本研究关注于网络系统的统计特性,特别是网络的小世界属性、幂律度分布、网络传递等特性。我们还提出了一种新的方法来检测紧密结合的节点组成的社区结构,使用中心性指数来确定社区边界。我们在计算机生成的和真实世界的图上测试了该方法,并发现它以高度的灵敏度和可靠性检测出社区结构。我们还将该方法应用于两个社区结构不好知道的网络 - 一张协作网络和一张食物网络,并发现它在两种情况下都能检测出有意义的社区划分。
Dec, 2001
本文介绍了使用 CESNA 算法在具有节点属性的网络中检测重叠社区的过程,该算法将网络结构的信息和节点特征属性相结合,可以更准确地检测社区,同时提高了算法的鲁棒性。
Jan, 2014
通过社交网络中推广模式的早期传播模式,研究成功的梗可预测性。我们提出和分析了一套全面的特征,并开发了一个准确的模型来预测梗的未来流行度。我们将特征分类为三组:早期采用者的影响、社区集中度和采纳时间序列的特征。我们发现,基于社区结构的特征是未来成功的最强预测因素。我们还发现,梗的早期流行度不是其未来流行度的好预测因素,与常见信念相反。我们的方法在检测非常流行或不受欢迎的梗方面优于其他方法。
Mar, 2014
本文提出了一种基于内部社区优先附着和社区间优先附着机制的演化网络模型,分析了此网络模型的度分布,理论结果和数值模拟表明,该网络模型具有社区结构和无标度特性。
Oct, 2005
本文论述如何应对集合多种网络数据的任务,并提出一种新的在非对称网络中对每个网络节点分配计算特征向量的网络聚类方法。
Jun, 2016
该研究提出了一种基于特征的新方法来进行网络分类,通过在网络上的动态特征进行分类,并在人类大脑网络上进行了实证研究,结果表明该方法具有优异的性能。
May, 2017
描述和演示了一个新的、混合方法,结合了对潜在特征的手动选择与现有的自动分类方法,并使用随机森林等方法进行分类,该方法在特征共线性存在时具有特别的实用性,实现了更高的准确性、更短的计算时间和更大的网络分类结果的可解释性。
Oct, 2016
论文研究网络分类问题,使用实际网络和人工生成的图模型,证明不同领域的复杂网络有着独特的结构属性,并能够使用少量简单的结构属性予以预测其类别。
May, 2018
本文介绍了一种基于社区属性的链接预测策略 HAP,提出了一个两步社区增强算法,通过添加链接来澄清模糊的社区结构,实验结果表明,该方法优于其他基准方法,并且社区增强遵循了期望的演化过程。
Apr, 2022
本文介绍了社区检测的基本问题,即如何把社交网络中具有明确社交关系的社会行为者分成紧密相连和高度相关的群体,并详细介绍了使用节点属性的方法,对已知的方法进行分类,提供了每种方法的一般技术思想,分析了当前领域的状况并揭示了一些需要未来解决的问题。
Dec, 2019