New Survey Questions and Estimators for Network Clustering with Respondent-Driven Sampling Data
受访者驱动抽样（RDS）是一种流行的方法，用于对难以调查的人群进行抽样，该方法通过同行招募来利用社交网络联系。虽然RDS最常用于估计感染的流行率和对公共卫生感兴趣的危险行为，如艾滋病毒/艾滋病或安全套的使用，但它很少用于推断这些人群中社交网络的结构特性，因为它通常不会收集必要的数据。利用计算机科学的最新进展，我们介绍了一组数据收集工具和RDS估计网络聚类，一个重要的拓扑属性，已链接到网络的信息，疾病和健康行为的扩散潜力。我们使用模拟来探索这些估计，最初开发的计算机网络的随机游走样本，执行时，适用于RDS样本的特点，在现实的现场设置，离开随机游动。特别是，我们探讨了多个种子的影响，没有与替换，分支链，不完美的反应率，优先招聘，和误报的关系。我们发现，聚类系数估计保留理想的属性在RDS样本。本文采取了重要的一步计算网络特征使用非传统的抽样方法，它扩展了RDS的潜力，告诉研究人员更多关于隐藏的人口和社会因素驱动的疾病流行。
2016-10-21 cs.SI physics.soc-ph stat.ME
Clustering Drives Assortativity and Community Structure in Ensembles of Networks
聚类、重复性和社区是复杂网络的关键特征。我们探测这些属性之间的依赖关系，发现具有较强的聚类的合奏显示高的程度和突出的社区结构，而合奏具有高的聚类性是不太偏向于集群或社区结构。此外，集群网络可以放大小的同性恋倾向的性状重复性。这种明显的不对称性表明，传递性，而不是同质性，驱动标准的非社会/社会网络二分法。
2011-01-05 cond-mat.stat-mech cs.SI physics.soc-ph
The Anatomy of the Facebook Social Graph
我们研究了Facebook活跃用户的社交图谱结构，这是有史以来分析过的最大的社交网络。我们计算图的许多特征，包括用户和友谊的数量，度分布，路径长度，聚类和混合模式。我们的研究结果围绕着三个主要的观察结果。首先，我们描述了图的全局结构，确定社交网络几乎是完全连接的，99.91%的个体属于一个大的连接组件，我们确认了全球范围内的“六度分离”现象。其次，通过研究图邻域的平均局部聚类系数和退化，我们表明，虽然Facebook图作为一个整体显然是稀疏的，但用户的图邻域包含令人惊讶的密集结构。第三，我们通过研究用户的基本人口统计和网络属性来描述图中存在的不确定性模式。我们观察到明确的程度不确定性和特点的程度“你的朋友有更多的朋友比你”。此外，我们观察到年龄对友谊偏好的强烈影响，以及由国籍驱动的全球模块化社区结构，但我们没有发现任何强烈的性别同质性。我们将我们的结果与较小的社交网络的结果进行比较，发现大部分（但不完全）在共同的结构网络特征上一致。
2011-11-18 cs.SI physics.soc-ph
Collaboration Conundrum: Synchrony-Cooperation Trade-off
本文提出协作模型，发现社会网络聚类系数越高，同步越慢但合作越强，二者存在权衡，最优结构由环境、技术及群体规模决定。
2023-09-05 cs.SI physics.soc-ph
Homophily as a Process Generating Social Networks: Insights from Social Distance Attachment Model
现实世界的社交网络通常表现出高水平的聚类，正度扩散，短平均路径长度（小世界属性）和右偏，但很少幂律度分布。另一方面，同质性（homophily）被定义为相似的行为体相互联系的倾向，是在许多人类和动物社会中观察到的最基本的社会过程之一。在本文中，我们研究在何种程度上同质性是足以产生典型的结构特性的社交网络。要做到这一点，我们进行了模拟研究的基础上的社会距离依恋（SDA）模型，一种特殊的随机几何图（RGG），其中节点嵌入在一个社会空间和连接概率依赖于功能节点之间的距离。我们从第一性原理中推导出模型的形式，并根据现有的分析结果，认为RGG的数学结构直接对应于同质性原理，因此它们提供了一个很好的模型，我们发现，同质性，特别是当与随机边缘重新布线相结合时，足以再现社交网络的许多特征。此外，我们设计了一个混合模型相结合的SDA与配置模型，允许生成具有任意度序列的同质网络，我们用它来研究同质性的相互作用，对度分布施加限制的过程。我们表明，同质性对聚类的影响是强大的分布约束，而度的可扩展性可以高度依赖于特定种类的强制程度序列。
2020-04-02 cs.SI physics.soc-ph
Layered Label Propagation: A MultiResolution Coordinate-Free Ordering for Compressing Social Networks
