Community detection in Social Networks is associated with finding and grouping the most similar nodes inherent in the network. These similar nodes are identified by computing tie strength. Stronger ties indicates higher proximity shared by connected node pairs. This work is motivated by Granovetter's argument that suggests that strong ties lies within densely connected nodes and the theory that community cores in real-world networks are densely connected. In this paper, we have introduced a novel method called \emph{Disjoint Community detection using Cascades (DCC)} which demonstrates the effectiveness of a new local density based tie strength measure on detecting communities. Here, tie strength is utilized to decide the paths followed for propagating information. The idea is to crawl through the tuple information of cascades towards the community core guided by increasing tie strength. Considering the cascade generation step, a novel preferential membership method has been developed to assign community labels to unassigned nodes. The efficacy of $DCC$ has been analyzed based on quality and accuracy on several real-world datasets and baseline community detection algorithms.

Online Social Networks have embarked on the importance of connection strength measures which has a broad array of applications such as, analyzing diffusion behaviors, community detection, link predictions, recommender systems. Though there are some existing connection strength measures, the density that a connection shares with it's neighbors and the directionality aspect has not received much attention. In this paper, we have proposed an asymmetric edge similarity measure namely, Neighborhood Density-based Edge Similarity (NDES) which provides a fundamental support to derive the strength of connection. The time complexity of NDES is $O(nk^2)$. An application of NDES for community detection in social network is shown. We have considered a similarity based community detection technique and substituted its similarity measure with NDES. The performance of NDES is evaluated on several small real-world datasets in terms of the effectiveness in detecting communities and compared with three widely used similarity measures. Empirical results show NDES enables detecting comparatively better communities both in terms of accuracy and quality.

Information diffusion in Online Social Networks is a new and crucial problem in social network analysis field and requires significant research attention. Efficient diffusion of information are of critical importance in diverse situations such as; pandemic prevention, advertising, marketing etc. Although several mathematical models have been developed till date, but previous works lacked systematic analysis and exploration of the influence of neighborhood for information diffusion. In this paper, we have proposed Common Neighborhood Strategy (CNS) algorithm for information diffusion that demonstrates the role of common neighborhood in information propagation throughout the network. The performance of CNS algorithm is evaluated on several real-world datasets in terms of diffusion speed and diffusion outspread and compared with several widely used information diffusion models. Empirical results show CNS algorithm enables better information diffusion both in terms of diffusion speed and diffusion outspread.

通常，通过比较使用不同算法获得的社区的评估度量值来评估社区检测算法。用于衡量社区质量的评估指标结合了实体的拓扑信息，例如社区内部或外部节点的连接性。但是，在比较度量值的同时，它失去了社区拓扑信息在比较过程中的直接参与。在本文中，提出了一种直接比较方法，直接比较了两种算法获得的社区的拓扑信息。质量度量是基于社区拓扑信息的直接比较而设计的。考虑到新设计的质量度量，开发了两个排名方案。研究了八种广泛使用的现实世界数据集和六种社区检测算法的拟议质量指标以及排名方案的功效。

社交网络（SN）是一个由代表它们之间相互作用的群体组成的社会结构。 SNS最近被广泛使用，随后已成为产品推广和信息扩散的合适平台。 SN中的人们直接影响彼此的利益和行为。 SNS中最重要的问题之一是，如果选择将它们作为网络扩散场景的种子节点选择，那么他们可以以级联的方式对网络中的其他节点产生最大影响。有影响力的扩散器是人们，如果他们被选为网络中出版问题中的种子，那么该网络将拥有最多了解该扩散实体的人。这是称为影响最大化（IM）问题的文献中的一个众所周知的问题。尽管已证明这是一个NP完整的问题，并且在多项式时间内没有解决方案，但有人认为它具有子模块化功能的属性，因此可以使用贪婪的算法来解决。提出改善这种复杂性的大多数方法都是基于以下假设：整个图都是可见的。但是，此假设不适合许多真实世界图。进行了这项研究，以扩展使用链接预测技术与伪可见性图的电流最大化方法。为此，将一种称为指数随机图模型（ERGM）的图生成方法用于链接预测。使用斯坦福大学SNAP数据集的数据对所提出的方法进行了测试。根据实验测试，所提出的方法在现实世界图上有效。

Nature-inspired optimization Algorithms (NIOAs) are nowadays a popular choice for community detection in social networks. Community detection problem in social network is treated as optimization problem, where the objective is to either maximize the connection within the community or minimize connections between the communities. To apply NIOAs, either of the two, or both objectives are explored. Since NIOAs mostly exploit randomness in their strategies, it is necessary to analyze their performance for specific applications. In this paper, NIOAs are analyzed on the community detection problem. A direct comparison approach is followed to perform pairwise comparison of NIOAs. The performance is measured in terms of five scores designed based on prasatul matrix and also with average isolability. Three widely used real-world social networks and four NIOAs are considered for analyzing the quality of communities generated by NIOAs.

