社交网络Linkedin将告诉用户他/她如何连接到另一个用户。在现实生活中，连接点并不总是那么明显。然而，识别实体之间的模式或关系以及共性是一项对企业，生物学家，医生，患者等至关重要的任务。

在USC Viterbi学校实验室开发的新计算工具Ming Hsieh电气和计算机工程系教授Paul Bodgan与Ming Hsieh教授Edmond Jonckheere合作，能够快速识别出更大的团体/物品/人之间的隐藏联系和相互关系精度高于现有工具。

Bogdan实验室的研究人员有点像侦探，他们试图找出的难题是一条线索，人，物品或行动如何连接并与另一个实体相关。想象一个致力于科学“六度......”的实验室，以发现隐藏的相互关系。研究复杂网络的研究人员知道他们正在解决的问题是“社区检测问题” - 识别和确定哪些个人或项目有共同点以及它们是如何连接的。

这样的计算工具可以被各种群体利用：政治战略家试图找到选民的重叠价值或共享属性;或者想要预测药物副作用或相互作用潜力的生物学家 - 没有多年的实验实验。他们的研究也被用于识别大脑的哪些部分正在发挥相同的功能 - 这是神经科学家和脑损伤患者的关键信息，可以预测大脑的某些区域是否可能接管受损组织的功能。人们还可以想象这个实验室的算法正在寻找看似无关的信息的联系点。

他们最近发表的题为“复杂网络中基于Ollivier-Ricci Curvature的社区检测方法”的论文在NatureScientific Reports期刊中记录了该小组为创建这种改进工具而开发的方法。

方法/概念证明：

从事该研究的博士候选人Jayson Sia表示，他们开发的算法，基于Ollivier-Ricci曲率(ORC)的社区识别，在四个已知的现实世界数据集上进行了测试和验证，目标是寻找通过查看它们之间的链接或技术术语中已知的“边缘”，组中“节点”或个体/单个项目之间的连接点。数据集包括药物 - 药物互动网络，Zachary的空手道俱乐部;大学橄榄球联盟会员;以及一套1000多个政治博客。

主要作者Sia说：“在本文中，我们通过Ollivier-Ricci曲率采用了一种新颖的几何方法，它提供了一种发现固有网络社区结构的自然方法。”

Sia解释说，几何环境中的曲率“主要测量表面如何偏离平面(或曲面如何'曲线')。曲面的几何形状与地图投影的研究以及如何在曲面中测量距离有关Ollivier-Ricci曲率将“曲率”概念扩展到具有正曲线边缘的网络，这些网络“连接良好”并自然形成“社区”。另一方面，负弯曲的边缘被解释为社区之间的“桥梁”，切割这些边缘会隔离社区之间的信息流。“