[论文解读] LabelRankT: Incremental Community Detection in Dynamic Networks via Label Propagation

Jierui Xie, Mingming Chen+1 more|arXiv (Cornell University)|May 9, 2013

Complex Network Analysis Techniques参考文献 25被引用 25

一句话总结

LabelRankT 是一种用于动态网络的增量式、分布式社区检测算法，通过支持加权和有向边对 LabelRank 进行了扩展。通过使用带有膨胀、截断和条件更新算子的局部标签传播，该算法实现了高效率和高稳定性，在真实世界动态网络中的速度和社区质量方面优于现有方法。

ABSTRACT

An increasingly important challenge in network analysis is efficient detection and tracking of communities in dynamic networks for which changes arrive as a stream. There is a need for algorithms that can incrementally update and monitor communities whose evolution generates huge realtime data streams, such as the Internet or on-line social networks. In this paper, we propose LabelRankT, an online distributed algorithm for detection of communities in large-scale dynamic networks through stabilized label propagation. Results of tests on real-world networks demonstrate that LabelRankT has much lower computational costs than other algorithms. It also improves the quality of the detected communities compared to dynamic detection methods and matches the quality achieved by static detection approaches. Unlike most of other algorithms which apply only to binary networks, LabelRankT works on weighted and directed networks, which provides a flexible and promising solution for real-world applications.

研究动机与目标

• 解决在具有持续数据流的大规模动态网络中检测社区时面临的可扩展性和效率挑战。
• 克服现有标签传播算法因随机冲突解决而产生的不稳定性，以及其仅限于二值、无向网络的局限性。
• 开发一种分布式、增量式算法，能够随着新网络变化实时高效地更新社区结构。
• 在保持与静态或批处理方法相比计算开销较低的前提下，提升动态网络中的社区检测质量。
• 通过支持加权和有向边，使算法能够应用于真实世界网络，如社交媒体和在线平台。

提出的方法

• 通过使用加权邻接矩阵 $W$ 修改标签传播算子，将 LabelRank 算法推广以处理有向和加权边。
• 在局部标签分布上应用四种核心算子——传播、膨胀、截断和条件更新，以稳定并优化社区分配。
• 使用标签分布的稀疏矩阵表示，其中每个节点维护其自身的分布，从而实现去中心化计算。
• 实现一种新颖的条件更新规则，基于局部阈值选择性地更新标签，提升收敛性和稳定性。
• 引入基于标签分布收敛的停止准则，以避免不必要的迭代，提升运行时效率。
• 通过重用先前的标签分布并仅重新计算因新边或新节点带来的变化，支持增量更新，实现实时适应。

实验结果

研究问题

• RQ1 能否在保持低计算成本的前提下，稳定并推广标签传播算法以支持加权和有向网络？
• RQ2 如何在动态网络随流式变化持续演化的背景下，高效实现实时社区检测更新？
• RQ3 与静态检测方法相比，所提出的增量方法在动态环境中是否能保持或提升社区质量？
• RQ4 该算法是否能以最小开销扩展至大规模网络，同时处理复杂的网络结构？
• RQ5 在速度和准确性方面，LabelRankT 与现有动态和静态社区检测算法相比表现如何？

主要发现

• LabelRankT 的计算成本显著低于其他动态社区检测算法，支持大规模演化网络的实时处理。
• 与其它增量方法相比，LabelRankT 在动态网络中检测到的社区质量更高，同时与静态检测方法的准确性相当。
• LabelRankT 支持加权和有向网络，使其在灵活性和真实世界应用场景（如社交媒体和在线交互图）中的适用性更强。
• 通过使用带有条件更新的本地去中心化计算，确保了高可扩展性和鲁棒性，避免了其他方法中因全局矩阵运算带来的性能瓶颈。
• 该算法在多次运行中表现出稳定性，消除了标准标签传播中常见的由随机性引起的分区变化。
• 在真实世界网络上的实证评估表明，即使在网络持续演化的情况下，LabelRankT 在执行速度和社区质量方面仍保持高性能。