Community detection in signed networks is a challenging research problem, and is of great importance to understanding the structural and functional properties of signed networks. It aims at dividing nodes into different clusters with more intra-cluster and less inter-cluster links. Meanwhile, most positive links should lie within clusters and most negative links should lie between clusters. In recent years, some methods for community detection in signed networks have been proposed, but few of them focus on overlapping community detection. Moreover, most of them directly exploit the sparse link topology to detect communities, which often makes them perform poorly. In view of this, in this paper we propose a similarity preserving overlapping community detection (SPOCD) method. SPOCD firstly extracts node similarity information and geometric structure information from the link topology, and then uses a graph regularized binary semi-nonnegative matrix factorization (GRBSNMF) model to fuse these two sources of information to detect communities. Through this mechanism, nodes with high similarity can be well preserved in the same community. Besides, SPOCD devises a special discretization strategy to obtain the binary community indicator matrix, which is very convenient for directly identifying overlapping communities in signed networks. We conduct extensive experiments on synthetic and real-world signed networks, and the results demonstrate that our method outperforms state-of-the-art methods.

签名网络中的社区检测是一个具有挑战性的研究问题，对于理解签名网络的结构和功能特性非常重要。它旨在将节点分为多个集群，集群内部链接较少，集群之间的链接较少。同时，大多数正向链接应位于群集内，而大多数负向链接应位于群集之间。近年来，已经提出了一些在签名网络中进行社区检测的方法，但是很少有方法关注重叠的社区检测。此外，它们中的大多数直接利用稀疏链接拓扑来检测社区，这通常会使它们的性能下降。鉴于此，本文提出了一种相似性保留重叠社区检测（SPOCD）方法。SPOCD首先从链路拓扑中提取节点相似性信息和几何结构信息，然后使用图正则化的二进制半负矩阵分解（GRBSNMF）模型将这两个信息源融合起来以检测社区。通过这种机制，可以在同一社区中很好地保留具有高度相似性的节点。此外，SPOCD还设计了一种特殊的离散化策略来获取二进制社区指标矩阵，这对于直接识别签名网络中的重叠社区非常方便。我们在合成和真实世界的签名网络上进行了广泛的实验，结果表明我们的方法优于最新方法。然后使用图正则化的半半正矩阵分解（GRBSNMF）模型将这两种信息源融合起来，以检测社区。通过这种机制，可以在同一社区中很好地保留具有高度相似性的节点。此外，SPOCD还设计了一种特殊的离散化策略来获取二进制社区指标矩阵，这对于直接识别签名网络中的重叠社区非常方便。我们在合成和真实世界的签名网络上进行了广泛的实验，结果表明我们的方法优于最新方法。然后使用图正则化的半半正矩阵分解（GRBSNMF）模型将这两种信息源融合起来，以检测社区。通过这种机制，可以在同一社区中很好地保留具有高度相似性的节点。此外，SPOCD还设计了一种特殊的离散化策略来获取二进制社区指标矩阵，这对于直接识别签名网络中的重叠社区非常方便。我们在合成和真实世界的签名网络上进行了广泛的实验，结果表明我们的方法优于最新方法。SPOCD设计了一种特殊的离散化策略来获取二进制社区指标矩阵，这对于直接识别签名网络中的重叠社区非常方便。我们在合成和真实世界的签名网络上进行了广泛的实验，结果表明我们的方法优于最新方法。SPOCD设计了一种特殊的离散化策略来获取二进制社区指标矩阵，这对于直接识别签名网络中的重叠社区非常方便。我们在合成和真实世界的签名网络上进行了广泛的实验，结果表明我们的方法优于最新方法。