[论文解读] A Clustering Coefficient to Identify Important Nodes in Bipartite Networks.

Jessica Liebig, Asha Rao|arXiv (Cornell University)|Jun 23, 2014

Complex Network Analysis Techniques参考文献 30被引用 2

一句话总结

本文提出了一种新型双模网络聚类系数，可区分不同类型的聚类结构，从而更准确地识别关键节点。通过结合全局与局部聚类得分，该方法为每个节点分配一个类似中心性的度量，揭示其在塑造网络结构中的作用，为双模网络的组织结构提供了新见解。

ABSTRACT

Bipartite networks have gained an increasing amount of attention over the past few years. Network measures in particular, have been the focus of this research as many of them cannot be directly applied to bipartite networks. The clustering coefficient is one measure that has been redefined recently to suit the analysis of bipartite networks. Building up on this definition, we propose a clustering coefficient that distinguishes between differently structured bipartite clusters. We use this measure to identify influential nodes in a given bipartite network. By comparing the global and local clustering coefficients, we assign a score to each node that indicates the extent to which it drives the clustering behaviour of the whole network. We demonstrate that our clustering coefficient is not only able to identify influential nodes, but gives new insights into a network’s structure. 1

研究动机与目标

• 为解决标准聚类系数在分析双模网络时的局限性，因其双模结构而无法直接应用。
• 开发一种能捕捉双模聚类中结构多样性的聚类系数，超越统一的聚类定义。
• 通过量化节点对网络整体聚类行为的贡献，识别关键节点。
• 通过将节点层面的度量与全局聚类模式关联，提供对网络结构更细致的理解。

提出的方法

• 通过重新定义聚类系数以适应网络的双模特性，将标准聚类系数适配于双模网络。
• 根据其结构配置（如星型或链状模式）区分不同类型的双模聚类。
• 基于节点的邻域及其所属聚类类型，计算每个节点的局部聚类系数。
• 计算全局聚类系数，以汇总整个网络的总体聚类行为。
• 将局部与全局聚类得分组合成复合节点得分，以评估每个节点对聚类动态的影响。
• 利用所得得分对节点进行排序并识别出驱动或维持聚类行为的节点。

实验结果

研究问题

• RQ1 如何重新定义聚类系数，以反映双模网络中的结构多样性？
• RQ2 单个节点在多大程度上影响双模网络的整体聚类行为？
• RQ3 结合局部与全局聚类度量是否能有效识别双模网络中的关键节点？
• RQ4 通过分析节点特定的聚类贡献，能获得关于网络结构的哪些新见解？

主要发现

• 所提出的聚类系数能有效区分双模网络中各类结构类型的聚类。
• 复合聚类得分较高的节点被识别为聚类行为的关键驱动者，表明其在结构上的重要性。
• 该方法揭示了标准聚类度量无法检测到的网络中隐藏的结构模式。
• 局部与全局聚类得分的结合，提供了比单一度量更准确、更具信息量的节点影响力度量。
• 该方法为双模系统中节点的功能与拓扑角色提供了新的解释性见解。