尽管社交媒体中的Echo Chambers受到了相当大的审查，但仍缺少用于检测和分析的一般模型。在这项工作中，我们旨在通过提出一个概率的生成模型来填补这一空白，该模型通过一系列具有一定程度的回声室行为来解释社交媒体足迹（即社交网络结构和信息传播）。并以极性。具体而言，回声室被建模为可渗透到具有相似意识形态极性的信息的社区，并且对相反的倾向信息不渗透：这允许将回声室与缺乏明确意识形态保持一致的社区区分。为了了解模型参数，我们提出了对广义期望最大化算法的可扩展的随机适应，该算法优化了观察社会联系和信息传播的关节可能性。合成数据的实验表明，我们的算法能够及其具有回声室行为和意见极性的程度正确地重建地面真相社区。关于两极分化社会和政治辩论的现实数据的实验，例如英国脱欧公投或COVID-19疫苗运动，证实了我们提议在检测回声室方面的有效性。最后，我们展示了我们的模型如何提高辅助预测任务的准确性，例如立场检测和未来传播的预测。

许多复杂网络的结构包括其拓扑顶部的边缘方向性和权重。可以无缝考虑这些属性组合的网络分析是可取的。在本文中，我们研究了两个重要的这样的网络分析技术，即中心和聚类。采用信息流基于集群的模型，该模型本身就是在计算中心的信息定理措施时构建。我们的主要捐款包括马尔可夫熵中心的广义模型，灵活地调整节点度，边缘权重和方向的重要性，具有闭合形式的渐近分析。它导致一种新颖的两级图形聚类算法。中心分析有助于推理我们对给定图形的方法的适用性，并确定探索当地社区结构的“查询”节点，从而导致群集聚类机制。熵中心计算由我们的聚类算法摊销，使其计算得高效：与使用马尔可夫熵中心为聚类的先前方法相比，我们的实验表明了多个速度的速度。我们的聚类算法自然地继承了适应边缘方向性的灵活性，以及​​边缘权重和节点度之间的不同解释和相互作用。总的来说，本文不仅具有显着的理论和概念贡献，还转化为实际相关性的文物，产生新的，有效和可扩展的中心计算和图形聚类算法，其有效通过广泛的基准测试进行了验证。

隐藏的社区是最近提出的一个有用的概念，用于社交网络分析。为了处理网络规模的快速增长，在这项工作中，我们从本地角度探讨了隐藏社区的检测，并提出了一种在从原始网络采样的子程目上迭代地检测和提升每个层的新方法。我们首先将根据我们修改的本地频谱方法从单个种子节点展开种子集，并检测初始占主导地位的本地社区。然后，我们暂时删除该社区的成员以及它们与其他节点的连接，并检测剩余子图中的所有邻居社区，包括一些“破坏社区”，该部分仅包含原始网络中的一部分成员。当地社区和邻里社区形成了一个主导层，通过减少这些社区内的边缘权重，我们削弱了这一层的结构来揭示隐藏的层。最终，我们重复整个过程，并且可以迭代地检测并升级包含种子节点的所有社区。理论上我们展示了我们的方法可以避免破碎的社区和当地社区被认为是子图中的一个社区的某些情况，导致对全球隐藏的社区检测方法可能引起的检测不准确。广泛的实验表明，我们的方法可以显着优于为全球隐藏社区检测或多个本地社区检测设计的最先进的基线。

我们考虑了最大化的影响（IM）问题：'如果我们能说服社交网络中的一部分个人采用新产品或创新，目的是触发大量的进一步收养级联我们应该定位吗？正式地，这是在社交网络中选择$ K $种子节点的任务，以使网络中预期的影响节点（在某些影响下传播模型）最大化。在文献中已经广泛研究了这个问题，并提出了几种解决方案方法。但是，大多数基于模拟的方法涉及耗时的蒙特卡洛模拟，以计算种子节点在整个网络中的影响。这限制了这些方法在大型社交网络上的适用性。在本文中，我们有兴趣以时间效率的方式解决影响最大化的问题。我们提出了一种社区意识的分歧和纠纷策略，涉及（i）学习社交网络的固有社区结构，（ii）通过解决每个社区的影响最大化问题，以及（iii）选择最终的影响力来生成候选解决方案。使用新颖的渐进预算计划来自候选解决方案的个人。我们提供有关现实世界社交网络的实验，表明所提出的算法在经验运行时和启发式算法方面优于基于仿真的算法。我们还研究了社区结构对算法性能的影响。我们的实验表明，具有较高模块化的社区结构导致所提出的算法在运行时和影响方面表现更好。

Most real-world networks suffer from incompleteness or incorrectness, which is an inherent attribute to real-world datasets. As a consequence, those downstream machine learning tasks in complex network like community detection methods may yield less satisfactory results, i.e., a proper preprocessing measure is required here. To address this issue, in this paper, we design a new community attribute based link prediction strategy HAP and propose a two-step community enhancement algorithm with automatic evolution process based on HAP. This paper aims at providing a community enhancement measure through adding links to clarify ambiguous community structures. The HAP method takes the neighbourhood uncertainty and Shannon entropy to identify boundary nodes, and establishes links by considering the nodes' community attributes and community size at the same time. The experimental results on twelve real-world datasets with ground truth community indicate that the proposed link prediction method outperforms other baseline methods and the enhancement of community follows the expected evolution process.

