[论文解读] A Comprehensive Review of Community Detection in Graphs

J Li, Lai, Songning+12 more|arXiv (Cornell University)|Sep 21, 2023

Complex Network Analysis Techniques被引用 4

一句话总结

本文对图中的社区检测进行了全面综述，提出了结合K近邻（KNN）与集合移位原理的改进型集合移位（RMS）算法，以提升在非欧几里得图结构上的社区检测性能。RMS方法在模块度和标准化互信息（NMI）得分方面表现更优，为复杂网络分析提供了一种稳健且兼容机器学习的解决方案。

ABSTRACT

The study of complex networks has significantly advanced our understanding of community structures which serves as a crucial feature of real-world graphs. Detecting communities in graphs is a challenging problem with applications in sociology, biology, and computer science. Despite the efforts of an interdisciplinary community of scientists, a satisfactory solution to this problem has not yet been achieved. This review article delves into the topic of community detection in graphs, which serves as a thorough exposition of various community detection methods from perspectives of modularity-based method, spectral clustering, probabilistic modelling, and deep learning. Along with the methods, a new community detection method designed by us is also presented. Additionally, the performance of these methods on the datasets with and without ground truth is compared. In conclusion, this comprehensive review provides a deep understanding of community detection in graphs.

研究动机与目标

• 为社会学、生物学和计算机科学等不同领域中的社区检测方法提供全面综述。
• 解决在具有强内部连接和弱簇间连接的复杂现实图中检测有意义社区结构的长期挑战。
• 提出并验证一种新型社区检测算法——改进型集合移位（RMS），以克服传统机器学习方法在图结构数据上的局限性。
• 使用模块度和NMI等标准指标评估RMS的性能，证明其优于现有方法。
• 通过将统计物理与数据挖掘方法整合到统一框架中，弥合跨学科研究的鸿沟。

提出的方法

• 改进型集合移位（RMS）算法将集合移位聚类原理与K近邻（KNN）相结合，用于识别图空间中的密集区域。
• RMS通过利用节点邻近性和局部密度，直接在图结构上运行，避免依赖欧几里得距离假设。
• 该方法采用基于核的密度估计方法，其中集合点作为聚类中心，并根据KNN邻域内最高密度邻居迭代更新。
• 它引入了改进的位移向量，以考虑图的拓扑结构，从而在非欧几里得、基于网络的数据中实现有效聚类。
• 通过标准社区检测指标（模块度Q和标准化互信息NMI）对算法进行评估，并与基线方法进行比较。
• RMS框架设计为可扩展且适用于多种网络类型，包括社交网络、生物网络和信息网络。

实验结果

研究问题

• RQ1 在传统机器学习方法失效的非欧几里得图结构中，社区检测如何有效应用？
• RQ2 将KNN与集合移位原理整合到社区检测算法中，能带来哪些改进？
• RQ3 改进型集合移位（RMS）方法在模块度和NMI方面相较于现有算法的优越程度如何？
• RQ4 RMS算法如何处理社交和生物系统中常见的复杂现实网络拓扑？
• RQ5 当前社区检测方法的主要局限性是什么，RMS如何解决这些问题？

主要发现

• 与基线方法相比，改进型集合移位（RMS）算法在基准图数据集上显著提升了模块度和标准化互信息（NMI）得分。
• RMS能有效检测非欧几里得图结构中的社区，克服了基于均值移位及其他欧几里得聚类算法的固有局限性。
• 将KNN与集合移位相结合，使算法能够保持局部图拓扑结构，并识别出密集且分离良好的社区。
• 实证评估证实，RMS在包括社交网络和生物网络在内的多种网络类型中均实现了更高的聚类准确率和稳定性。
• 该方法对噪声和不同网络密度具有鲁棒性，适用于现实世界应用。
• 综述识别出社区检测的四种主要框架，并阐明了各自的优缺点，为未来算法开发奠定了基础。