[论文解读] Unfolding network communities by combining defensive and offensive label propagation

Lovro Šubelj, Marko Bajec|arXiv (Cornell University)|Mar 14, 2011

Complex Network Analysis Techniques参考文献 33被引用 9

一句话总结

本文提出了一种新颖的标签传播算法 K-Cores，结合了防御性保持（优先保留核心节点）和进攻性扩展（优先扩展边界节点）策略，以提升复杂网络中的社区检测性能。研究发现，网络拓扑结构决定了策略偏好——更密集的网络更适合防御性保持，而更稀疏的网络则更适合进攻性扩展，该方法在真实世界网络和基准网络上均实现了更高的模块度和可扩展性。

ABSTRACT

Label propagation has proven to be a fast method for detecting communities in complex networks. Recent work has also improved the accuracy and stability of the basic algorithm, however, a general approach is still an open issue. We propose different label propagation algorithms that convey two unique strategies of community formation, namely, defensive preservation and offensive expansion of communities. Furthermore, the strategies are combined in an advanced label propagation algorithm that retains the advantages of both approaches; and are enhanced with hierarchical community extraction, prominent for the use on larger networks. The proposed algorithms were empirically evaluated on different benchmarks networks with planted partition and on over 30 real-world networks of various types and sizes. The results confirm the adequacy of the propositions and give promising grounds for future analysis of (large) complex networks. Nevertheless, the main contribution of this work is in showing that different types of networks (with different topological properties) favor different strategies of community formation.

研究动机与目标

• 解决基本标签传播算法在复杂网络社区检测中存在不稳定和准确率低的问题。
• 探究防御性（核心保持）与进攻性（边界扩展）策略是否能提升社区检测的质量与稳定性。
• 开发一种融合两种策略的混合算法（K-Cores），以在多种网络类型中提升性能。
• 通过分层社区提取技术实现在大规模网络中的可扩展社区检测。
• 识别哪些网络拓扑特性（如平均度、密度等）更有利于某一策略，从而为算法选择提供依据。

提出的方法

• 提出防御性标签传播，通过为核心节点施加偏好以保持现有社区。
• 提出进攻性标签传播，通过为边界节点施加偏好以实现社区向外扩展。
• 将两种策略整合为 K-Cores 算法，动态平衡核心保持与边界扩展。
• 通过在社区网络上递归应用标签传播（DPA+）以及基于核心的社区提取（DPA*），实现分层社区提取以提升可扩展性。
• 采用标签跳跃衰减机制以抑制大社区的主导性，从而提升稳定性与收敛性。
• 以模块度最大化作为性能度量指标，并在基准网络与真实世界网络上进行实证评估。

实验结果

研究问题

• RQ1 在不同类型的网络中，防御性与进攻性标签传播策略在模块度与稳定性方面表现如何比较？
• RQ2 能否通过在单一算法（K-Cores）中结合防御与进攻策略，实现对单独策略及基线标签传播算法的超越？
• RQ3 哪些网络拓扑特性（如平均度、密度等）决定了防御或进攻策略更为有效？
• RQ4 分层社区提取方法（DPA+ 与 DPA*）如何提升大规模网络的可扩展性与模块度？
• RQ5 K-Cores 算法是否能在真实世界网络中实现比标准标签传播更高的模块度与更快的收敛速度？

主要发现

• K-Cores 算法在所有测试的真实世界网络中均实现了最高模块度，在 webbase 网络（1450 万个节点，1.01 亿条边）上达到峰值模块度 0.954。
• 在 webbase 网络中，DPA* 仅用 39 次迭代即达到 0.954 的模块度，优于 LPA（0.894）与 DPA（0.923）。
• 在 live 网络（480 万个节点，6900 万条边）中，K-Cores 在 100 次迭代内实现 0.673 的模块度，而 DPA* 在 125 次迭代内达到 0.688 的模块度。
• 在 movie 网络（40 万个节点，1500 万条边）中，DPA* 实现 0.606 的模块度，显著优于 LPA（0.524）与 DPA（0.533）。
• 在更密集的网络中（如 nber、live），防御策略表现优于进攻策略；而在更稀疏的网络中（如 codmat、amazon），进攻策略表现更优。
• 分层算法（DPA+ 与 DPA*）显著减少了大规模网络的迭代次数（如 webbase：43 与 39 次迭代），表明其具备更好的可扩展性。