[论文解读] Consistent Community Identification in Complex Networks

Haewoon Kwak, Young-Ho Eom+3 more|ArXiv.org|Oct 8, 2009

Complex Network Analysis Techniques参考文献 11被引用 9

一句话总结

本文识别出社区检测算法（如CNM、Wakita和Louvain）中存在一个关键不一致问题：在相同网络拓扑下，节点顺序的改变会显著影响社区结构。为解决此问题，作者提出在迭代过程中使用成对成员概率作为动态链接权重，从而在六次或更少迭代内实现一致且高模块度的社区结构，且不损失模块度性能。

ABSTRACT

We have found that known community identification algorithms produce inconsistent communities when the node ordering changes at input. We propose two metrics to quantify the level of consistency across multiple runs of an algorithm: pairwise membership probability and consistency. Based on these two metrics, we address the consistency problem without compromising the modularity. Our solution uses pairwise membership probabilities as link weights and generates consistent communities within six or fewer cycles. It offers a new tool in the study of community structures and their evolutions.

研究动机与目标

• 识别并量化在相同网络中因节点顺序变化而导致的社区检测算法不一致性。
• 开发一种度量方法，用于衡量在多次算法运行中社区一致性的程度。
• 提出一种方法，在不降低社区检测模块度性能的前提下提升结果的一致性。
• 确保节点级分析与演化聚类中社区分配的稳定与可重复性。

提出的方法

• 引入成对成员概率（p_ij）作为度量，用于量化在多次运行中（节点顺序随机化）两个节点被分到同一社区的可能性。
• 基于p_ij与0.5的方差定义全局一致性度量C，用于衡量整体社区结构的稳定性。
• 将p_ij用作加权网络中的动态链接权重，通过迭代重新应用Louvain算法以强化一致的社区结构。
• 在加权网络上应用Louvain算法，最多进行六轮迭代，每轮后根据p_ij更新链接权重。
• 使用Jaccard系数比较独立实验中社区结构的相似性，验证最终分组的一致性。
• 展示一致性（C → 1）与模块度（Q → 稳定，通常提升）在五轮内实现收敛。

实验结果

研究问题

• RQ1 节点顺序如何影响贪心模块度最大化算法中社区检测结果的一致性？
• RQ2 在不同节点顺序下，现有算法（如CNM、Wakita和Louvain）在多大程度上产生不一致的社区结构？
• RQ3 能否定义一种度量方法，用于量化同一算法在多次运行中社区成员关系的一致性？
• RQ4 是否可以在不损害模块度或可扩展性的前提下提升社区一致性？
• RQ5 使用成对成员概率作为链接权重进行迭代优化，能否带来稳定且可重复的社区结构？

主要发现

• 所有测试的算法（CNM、Wakita和Louvain）在节点顺序改变时，即使在小网络（如空手道网络）中，也会产生显著不同的社区结构和模块度值。
• 在所有七个实证网络中，所提出的度量C在五轮内收敛至1，表明社区分配具有近乎完美的稳定性。
• 模块度在两轮后即趋于稳定，且通常优于无权重基线，表明性能未下降，反而可能提升。
• 在独立实验中，超过95%的社区对的Jaccard系数大于0.95，证实了最终社区分组的高可重复性。
• 成对成员概率（p_ij）在相邻节点间主要接近0或1，表明一致性或不一致性强烈，而本方法利用此特性以强化稳定分组。
• 该方法在六轮或更少迭代内实现一致的社区结构，Louvain算法在可扩展性方面表现最佳，被用于演示，但该方法可推广至其他基于模块度的算法。