[论文解读] Extending modularity by capturing the similarity attraction feature in the null model

Xin Liu, Tsuyoshi Murata+1 more|arXiv (Cornell University)|Oct 15, 2012

Complex Network Analysis Techniques参考文献 44被引用 5

一句话总结

本文提出了一种新的模块度零模型，通过引入基于距离函数的节点相似性，捕捉了‘相似性吸引’特征——即相似节点更可能相连。通过用这种相似性感知的零模型替代标准配置模型，作者提出了Dist-Modularity，一种可检测多尺度社区的模块度度量家族，在解析细粒度结构方面优于传统模块度。

ABSTRACT

Modularity is a widely used measure for evaluating community structure in networks. The definition of modularity involves a comparison of within-community edges in the observed network and that number in an equivalent randomized network. This equivalent randomized network is called the null model, which serves as a reference. To make the comparison significant, the null model should characterize some features of the observed network. However, the null model in the original definition of modularity is unrealistically mixed, in the sense that any node can be linked to any other node without preference and only connectivity matters. Thus, it fails to be a good representation of real-world networks. A common feature of many real-world networks is "similarity attraction", i.e., edges tend to link to nodes that are similar to each other. We propose a null model that captures the similarity attraction feature. This null model enables us to create a framework for defining a family of Dist-Modularity adapted to various networks, including networks with additional information on nodes. We demonstrate that Dist-Modularity is useful in identifying communities at different scales.

研究动机与目标

• 解决传统模块度的局限性，其依赖于全局随机混合的零模型，无法反映现实网络中相似性吸引等特征。
• 开发一种结合节点相似性的零模型，基于结构或属性相似性，以更好地反映现实网络的拓扑结构。
• 构建一个灵活的框架——Dist-Modularity——适用于具有额外节点信息（如属性或内容）的网络。
• 通过调节相似性阈值（例如高斯核中的σ），实现多尺度社区检测，揭示不同粒度层次的社区结构。
• 通过引入更真实的零模型限制不切实际的全局混合，克服Newman-Girvan模块度的分辨率极限。

提出的方法

• 提出一种零模型，其中边的概率取决于节点间的相似性，通过距离函数 f(d) = exp(-(d/σ)²) 建模，其中 d 为节点间的距离（例如结构或属性距离）。
• 定义一种新的模块度度量——Dist-Modularity——为在相似性感知零模型下，观察到的社区内边与期望社区内边之间的差异。
• 使用高斯核建模相似性吸引，其中 σ 控制相似性的尺度：σ 越小，越强调局部相似性；σ 越大，越增强全局连通性。
• 将节点属性或内容整合到距离度量中，以扩展框架在具有额外节点信息的网络中的适用性。
• 使用标准社区检测算法优化 Dist-Modularity，通过调节 σ 实现不同尺度下社区的检测。
• 在真实网络上验证该框架，表明社区结构随 σ 平滑演化，揭示了分层组织结构。

实验结果

研究问题

• RQ1 能否通过捕捉相似性吸引的零模型，提升基于模块度的社区检测的准确性和现实性？
• RQ2 将节点相似性纳入零模型，如何影响不同尺度下社区检测的分辨率？
• RQ3 Dist-Modularity 是否能检测出比 Newman-Girvan 模块度更精细的社区结构，特别是在大规模网络中？
• RQ4 在具有异构节点信息的网络中，引入节点属性或内容在多大程度上提升了社区检测效果？
• RQ5 相似性核中的参数 σ 如何影响检测到的社区的粒度和演化过程？

主要发现

• 当 σ → ∞ 时，Dist-Modularity 退化为 Newman-Girvan 模块度的特例，恢复标准配置模型。
• 当 σ 从 0.1d̄ 增加到 10d̄ 时，检测到的社区数量从 9 个增加到 16 个（在 σ = 1d̄ 时），随后减少至 11 个（在 σ = 10d̄ 时），揭示了多尺度社区结构。
• 在 σ = 1d̄ 时，社区边界与射频天线网络的地理边界完全对齐，表明存在强烈的地理相关性。
• 社区结构随 σ 呈非线性演化，表明尺度变化并非单调，从而可提供更丰富的结构洞察。
• 优化 Dist-Modularity 检测到的社区比 NG-Modularity 更小、更局部化，表明其在细粒度社区检测中分辨率更高。
• 该框架通过将基于相似性的零模型嵌入模块度优化，深化了谱聚类与社区检测之间的联系。