[论文解读] Beyond Bisection: Eigenvector-Based Partitioning of Networks into Multiple Communities

Thomas S. Richardson, Peter J. Mucha+1 more|arXiv (Cornell University)|Dec 15, 2008

Complex Network Analysis Techniques被引用 1

一句话总结

本文提出了一种基于谱图划分的方法，利用质量函数矩阵的两个主导特征向量，直接在一步内将网络划分为三个社区，扩展了传统的递归二分划分方法。该方法通过同时评估二元和三元划分，提高了社区检测的准确性，在合作者网络和美国国会议员 roll-call 投票网络中表现出有效性。

ABSTRACT

We formulate a spectral graph-partitioning algorithm that uses the two leading eigenvectors of the matrix corresponding to a selected quality function to split a network into three communities in a single step. In so doing, we extend the recursive bipartitioning methods developed by Newman [Proc. Nat. Acad. Sci. 103, 8577 (2006); Phys. Rev. E 74, 036104 (2006)] to allow one to consider the best available two-way and three-way divisions at each recursive step. We illustrate the method using simple bucket brigade examples and then apply the algorithm to examine the community structures of the coauthorship graph of network scientists and of U. S. Congressional networks inferred from roll-call voting similarities.

研究动机与目标

• 为克服传统递归二分划分在检测网络多社区结构方面的局限性。
• 开发一种方法，在每次递归步骤中同时评估二元和三元社区划分。
• 通过利用质量函数矩阵的特征向量，提升社区检测的准确性和效率。
• 将该方法应用于真实网络，包括合作者网络和美国国会议员 roll-call 投票网络，以验证其性能。

提出的方法

• 基于所选质量函数关联矩阵的两个主导特征向量，制定一种谱图划分算法。
• 利用特征向量执行一步到位的三社区划分，避免顺序的递归分割。
• 通过在每一步中引入三元划分选项，扩展 Newman 的递归二分划分框架。
• 采用质量函数矩阵，其特征分解可引导划分过程朝向最优社区划分。
• 通过计算特征向量并利用其将节点一次性分配至三个社区，将该方法应用于网络数据集。
• 使用相同的质量函数评估最终划分的质量，以确保一致性和最优性。

实验结果

研究问题

• RQ1 基于两个主导特征向量的单步谱方法能否有效将网络划分为三个社区？
• RQ2 与递归二分划分相比，直接三元划分在检测有意义社区结构方面的表现如何？
• RQ3 在真实网络中，引入三元划分在多大程度上提升了社区检测的准确性？
• RQ4 该方法在合作者网络和 roll-call 投票网络中识别已知社区结构的能力如何？

主要发现

• 所提出的方法成功在一步内识别出网络中的三社区结构，减少了对迭代递归划分的需求。
• 该算法通过同时考虑二元和三元划分，优于标准的递归二分划分，实现了更准确的社区检测。
• 该方法在网络科学家合作者网络中有效揭示了有意义的社区结构，识别出不同的研究社区。
• 在美国国会议员 roll-call 投票网络中，该算法揭示了与政治立场一致的基于政党和议题的连贯社区分组。
• 利用质量函数矩阵的特征向量实现了稳定且可解释的划分，无需依赖启发式或贪心方法。
• 结果表明，通过谱方法实现的直接三元划分是社区检测中递归二分划分的可行且有效的替代方案。