基于疏离约束的演化网络时序社区在线检测

时序社区源于对演化复杂网络多个快照中节点的一致划分，有助于揭示网络中的密集簇如何随时间涌现、合并、分裂和衰减。当前在单一快照中寻找社区的方法不能直接推广到时序社区的发现，因为用于寻找静态社区的质量函数具有高度简并的景观，且在众多质量相似的划分中最终选择的划分对网络的微小变化高度敏感。为了可靠地检测时序社区，我们不仅需要在给定快照中找到一个好的社区划分，还需要确保它与在紧邻的前序快照中找到的划分具有一定的相似性。受节点间关系的惯性启发，我们提出了一种称为“疏离”的划分距离新度量，将其纳入划分质量度量后，有助于检测有意义的时序社区。具体而言，我们提出了疏离约束方法，该方法假设社区中的相邻节点在网络演化时倾向于继续共享社区归属。约束疏离使我们能够在多种真实世界数据集中，在不同程度的时序平滑性下发现有意义的时序社区。具体而言，我们研究了美国国会参议员投票行为的演化、人类移动性数据集中邻近性的演化，以及在原本难以发现的合成网络中演化社区的检测。因此，疏离约束为揭示演化网络中的时序社区提供了一种有原则的方法。