临床记录经常包括对患者特征的评估，其中可能包括完成各种问卷。这些问卷提供了有关患者当前健康状况的各种观点。捕获这些观点给出的异质性不仅至关重要，而且对开发具有成本效益的技术的临床表型技术的需求增长。填写许多问卷可能是患者的压力，因此昂贵。在这项工作中，我们提出了钴 - 一种基于成本的层选择器模型，用于使用社区检测方法检测表型。我们的目标是最大程度地减少用于构建这些表型的功能的数量，同时保持其质量。我们使用来自慢性耳鸣患者的问卷数据测试我们的模型，并在多层网络结构中代表数据。然后，通过使用基线特征（年龄，性别和治疗前数据）以及确定的表型作为特征来评估该模型。对于某些治疗后变量，使用来自钴的表型作为特征的预测因素优于使用传统聚类方法检测到的表型的预测因素。此外，与仅接受基线特征训练的预测因子相比，使用表型数据预测治疗后数据被证明是有益的。

复杂的网络是代表现实生活系统的图形，这些系统表现出独特的特征，这些特征在纯粹的常规或完全随机的图中未发现。由于基础过程的复杂性，对此类系统的研究至关重要，但具有挑战性。然而，由于大量网络数据的可用性，近几十年来，这项任务变得更加容易。复杂网络中的链接预测旨在估计网络中缺少两个节点之间的链接的可能性。由于数据收集的不完美或仅仅是因为它们尚未出现，因此可能会缺少链接。发现网络数据中实体之间的新关系吸引了研究人员在社会学，计算机科学，物理学和生物学等各个领域的关注。大多数现有研究的重点是无向复杂网络中的链接预测。但是，并非所有现实生活中的系统都可以忠实地表示为无向网络。当使用链接预测算法时，通常会做出这种简化的假设，但不可避免地会导致有关节点之间关系和预测性能中降解的信息的丢失。本文介绍了针对有向网络的明确设计的链接预测方法。它基于相似性范式，该范式最近已证明在无向网络中成功。提出的算法通过在相似性和受欢迎程度上将其建模为不对称性来处理节点关系中的不对称性。鉴于观察到的网络拓扑结构，该算法将隐藏的相似性近似为最短路径距离，并使用边缘权重捕获并取消链接的不对称性和节点的受欢迎程度。在现实生活中评估了所提出的方法，实验结果证明了其在预测各种网络数据类型和大小的丢失链接方面的有效性。

社区检测是网络科学的基本和重要问题，但只有几个基于图形神经网络的社区检测算法，其中无监督的算法几乎是空白的。通过融合具有网络功能的高阶模块化信息，本文首次提出了基于变分AualiCoder重建的社区检测VGGAer，并给出了其非概率版本。他们不需要任何先前的信息。我们精心设计了基于社区检测任务的相应输入功能，解码器和下游任务，这些设计简洁，自然，表现良好（我们的设计下的NMI值得到59.1％-565.9％）。基于一系列具有广泛数据集和先​​进方法的一系列实验，VGAER实现了卓越的性能，并具有更简单的设计竞争力和潜力。最后，我们报告了算法收敛性分析和T-SNE可视化的结果，清楚地描绘了VGAER的稳定性能和强大的网络模块化能力。我们的代码可在https://github.com/qcydm/vgaer提供。

图表上的表示学习（也称为图形嵌入）显示了其对一系列机器学习应用程序（例如分类，预测和建议）的重大影响。但是，现有的工作在很大程度上忽略了现代应用程序中图和边缘的属性（或属性）中包含的丰富信息，例如，属性图表示的节点和边缘。迄今为止，大多数现有的图形嵌入方法要么仅关注具有图形拓扑的普通图，要么仅考虑节点上的属性。我们提出了PGE，这是一个图形表示学习框架，该框架将节点和边缘属性都包含到图形嵌入过程中。 PGE使用节点聚类来分配偏差来区分节点的邻居，并利用多个数据驱动的矩阵来汇总基于偏置策略采样的邻居的属性信息。 PGE采用了流行的邻里聚合归纳模型。我们通过显示PGE如何实现更好的嵌入结果的详细分析，并验证PGE的性能，而不是最新的嵌入方法嵌入方法在基准应用程序上的嵌入方法，例如节点分类和对现实世界中的链接预测数据集。

