- 网络中基于粗糙集和共识聚类的社区发现新算法
基于粗糙聚类的共识社区检测(RC-CCD)方法通过粗糙集理论处理数据中的不确定性,并利用共识聚类方法聚合多个聚类结果,增强社区检测的可靠性和准确性,从而有效地管理复杂网络中常见的重叠社区。在 Lancichinetti-Fortunato- - KDD基于图神经网络的重叠社区发现
本研究提出了一种基于图神经网络的模型,用于检测重叠社区,相对于现有的基线方法,我们的模型表现更为出色。此外,我们的实验表明,该模型具有有效性、可扩展性和对超参数设置的鲁棒性,并且图神经网络是该模型的关键因素。
- CommunityGAN:使用生成对抗网络进行社区检测
本文提出了 CommunityGAN,一个新的社区检测框架,旨在共同解决重叠社区检测和图形表示学习问题,通过采用生成对抗网络(GAN)来优化这种嵌入,实现对顶点到社区的归属强度的量化和最终的社区结构输出。实验证明,CommunityGAN - ICML混合成员和对称非负矩阵分解
本文针对网络重叠社区问题,结合非负矩阵分解和混合成员随机块模型,提出了一种称为 GeoNMF 的计算机算法,能够在广泛的参数范围内实现唯一解,保证了算法的精确性和一致性。经过模拟和真实数据集上的实验,证明了该算法的准确性。
- WWW在大网络中揭示小社群结构:一种局部谱方法
本文介绍了一种名为 LEMON (Local Expansion via Minimum One Norm) 的方法,通过局部扩展来发现重叠社区,在人工合成和现实世界数据集上进行了综合分析,并提供了有关种子集的质量和数量如何影响性能的启发式 - 一种基于谱聚类的增量式算法用于网络中重叠社群的恢复
本文提出了一种新颖的基于谱的算法,并利用基于随机图模型下的谱特性设计出叠加社区网络中的聚类算法,成功地在模拟数据和真实图像数据中实现较好的表现。
- 使用谱方法检测网络中的重叠社区
本文介绍了一种用于网络分析中的重叠社区检测的生成模型,结合了 K - 中位数算法和谱聚类算法,且在网络不太稀疏、社区重叠不太大的情况下具有一致性,模拟和真实社交网络实验结果表明我们的方法表现优于传统方法。
- 大规模图上最大团问题的快速算法及其在重叠社团检测中的应用
提出了一种使用新的修剪技术的确切算法,可快速在非常大、稀疏的图中找到最大团,并提出了一个快得多且提供最优或接近最优解的启发式算法,同时在网络中检测重叠社区的开发方法。
- 具有节点属性的网络中的社区发现
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。
- 混合成员社区模型学习的张量方法
研究使用张量谱分解方法学习一种具有重叠社区结构的概率网络模型,该方法可以保证恢复社区成员和模型参数,并且该方法在速度和正确性方面与当前已知的最优方法相匹配。
- 复杂网络中重叠和分层社区结构的检测
本研究介绍了一种基于适应度函数本地优化的算法,能够发现复杂网络中的社区结构、嵌套社区和重叠社区,可以通过调整参数来探索不同层次的组织结构水平。在真实网络和人工网络上进行了测试,取得了优异的结果。
- 社交群体演化的量化
本研究基于团块渗透,首次研究了大规模网络中重叠社区的时间演化规律,发现动态改变成员组成有利于大型社区的生存而不利于小型社区,同时成员对社区的时间承诺可预测社区的寿命。这些发现揭示了小组和大型机构动态差异的新视角。