[論文レビュー] Modularity based community detection in heterogeneous networks

Jingfei Zhang, Yuguo Chen|arXiv (Cornell University)|Mar 21, 2018

Complex Network Analysis Techniques参考文献 2被引用数 10

ひとこと要約

本稿は、コミュニティ数を未知かつ柔軟に扱う、異種ネットワーク向けのモジュラリティベースのコミュニティ検出フレームワークを提案する。ノード型とエッジ型の違いを考慮したノルムモデルを用いてモジュラリティを異種ネットワークに拡張し、Louvain型最適化を用いてモジュラリティを最大化する。ストークスティックブロックモデル下で一貫性を示し、DBLP や MovieLens といった実世界データセットでも優れた性能を発揮する。

ABSTRACT

Heterogeneous networks are networks consisting of different types of nodes and multiple types of edges linking such nodes. While community detection has been extensively developed as a useful technique for analyzing networks that contain only one type of nodes, very few community detection techniques have been developed for heterogeneous networks. In this paper, we propose a modularity based community detection framework for heterogeneous networks. Unlike existing methods, the proposed approach has the flexibility to treat the number of communities as an unknown quantity. We describe a Louvain type maximization method for finding the community structure that maximizes the modularity function. Our simulation results show the advantages of the proposed method over existing methods. Moreover, the proposed modularity function is shown to be consistent under a heterogeneous stochastic blockmodel framework. Analyses of the DBLP four-area dataset and a MovieLens dataset demonstrate the usefulness of the proposed method.

研究の動機と目的

• 複数のノード型とエッジ型を有する異種ネットワークに特化したコミュニティ検出手法の不足に対処する。
• 事前にコミュニティ数を指定する必要があるか、異種エッジを無視する既存手法の制限を克服する。
• 事前にコミュニティ数を仮定せずにコミュニティを同定できる、柔軟なモジュラリティベースのフレームワークを開発する。
• 異種ストキャスティックブロックモデルフレームワーク下で、提案されたモジュラリティ関数の理論的整合性を保証する。
• DBLP や MovieLens を含む実世界データセットへの応用を通じて、実用的有用性を示す。

提案手法

• 複数のノード型にわたる同種および異種エッジを統合した、異種ネットワーク用のモジュラリティ関数を定義する。
• コミュニティ構造が存在しない場合の期待エッジ分布を保持するノルムモデルを構築し、ノード型ごとの次数分布を考慮する。
• ノルムモデル下での期待エッジ数に基づいた補正を施した、型内および型間エッジペアからの寄与の合計としてモジュラリティを定式化する。
• ノードをコミュニティに再割り当てすることで、反復的にモジュラリティ関数を最大化するLouvain型最適化アルゴリズムを実装する。
• コミュニティ割り当てベクトルと遷移行列を用いて、ノードの所属関係とコミュニティ間のエッジ確率をモデル化する。
• ストキャスティックブロックモデルフレームワーク下で、モジュラリティ最大化者が真のコミュニティ構造に収束することを理論的に保証する。

実験結果

リサーチクエスチョン

• RQ1 モジュラリティベースのアプローチは、複数のノード型とエッジ型を有する異種ネットワークにおいて、コミュニティ検出を効果的に行えるか？
• RQ2 提案手法は、実世界の異種ネットワークにおいて、既存のコミュニティ検出技術と比較してどのように性能を発揮するか？
• RQ3 提案されたモジュラリティ関数は、異種ストキャスティックブロックモデル下で真のコミュニティ構造を回復する一貫性を示すか？
• RQ4 本手法は、入力としてコミュニティ数を事前に指定せずに、自動的にコミュニティ数を特定できるか？
• RQ5 （例：ユーザ-イベントリンクなど）異種エッジを含めることで、異種ネットワークにおけるコミュニティ検出の正確性にどのような影響を与えるか？

主な発見

• 提案されたモジュラリティ関数は、異種ストキャスティックブロックモデル下で一貫性を示す。これは、ネットワークサイズが増加するにつれて推定されたコミュニティ構造が真の構造に収束することを意味する。
• Louvain型最適化アルゴリズムは、コミュニティ数を事前に指定せずに、モジュラリティ関数を効果的に最大化し、コミュニティ構造を同定するのに成功した。
• シミュレーション結果から、本手法は異種ネットワークにおけるコミュニティ検出において、既存手法を上回ることを示した。
• DBLP 四分野データセットでは、研究者と研究分野のコミュニティが正常に同定され、共同研究のパターンに基づく意味のあるグルーピングが明らかになった。
• MovieLens データセットでは、ユーザと映画のコミュニティが検出され、ユーザコミュニティは特定の映画ジャンルに明確な好みを示した。
• 本手法は、先行研究で用いられたスペクトルクラスタリング手法と比較して、ロバスト性とスケーラビリティに優れ、大規模ネットワークの処理をより効率的に行った。