网络表示学习（NRL）方法在过去几年中受到了重大关注，因此由于它们在几个图形分析问题中的成功，包括节点分类，链路预测和聚类。这种方法旨在以一种保留网络的结构信息的方式将网络的每个顶点映射到低维空间中。特别感兴趣的是基于随机行走的方法;这些方法将网络转换为节点序列的集合，旨在通过预测序列内每个节点的上下文来学习节点表示。在本文中，我们介绍了一种通用框架，以增强通过基于主题信息的随机行走方法获取的节点的嵌入。类似于自然语言处理中局部单词嵌入的概念，所提出的模型首先将每个节点分配给潜在社区，并有利于各种统计图模型和社区检测方法，然后了解增强的主题感知表示。我们在两个下游任务中评估我们的方法：节点分类和链路预测。实验结果表明，通过纳入节点和社区嵌入，我们能够以广泛的广泛的基线NRL模型表明。

网络数据分析中的基本技术挑战是社区的自动发现 - 紧密连接或具有相似功能或角色的节点组。在本评论中，我们回顾了过去20年的该领域的进度。

社区检测是社会网络分析中最重要而有趣的问题之一。近年来，同时考虑社区检测过程中社交网络的节点的属性和拓扑结构，吸引了许多学者的关注，最近在一些社区检测方法中使用了这一考虑，以增加他们的效率并增强他们的效率寻找有意义和相关社区的表演。但问题是，大多数这些方法都倾向于找到非重叠的社区，而许多现实网络包括在某种程度上经常重叠的社区。为了解决这个问题，在本文中提出了一种称为Mobbo-OCD的进化算法，该算法基于基于多目标生物地理学的优化（BBO），以在同步地考虑中自动查找与节点属性的社交网络中的重叠社区网络中的连接密度和节点属性的相似性。在Mobbo-OCD中，引入称为OLAR的扩展基于轨迹的邻接邻接，以编码和解码重叠的社区。基于OLAR，基于秩的迁移操作员以及新的两相突变策略和新的双点交叉在Mobbo-OCD的演化过程中使用，以有效地将人群引导到进化路径中。为了评估mobbo-ocd的性能，本文提出了一种名为Alpha_Saem的新度量，这是考虑节点属性和链接结构的两个方面，可以评估重叠和非重叠分区的良好。量化评估表明，Mobbo-ocd实现了有利的结果，这些结果非常优于文献中的15个相关群落检测算法的结果。

Network structure evolves with time in the real world, and the discovery of changing communities in dynamic networks is an important research topic that poses challenging tasks. Most existing methods assume that no significant change in the network occurs; namely, the difference between adjacent snapshots is slight. However, great change exists in the real world usually. The great change in the network will result in the community detection algorithms are difficulty obtaining valuable information from the previous snapshot, leading to negative transfer for the next time steps. This paper focuses on dynamic community detection with substantial changes by integrating higher-order knowledge from the previous snapshots to aid the subsequent snapshots. Moreover, to improve search efficiency, a higher-order knowledge transfer strategy is designed to determine first-order and higher-order knowledge by detecting the similarity of the adjacency matrix of snapshots. In this way, our proposal can better keep the advantages of previous community detection results and transfer them to the next task. We conduct the experiments on four real-world networks, including the networks with great or minor changes. Experimental results in the low-similarity datasets demonstrate that higher-order knowledge is more valuable than first-order knowledge when the network changes significantly and keeps the advantage even if handling the high-similarity datasets. Our proposal can also guide other dynamic optimization problems with great changes.

图形结构的开发是有效地学习节点表示的关键，该节点在图表中保留有用信息。图表的一个显着性属性是，节点的潜在分层分组存在于全局透视图中，其中每个节点根据其相邻节点组成的上下文向特定组表示其成员资格。大多数事先作用忽略此类潜在组和节点的成员资格到不同的组，在建模邻域结构时，更不用说层次结构。因此，它们缺乏对图表中不同环境下的节点的全面了解。在本文中，我们提出了一种用于嵌入图形嵌入的新型分层周度成员资格模型，其中基于其邻近的上下文动态发现每个节点的潜在成员资格。在聚合相邻状态以生成节点嵌入时，执行两个组级和单个级别的关注。我们介绍了结构约束，明确规范每个节点的推断成员资格，使得捕获明确定义的分层分组结构。所提出的模型在节点分类和链路预测任务中嵌入解决方案的一组最先进的图表，以及包括引文网络和社交网络的各种图表中的链路预测任务。定性评估随着推断的成员资格可视化学习节点嵌入式，这证明了成员资格层次结构的概念，并启用了图形中的可解释的嵌入学习。