[论文解读] Evolutionary method for finding communities in bipartite networks

Zhan WeiHua, Zhongzhi Zhang+2 more|arXiv (Cornell University)|Nov 15, 2010

Complex Network Analysis Techniques被引用 11

一句话总结

该论文提出了一种改进的自适应遗传算法（MAGA），通过将社区检测重新表述为双模模块度最大化问题，以检测双分图网络中的社区。MAGA通过基于Kullback-Leibler散度的位点信息量度量、重分配技术以及改进的突变规则，在合成网络和真实世界网络（包括单分图和有向网络）上，相较于MOGA、SGA和BRIM，实现了更高的模块度和更快的收敛速度，且在双分图表示下适用于各类网络。

ABSTRACT

An important step in unveiling the relation between network structure and dynamics defined on networks is to detect communities, and numerous methods have been developed separately to identify community structure in different classes of networks, such as unipartite networks, bipartite networks, and directed networks. We show that both unipartite and directed networks can be represented as bipartite networks, and their modularity is completely consistent with that for bipartite networks, the detection of modular structure on which can be reformulated as modularity maximization. To optimize the bipartite modularity, we develop a modified adaptive genetic algorithm (MAGA), which is shown to be especially efficient for community structure detection. The high efficiency of the MAGA is based on the following three improvements we make. First, we introduce a different measure for the informativeness of a locus instead of the standard deviation, which can exactly determine which loci mutate. This measure is the bias between the distribution of a locus over the current population and the uniform distribution of the locus, i.e., the Kullback-Leibler divergence between them. Second, we develop a reassignment technique for differentiating the informative state a locus has attained from the random state in the initial phase. Third, we present a modified mutation rule which by incorporating related operation can guarantee the convergence of the MAGA to the global optimum and can speed up the convergence process. Experimental results show that the MAGA outperforms existing methods in terms of modularity for both bipartite and unipartite networks.

研究动机与目标

• 通过将单分图、有向图和双分图网络统一表示为双分图网络，实现对各类网络中社区检测的统一处理。
• 解决现有遗传算法在社区检测中的局限性，特别是收敛性差以及对标准差用于位点选择的依赖。
• 开发一种无需参数调整的自适应遗传算法，以高效且可靠地优化双分图模块度。
• 实现在无需预先指定社区数量的情况下自动检测社区数量。
• 在每次运行中提供多个高质量解，以评估解的可靠性并整合出更优的最终划分结果。

提出的方法

• 通过节点类型转换，将单分图和有向图网络中的社区检测问题重新表述为双分图网络问题。
• 将双分图模块度定义为目标函数以进行最大化，确保与标准模块度定义的一致性。
• 用Kullback-Leibler散度替代标准差来度量位点信息量，从而精确识别出适合突变的位点。
• 引入重分配技术，以在进化早期阶段区分信息丰富的状态与随机初始状态。
• 实施改进的突变规则，整合相关操作，确保收敛至全局最优解并加速收敛过程。
• 设计基于种群的进化框架，每代时间复杂度为O(M)，可扩展至大规模网络。

实验结果

研究问题

• RQ1 能否通过双分图网络表示，将单分图和有向图网络中的社区检测统一到同一框架下？
• RQ2 如何改进遗传算法，使其在社区检测中能可靠收敛至全局最优解，同时避免对标准差等启发式度量的依赖？
• RQ3 MAGA在模块度和计算效率方面相较于MOGA、SGA和BRIM等现有方法，优势程度如何？
• RQ4 MAGA能否在无需预先输入的情况下自动确定社区数量，其对解的质量有何影响？
• RQ5 MAGA在检测包括大规模真实世界网络在内的多种网络类型中的社区结构方面，效果如何？

主要发现

• 在合成网络和真实世界双分图网络上，MAGA在模块度得分上均优于MOGA、SGA和BRIM，展现出更优的优化性能。
• MAGA在模块度上优于模拟退火（SA）方法，且所需时间显著更短，适用于大规模网络。
• 该算法在单分图网络中成功检测出社区结构，准确率与SA相当或更优，且耗时仅为SA的极小部分。
• MAGA无需预先指定社区数量即可自动确定社区数目，相较于BRIM及其他方法具有显著优势。
• 实证结果表明，MAGA能有效检测规模达10^5个节点的网络，其并行实现表明其具备扩展至数百万节点的潜力。
• 该方法在每次运行中可提供多个高质量解，支持对解的可靠性进行评估，并可整合为更精确的最终划分结果。