我们继续从WebGraph开始的关于图压缩的研究路线，但是我们将重点转移到社交网络的压缩（例如，LiveJournal）：已经使用了很长时间来压缩web图的方法依赖于节点的特定排序（字典法URL排序），其扩展到一般社交网络并非微不足道。在本文中，我们提出了一个解决方案，混合聚类和订单，并设计了一个新的算法，称为分层标签传播，建立在以前的工作可扩展的聚类，可用于重新排序非常大的图（数十亿个节点）。我们的实现使用过度分解来积极地在多核架构上执行，使得在几个小时内重新排序超过6亿个节点的图形成为可能。在各种各样的网络图和社交网络上进行的实验表明，将所提出的算法产生的顺序与WebGraph压缩框架相结合，相对于所有当前已知的技术，在网络图和社交网络上都提供了压缩的重大增加。这些改进使得在主存储器中分析更大的图形成为可能。
2011-10-14 cs.DS cs.SI physics.soc-ph
Graph based Clustering Algorithm for Social Community Transmission Prediction of COVID-19
我们提出了一个系统来模拟封锁后COVID-19病例的传播，以使用图聚类算法根据热点定义新的预防措施。这种方法允许在病毒传播不太容易的地区采取更宽松的措施。有一些方法可以通过预测确诊病例的数量来模拟病毒的传播。但拟议中的系统从地理角度更侧重于解决方案的预防方面，通过预测在不久的将来可能成为病毒热点的地区或地区。该病毒只能通过与已经感染的人非常接近而传播，这一事实表明，从现有热点可以很容易到达的区域更有可能成为新的热点。此外，在较小的区域，即使在严格规定之后，也发现了积极的情况。考虑到这一事实，最近的热点之间的地理距离可以用作该区域也成为热点的可能性的度量。本文提出了一种带权的区域图，将区域本身作为带权的节点，节点的权值作为活动实例数，距离作为边的权值。图可以是完全连接的，也可以是基于距离阈值连接的。节点是行政管理的，距离度量告诉不同社区之间可能的传输。利用这些数据，可以预测可能成为热点的潜在地区，并制定预防措施。
2020-11-01 cs.CY cs.DM cs.SI
Analysis and Control of Beliefs in Social Networks
在这篇论文中，我们研究了信念如何在社交网络成员之间传播的问题。我们提出了一个信息流模型（IFM）的信念，捕捉成员之间的相互作用如何影响的扩散和最终的信念收敛。IFM模型包括一个广义马尔可夫图（GMG）模型作为一个社会网络模型，它揭示了信仰的扩散在很大程度上取决于两个特征的社会网络特征，即度中心和聚类系数。我们将IFM应用于收敛的信念估计和信念控制策略优化。该模型与包括Barabasi-Albert模型的IFM进行了比较，并通过与已发布的真实社交网络数据的实验进行了评估。
2014-01-03 cs.SI physics.soc-ph
An Introduction to Community Detection in Multi-layered Social Network
社会社区的提取及其动态变化是当今社会网络分析的重要问题之一。近年来，许多研究者提出了自己的社交网络群体发现方法。但是，几乎没有人注意到，现代社交网络比几年前复杂得多。由于IT系统中存在大量关于各种用户活动的不同数据，因此可以区分称为多层社交网络的新类别的社交网络。为此，本文提出了一种利用多层边聚类系数的多层社会网络社区发现新方法。
2012-09-26 cs.SI physics.soc-ph
Study of the US Road Network based on Social Network Analysis
大数据结构和网络的复杂性要求在分析和表示数据方面进行更多的研究，以便更好地理解和使用。在这方面，有几种类型的模型来表示结构。本文的目的是使用社会网络拓扑结构来分析美国的以下州的道路网络，美国：加利福尼亚州，宾夕法尼亚州和德克萨斯州。我们的方法主要集中在道路网络数据的聚类，以创建“社区”。
2017-08-28 cs.SI physics.soc-ph
Disassortative mixing in online social networks
传统观点认为，社交网络表现出一种排斥混合模式，而生物和技术网络则表现出一种排斥混合模式。然而，近年来对在线社交网络的研究改变了这一普遍看法，许多在线社交网络呈现出分离或中性混合的特征。特别地，我们发现在线社会网络Wealink经历了从真实社交网络的度可变性特征到许多在线社交网络的度可变性特征的转变，并且这种转变可以通过我们提出的一个简单的网络模型来合理地解释。本文还讨论了网络的可拓性、聚类性和模块性之间的关系。
2009-09-02 physics.data-an physics.pop-ph physics.soc-ph
On Clustering Coefficients in Complex Networks
本文指出全局聚类系数的两种常见计算方法（局部平均值法与三元组比率法）存在强烈不等价性，这种差异会显著影响复杂网络结构分析的准确性。
2024-01-04 cs.NI 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
