Identification of Generalized Semantic Communities in Large Social Networks
Identification of Generalized Semantic Communities in Large Social Networks
复制标题
大型社交网络中广义语义社区的识别
DOI：
10.1109/tnse.2020.3008538
复制
发表时间：
2020-10
期刊：
影响因子：
--
通讯作者：
Francoise Fogelman-Soulié
中科院分区：
文献类型：
--
作者：
Jin Di;Wang Xiaobao;Liu Mengquan;Wei Jianguo;Lu Wenhuan;Francoise Fogelman-Soulié
网络中的社区发现是一项基本的数据分析任务。近年来，研究者们试图通过挖掘语义内容和解释社区来提高其性能。然而，他们通常假设社区是独立的（即顶点大多数连接到组内的其他顶点），因此他们无法找到广义社区结构，其中包括独立社区，独立社区（即大多数连接来自两个组）或组合。此外，他们经常假设每个组成员对应于一个单一的主题，因此当内容与社区结构不一致时，他们不能很好地执行。为了解决这两个问题，我们提出了一个新的贝叶斯模型，并开发了一个有效的变分推理算法的模型推理。该模型将广义社区和主题集群分开描述，同时挖掘它们之间的潜在关联，使两者相辅相成。我们的模型不仅对上述问题具有鲁棒性，而且可以使用多个主题来解释每个社区。我们验证了该方法的鲁棒性在一个人工基准，并分析其解释性的案例研究。最后，我们通过在八个真实的网络上与八个最先进的算法进行比较，展示了其上级社区检测性能。
Community detection in networks is a fundamental data analysis task. Recently, researchers have tried to improve its performance by exploiting semantic contents and interpret the communities. However, they typically assume that communities are assortative (i.e. vertices are mostly connected to others within the group), thus they cannot find the generalized community structures, which includes assortative communities, disassortative communities (i.e. most connections are from two groups), or a combination. In addition, they often assume that each group membership corresponds to a single topic, thus they cannot perform well when the contents are not consistent with community structures. To address these two issues, we propose a new Bayesian model and develop an efficient variational inference algorithm for model inference. This model describes the generalized communities and the topical clusters separately, and explores their latent correlation simultaneously to make the two parts mutually reinforcing. Our model is not only robust to the above problems, but also can interpret each community using more than one topic. We validate the robustness of this approach on an artificial benchmark, and analyze its interpretability by a case study. We finally show its superior community detection performance by comparing with eight state-of-the-art algorithms on eight real networks.
登录
查看更多内容
DOI：
10.1145/2517088
发表时间：
2014-04
期刊：
ACM Trans. Intell. Syst. Technol.
影响因子：
--
作者：
Simon Pool;F. Bonchi;M. Leeuwen
通讯作者：
Simon Pool;F. Bonchi;M. Leeuwen
DOI：
10.1201/b17320-16
发表时间：
2008-09
期刊：
--
影响因子：
--
作者：
Prithviraj Sen;Galileo Namata;M. Bilgic;L. Getoor;Brian Gallagher;Tina Eliassi-Rad
通讯作者：
Prithviraj Sen;Galileo Namata;M. Bilgic;L. Getoor;Brian Gallagher;Tina Eliassi-Rad
DOI：
10.1145/1557019.1557120
发表时间：
2009-06
期刊：
--
影响因子：
--
作者：
Tianbao Yang;Rong Jin;Yun Chi;Shenghuo Zhu
通讯作者：
Tianbao Yang;Rong Jin;Yun Chi;Shenghuo Zhu
DOI：
10.1016/j.patcog.2018.03.026
发表时间：
2018-09
期刊：
Pattern Recognit.
影响因子：
--
作者：
Yu Xie;Maoguo Gong;Shanfeng Wang;Bin Yu
通讯作者：
Yu Xie;Maoguo Gong;Shanfeng Wang;Bin Yu
DOI：
10.1109/tpami.2011.217
发表时间：
2012-07-01
影响因子：
23.6
作者：
Liu, Haifeng;Wu, Zhaohui;Huang, Thomas S.
通讯作者：
Huang, Thomas S.