《虚拟社区发现与演化》系统介绍虚拟社区发现与演化相关的基本概念，重点介绍近10年来社区发现算法的研究进展；并介绍与其相关的社区演化分析算法；同时对社区发现与演化分析相关算法在其他研究方向如社会化推荐、知识图谱构建、链接预测等问题的应用进行梳理和总结；针对超大规模社交网络分析问题，专门介绍基于当前主流大数据图计算平台的并行社区分析算法；最后，针对如何简单、快捷地评价社区发现算法的优劣问题，从不同角度介绍社区分析算法评测平台的设计思路，并演示相关示例，方便用户理解。

前言
第1章 引言
参考文献

第2章 社区分析基本知识
2．1 社区发现的原理
2．1．1 社区的定义
2．1．2 社区发现的方法分类
2．1．3 计算复杂度
2．2 数据集与算法的评价指标
2．2．1 经典数据集
2．2．2 人工数据集产生
2．2．3 评价指标
参考文献

第3章 社区发现经典算法
3．1 传统基于图分割和谱分析的社区发现算法
3．1．1 Kemighan-Lin算法
3．1．2 谱划分
3．2 基于图聚类的社区发现算法
3．2．1 主要聚类方法分类
3．2．2 基于划分聚类的社区发现算法
3．2．3 基于层次聚类的社区发现算法
3．2．4 基于密度聚类的社区发现算法
3．3 社区评估指标及目标优化常用方法
3．3．1 单目标优化——模块度最优化算法
3．3．2 多目标优化算法
3．4 基于信息论和概率的社区发现算法
3．4．1 标签传播算法
3．4．2 信息编码算法
3．4．3 贝叶斯概率模型
3．4．4 基于随机游走模型的图分割
3．5 基于物理模型的社区发现算法
3．5．1 派系过滤算法
3．5．2 电阻网络电压谱分割方法
3．5．3 自旋模型
3．5．4 基于拓扑势的网络社区发现方法
参考文

第4章 社区发现的新兴方法
4．1 非重叠社区发现方法
4．1．1 基于多目标的社区发现方法
4．1．2 基于遗传算法的社区发现方法
4．1．3 基于稳定度的社区发现方法
4．1．4 基于后验方法的社区发现方法
4．1．5 基于截断PageRank的社区发现方法
4．1．6 基于果蝇爬山策略的社区发现方法
4．1．7 基于密度的社区发现方法
4．1．8 基于动态距离学的社区发现方法
4．1．9 其他社区发现方法
4．2 重叠社区发现方法
4．2．1 重叠社区发现的定义及相关概念
4．2．2 结合隐式链接偏好的重叠社区发现方法
4．2．3 利用链路空间变换的重叠社区发现
4．2．4 从局部谱子空间检测重叠社区方法
4．2．5 重叠社区检测的局部种子选择方法
4．2．6 基于边聚类的重叠社区发现方法
4．2．7 基于最大团的重叠社区发现方法
4．3 属性网络社区发现方法
4．3．1 属性网络社区发现研究综述
4．3．2 基于数据融合角度的大规模网络重叠社区发现方法
4．3．3 属性网络社区发现的其他方法
4．4 本章小结
参考文献

第5章 虚拟社区演化
5．1 动态网络
5．1．1 动态网络分析
5．1．2 动态社区发现与社区演化
5．2 社区演化模型
5．2．1 基于核节点的社区演化模型
5．2．2 带权社区的涌现模型
5．2．3 基于图模体的GMM
5．3 演化社区发现算法
5．3．1 基于动态增量的演化社区发现
5．3．2 基于距离增量的演化社区发现
5．3．3 基于博弈论的社会网络动态社区检测
5．3．4 基于多模式聚类的演化社区发现
5．3．5 基于拉普拉斯动力学方法的演化社区发现
5．3．6 基于差分演化的演化社区发现
5．3．7 基于相邻时刻相似度比较的演化社区发现
5．4 演化分析框架
5．4．1 基于事件的社区网络演化分析
5．4．2 基于角色的社区网络演化分析
5．4．3 基于独立社区发现的演化分析
5．4．4 基于网络融合的演化分析
5．4．5 基于演化聚类平滑性的演化分析
5．4．6 基于节点行为的社区演化分析
5．4．7 基于张量分解的社区演化分析
5．5 社区演化评价
5．5．1 基于时空独立评价的方法
5．5．2 基于时空集成评价的方法
5．5．3 基于统一评价的方法
参考文献

第6章 社区分析与其他领域交叉研究
6．1 基于社区分析的情感研究
6．1．1 基于多元情感行为时间序列的社交网络用户聚类分析
6．1．2 社交网络情感社区发现研究
6．2 基于社区分析的预测方法
6．2．1 基于社区结构的链接预测和属性推断联合解决方法
6．2．2 面向多模社交网络的聚类信任预测
6．3 异质网络中的聚类和排序算法
6．3．1 异质网络中的社区发现
6．3．2 基于排序的聚类问题研究
6．4 社区分析在推荐系统的应用
6．4．1 社会化推荐
6．4．2 基于社区的组推荐模型
6．4．3 其他有关社区分析的推荐算法
6．5 其他研究
6．5．1 社区分析在实体消歧领域的应用
6．5．2 基于社区分析的链路预测
6．6 本章小结
参考文献

