[论文解读] Community Detection in Complex Networks Using Genetic Algorithms

Mursel Tasgin, Amaç Herdağdelen+1 more|ArXiv.org|Nov 4, 2007

Complex Network Analysis Techniques参考文献 12被引用 280

一句话总结

该论文提出一种用于复杂网络社区检测的遗传算法，通过优化网络模块度来实现，无需事先知道社区数量。该方法在弱结构网络中表现优异，且在增加代际数后展现出良好的鲁棒性和收敛性，在部分合成网络案例中优于基线方法。

ABSTRACT

Community detection is an important research topic in complex networks. We present the employment of a genetic algorithm to detect communities in complex networks which is based on optimizing network modularity. It does not need any prior knowledge about the number of communities. Its performance is tested on two real life networks with known community structures and a set of synthetic networks. As the performance measure an information theoretical metric variation of information is used. The results are promising and in some cases better than previously reported studies.

研究动机与目标

• 开发一种无需事先知道网络中社区数量的社区检测算法。
• 使用遗传算法作为核心搜索机制，优化网络模块度。
• 使用信息变异度（variation of information）度量在合成网络和真实网络上评估性能。
• 与 Fast Newman 等成熟算法进行比较，尤其关注其鲁棒性和收敛性。

提出的方法

• 该算法将网络划分表示为整数向量，其中每个条目表示顶点的聚类分配。
• 应用遗传操作——选择、交叉和变异，通过演化聚类分配群体以最大化模块度。
• 使用标准公式计算模块度 Q：Q = Σᵢ(eᵢᵢ − aᵢ²)，其中 eᵢᵢ 是社区 i 内部边的占比，aᵢ 是与社区 i 相连的边的占比。
• 使用信息变异度（VI）作为评估度量，将估计的划分与真实社区结构进行比较。
• 调整种群大小和代际数以提升收敛性和解的质量。
• 在具有不同社区强度（由 z_out 控制）的合成网络以及两个具有已知社区结构的真实网络上测试该方法。

实验结果

研究问题

• RQ1 遗传算法能否在无需事先知道社区数量的情况下，有效优化网络模块度？
• RQ2 在不同社区结构强度下，遗传算法与 Fast Newman 算法的性能表现如何比较？
• RQ3 增加代际数是否能提升遗传算法的解质量并改善收敛性？
• RQ4 遗传算法对网络拓扑和社区结构的变化具有多大鲁棒性？
• RQ5 该算法是否能在合成网络和真实网络上以最少的参数调优实现具有竞争力的结果？

主要发现

• 在具有强社区结构的合成网络中，遗传算法表现具有竞争力，某些情况下与 Fast Newman 表现相当或更优。
• 在 z_out 值较低（社区结构较强）时，Fast Newman 表现优于遗传算法，表明遗传算法可能存在收敛速度慢或参数敏感的问题。
• 随着社区结构减弱（z_out 值升高），遗传算法与 Fast Newman 的性能差距缩小，表明其对噪声具有鲁棒性。
• 增加代际数可提升解的质量，且在达到某一阈值后观察到收敛，表明其计算资源投入可扩展。
• 在较大网络（n=512）中，即使未事先知道真实社区数量，遗传算法的性能仍可与或优于 Fast Newman。
• 该算法在多次运行中结果方差较低，表明其在划分估计中具有良好的鲁棒性和稳定性。