We investigate the problem of community detection in bipartite networks that are characterized by the presence of two types of nodes such that connections exist only between nodes of different types. While some approaches have been proposed to identify community structures in bipartite networks, there are a number of problems still to solve. In fact, the majority of the proposed approaches suffer from one or even more of the following limitations: (1) difficulty in detecting communities in the presence of many non-discriminating nodes with atypical connections that hide the community structures, (2) loss of relevant topological information due to the transformation of the bipartite network to standard plain graphs, and (3) manually specifying several input parameters, including the number of communities to be identified. To alleviate these problems, we propose BiNeTClus, a parameter-free community detection algorithm in bipartite networks that operates in two phases. The first phase focuses on identifying an initial grouping of nodes through a transactional data model capable of dealing with the situation that involves networks with many atypical connections, that is, sparsely connected nodes and nodes of one type that massively connect to all other nodes of the second type. The second phase aims to refine the clustering results of the first phase via an optimization strategy of the bipartite modularity to identify the final community structures. Our experiments on both synthetic and real networks illustrate the suitability of the proposed approach.

中文翻译：

---

双网集群

我们研究了二分网络中的社区检测问题，其特点是存在两种类型的节点，使得连接仅存在于不同类型的节点之间。虽然已经提出了一些方法来识别二分网络中的社区结构，但仍有许多问题需要解决。事实上，大多数提议的方法都存在以下一个甚至多个限制：（1）在存在许多具有隐藏社区结构的非典型连接的非区分节点的情况下难以检测社区，（2）由于二分网络转换为标准平面图而产生的相关拓扑信息，以及 (3) 手动指定几个输入参数，包括要识别的社区数量。为了缓解这些问题，我们提出了 BiNetClus，这是一种在二分网络中分两个阶段运行的无参数社区检测算法。第一阶段侧重于通过事务数据模型识别初始节点组，该模型能够处理涉及具有许多非典型连接的网络的情况，即稀疏连接的节点和一种类型的节点大量连接到该网络的所有其他节点第二种。第二阶段旨在通过二分模块化的优化策略来细化第一阶段的聚类结果，以确定最终的社区结构。我们在合成网络和真实网络上的实验说明了所提出方法的适用性。分两个阶段运行的二分网络中的无参数社区检测算法。第一阶段侧重于通过事务数据模型识别初始节点组，该模型能够处理涉及具有许多非典型连接的网络的情况，即稀疏连接的节点和一种类型的节点大量连接到该网络的所有其他节点第二种。第二阶段旨在通过二分模块化的优化策略来细化第一阶段的聚类结果，以确定最终的社区结构。我们在合成网络和真实网络上的实验说明了所提出方法的适用性。分两个阶段运行的二分网络中的无参数社区检测算法。第一阶段侧重于通过事务数据模型识别初始节点组，该模型能够处理涉及具有许多非典型连接的网络的情况，即稀疏连接的节点和一种类型的节点大量连接到该网络的所有其他节点第二种。第二阶段旨在通过二分模块化的优化策略来细化第一阶段的聚类结果，以确定最终的社区结构。我们在合成网络和真实网络上的实验说明了所提出方法的适用性。第一阶段侧重于通过事务数据模型识别初始节点组，该模型能够处理涉及具有许多非典型连接的网络的情况，即稀疏连接的节点和一种类型的节点大量连接到该网络的所有其他节点第二种。第二阶段旨在通过二分模块化的优化策略来细化第一阶段的聚类结果，以确定最终的社区结构。我们在合成网络和真实网络上的实验说明了所提出方法的适用性。第一阶段侧重于通过事务数据模型识别初始节点组，该模型能够处理涉及具有许多非典型连接的网络的情况，即稀疏连接的节点和一种类型的节点大量连接到该网络的所有其他节点第二种。第二阶段旨在通过二分模块化的优化策略来细化第一阶段的聚类结果，以确定最终的社区结构。我们在合成网络和真实网络上的实验说明了所提出方法的适用性。第二阶段旨在通过二分模块化的优化策略来细化第一阶段的聚类结果，以确定最终的社区结构。我们在合成网络和真实网络上的实验说明了所提出方法的适用性。第二阶段旨在通过二分模块化的优化策略来细化第一阶段的聚类结果，以确定最终的社区结构。我们在合成网络和真实网络上的实验说明了所提出方法的适用性。