多重网络中基于本地自适应随机游走的社区发现
该研究探讨了不同实验条件或应用场景下观测到的多网络数据集的社区检测问题,并提出了基于随机块模型的多层网络模型,给出了全局结构和每层社区结构的最小最大速率及其算法,结果显示其在模拟示例和真实数据集上都具有很好的效果。
Dec, 2020
本文提出了基于 Erdos-Renyi 随机图的新算法,用于从时序观测中检测网络中社区的出现。 所开发的三个算法分别为 Exhaustive Search(ES),mixture,和 Hierarchical Mixture(H-Mix)。 数值比较显示 H-Mix 方法是性能最好的方法,与 ES 方法相比,H-Mix 方法具有更低的计算复杂度。
Jul, 2014
本篇研究提出了一种基于随机游走的顶点相似度度量,使用该度量可以高效地计算网络的社区结构,并提出了一种名为 Walktrap 的聚合算法,该算法提高了社区结构计算的准确性。经过全面的比较测试,表明该算法在质量和运行时间方面都优于以前提出的算法。
Dec, 2005
研究网络的 meso-scale 特征,使用不同的 community-identification 程序,比较不同的 community 大小,识别多个 size-resolved 的 community 结构,并提出局部偏置方法比全局 community-detection 方法更实用,同时也强调 better benchmark 网络的重要性。
Mar, 2014
本文探讨了用 Multiplex PageRank 算法来测量多层网络中节点的中心性,并表征了最近引入的指标函数 Θ^S 来描述其介观组织和社区结构的实用性。同时,本文以社会科学为例,研究了这些度量的三个多层网络数据集。
Feb, 2016
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
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。
Sep, 2007
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
本研究提出了一种新的半监督结构感知表征学习方法,通过最大化局部节点表示和标签相关的全局图表示之间的互信息来联合建模节点和群集结构,并采用聚类感知、节点上下文全局图概括生成策略来有效地联合建模多层复合网络中的节点和群集表示,实验结果表明,提出的方法在分类、聚类、可视化和相似性搜索等任务中优于现有方法。
Oct, 2021