Sep, 2007

大规模网络中检测社区结构的近线性时间算法

PDF
TL;DR通过节点的标签传播，本文提出了一种在大规模网络上检测社区结构的算法，不需要预先知道社区数量和大小，并且计算效率高；实验证明该算法与先前算法相比具有更高的计算速度。
community detection and analysislabel propagation algorithmnetwork structureconsensus formationcomputational efficiency
发现论文，激发创造
  • 网络社区结构快速检测算法

    本文描述了一种快速检测具有社群结构的网络的新算法，并给出了各种应用实例，比之前的算法更加高效。

    Sep, 2003

  • 在极大网络中找到社群结构

    本篇论文提出了一种层次聚合算法，用于快速检测社区结构，可以在大规模复杂网络上运行，并且应用于分析一个大型在线零售商网站上销售物品的网络，揭示了客户购物习惯的大规模模式。

    Aug, 2004

  • 标签传播在网络中发现重叠社区

    本文介绍了一种基于标签传播技术的算法，用于在大型网络中寻找重叠的社区结构，并扩展了标签传播步骤，使每个顶点可以属于多达 v 个社区，其算法在与独立设计的基准测试和真实网络上的测试中均表现出高度的有效性，而且速度非常快，可以在短时间内处理非常大和密集的网络。

    Oct, 2009

  • 探测网络社群：一种新的系统化高效算法

    本文介绍了一种利用图拉普拉斯矩阵的谱特性，结合分层聚类技术和包含最大化输出模块化程度处理的高效且相对较快的检测复杂网络中社区的算法，并将其性能与其他现有方法在不同的复杂网络实例中应用进行了比较。在所有测试案例中，我们的结果都至少与任何其他方法获得的最佳结果一样好，大多数情况下比提供类似质量结果的方法更快，这使得该算法成为检测和分析复杂网络中社区和模块化结构的有价值的计算工具。

    Apr, 2004

  • 大规模网络社群检测的广义 Louvain 算法

    本文提出了一种新颖的策略来发现（可能是大型）网络的社区结构，利用基于 k-path 的边缘中心度，并借鉴 Louvain 方法，通过最大化网络模块化来发现社区结构。实验证明，该算法优于其他技术并略微改进了原始 Louvain 方法的结果，可自然扩展到非加权网络。

    Aug, 2011

  • 社区发现算法的比较分析

    文章测试了多种算法，并针对新的基准图进行了评估，结果表明 Rosvall and Bergstrom、Blondel et al. 和 Ronhovde and Nussinov 三种算法表现出色，并具有低计算复杂度优势，适用于大型网络分析。

    Aug, 2009

  • 网络中的社区结构发现与评估

    本研究提出了一套算法用于发现网络中的社群结构，算法基于边的 “介数” 指标进行网络拆分，并针对性的进行度量评估，研究结果表明这些算法对于计算机生成和现实世界中的网络数据发现社群结构非常有效，可为我们探索复杂的网络系统结构提供帮助。

    Aug, 2003

  • 大规模网络中社群的快速展开

    利用基于模块度优化的启发式算法提取大型网络的社群结构，并且证实它的优越性和精准性在比利时移动电话网络和超过 10 亿个链接的网络图中得到了很好的效果。

    Mar, 2008

  • 网络中自动社区检测的假设检验

    本文提出了自动确定 Stochastic Blockmodel 所生成的图中聚类数的方法。通过剖析相应的邻接矩阵的主特征值限制分布并用于假设检验，提出了一个递归二分算法，该算法在真实世界的定量分类任务中表现优于现有概率模型，并且在未标记的网络中揭示出嵌套的社区结构。

    Nov, 2013

  • 复杂网络中的共识聚类

    探究了社区结构如何能被用于复杂网络中以展示其组织和其组成部分之间隐藏的关系。这里提出了将一致性聚类（consensus clustering）与任何现有方法自洽地结合起来的框架，以显著提高生成的分区的稳定性和准确性。在将该框架应用于大型物理论文引用网络的案例中也展示了其跟踪主题出现、消失和多样化的能力。

    Mar, 2012