第7章 社区发现与演化分析快速计算方法
7．1 图并行计算框架
7．1．1 面向大图数据的并行计算模型
7．1．2 基于内存的并行计算模型
7．2 图挖掘的快速计算
7．2．1 大规模图数据处理问题
7．2．2 图挖掘快速计算：增量式计算实例
7．2．3 图挖掘快速计算：并行计算实例
7．3 并行社区发现与演化分析
7．3．1 基于Spark的并行大型多维网络分析
7．3．2 一种可扩展的非重叠社区发现算法框架
7．3．3 基于MapReduce框架的社区发现并行计算方法InfoMR
7．3．4 基于链路图的大规模网络并行重叠社区发现算法
7．3．5 基于Gr印hLab框架的重叠社区发现并行计算方法：DOCVN
7．4 并行社区发现评估及应用
7．4．1 传统社区发现评价指标
7．4．2 并行社区发现评价指标
参考文献

第8章 社区分析算法评测平台
8．1 评测平台综述
8．1．1 现有的评测方法与平台
8．1．2 本平台的设计目标
8．2 平台框架与功能设计
8．2．1 技术背景
8．2．2 整体设计
8．2．3 功能设计
8．3 平台的扩展
8．4 平台操作案例
8．4．1 数据角度
8．4．2 算法角度
8．4．3 指标角度
8．5 平台使用实例
参考文献

第9章 总结
参考文献

　　社交网络和社交媒体已经成为人们生活的一部分，社交网络的本身结构、网络上的行为以及信息传播规律也成为值得研究的重要科学问题。社交网络是一种复杂网络。复杂网络是网络科学研究的基本对象。而社区结构的分析是网络科学研究的基础问题。它的研究随着20世纪末网络科学的兴起而受到众多学者的关注。社区结构分析对深入理解社交网络的结构特征、进一步分析社交网络中的群体行为、认识和建模社交网络上信息的传播过程有着重要意义。本书就是针对这个问题，从问题分类、方法及技术多方面总结社区结构发现与演化分析的研究成果。
　　本书包括四个方面的内容：第一，基础知识，是全书基础性章节，对相关章节涉及的基础知识和核心技术进行初步介绍与总结，包括第1、2、9章，分别是引言、基础知识和总结。第二，相关算法，以时间为序介绍社区发现算法和演化分析方法的研究成果，包括第3、4、5章。第三，相关具体技术，介绍社区结构分析算法在大数据技术框架下的快速实现技术以及相关的评测技术，包括第7、8章。第四，扩展性介绍，介绍社区结构分析算法在社交网络分析其他相关问题的扩展与应用，包括第6章。
　　基础知识：第1章介绍在网络科学兴起的大背景下，虚拟社区发现与演化问题研究的简要发展过程，介绍虚拟社区发现与演化主要涉及的研究问题以及研究方法。并解析本书的各章结构与关联。第2章介绍本书涉及的一些基础知识，主要是图论中的基础概念和网络科学的一些基础知识，包括图的分类与表示、图的性质与路径、复杂网络模型、社区发现基本概念、算法分类、算法评估方法与标准数据集等。第9章针对社区发现与演化问题总结全书内容，并展望未来的相关研究。
　　相关算法：第3章和第4章介绍各类社区发现算法。第3章介绍的是早期的算法，从图聚类、模块度目标优化、概率论与信息论、物理模型等角度归纳社区发现的研究成果。第4章介绍近5年的算法，分别从重叠社区发现、异质网络社区发现、属性网络社区发现等角度总结近年来社区发现的研究进展。第5章介绍社区演化分析方法，包括问题定义、典型分析算法与框架以及评估方法。
　　相关具体技术：第7章在介绍目前主流的图计算并行框架的基础上，总结大数据技术背景下复杂网络数据快速社区发现计算方法。第8章是应用与开发章节，介绍专门用于社区发现算法评价的评测平台，涉及平台的框架、主要功能模块以及应用方法等。
　　扩展性介绍：第6章介绍与社区分析相关的网络科学领域其他问题求解的研究进展，即引入社区分析角度对社会化推荐问题（排名）、知识图谱构建问题、链接预测、网络视频数据分析等问题的研究成果。
　　本书系统全面地总结复杂网络研究兴起以来社区发现与演化问题的研究进展。本书不仅详细介绍经典的分析算法，而且综述近年来新的研究进展。一方面介绍传统的单机运行算法，另一方面介绍基于当前主流图并行计算框架的快速大规模图分析方法。本书以社区分析算法为核心，扩展介绍相关方法的交叉应用以及评测系统平台。本书是一本兼顾社区分析算法基础理论和方法实际应用的、内容丰富的参考书。
　　国家重点基础研究发展计划（973计划）于2013年设立了“社交网络分析与网络信息传播的基础研究”项目。项目从社交网络本身的结构特性、社交网络中的群体及其行为、社交网络中的信息及其传播三方面展开研究。虚拟社区发现与演化是其中一个重要研究课题。本书的写作主要由承担此项目课题“虚拟社区发现与演化”研究任务的相关单位教师与学生完成。该课题由北京邮电大学、国防科技大学、中国科学院计算技术研究所、北京大学四个单位共同承担。书中介绍了此课题研究过程中的一些成果。
　　由衷感谢为本书写作及出版提供实质性贡献的诸位老师和同学。北京邮电大学的数据科学与服务中心的老师和同学为本书的出版提供了基础材料和初稿。他们是：石川教授、贾丙静、吕金娜、郑玉艳、陈晓纪、张孟昊、王琳、孟琳、尹丁艺、郭谦、吴心宇、张子兴、佟雪松、戴唯、彭程程、曹桢、庄楠、周尧棋、王耀和林文鼎。特别感谢国防科技大学的周斌教授、黄久鸣老师，中国科学院计算技术研究所的余智华高级工程师、刘盛华副研究员，北京大学的许进教授、蒋飞博士对本书提供的指导与帮助。本书得到了国家重点基础研究发展计划（项目名称：社交网络分析与网络信息传播的基础研究）的支持，在此特别感谢项目首席科学家方滨兴院士和各位专家的指导与帮助。
　　由于作者水平有限，书中难免存在不足之处，恳请广大读者批评指正。