[论文解读] A dual assortative measure of community structure

Todd D. Kaplan, Stephanie Forrest|ArXiv.org|Jan 21, 2008

Complex Network Analysis Techniques被引用 9

一句话总结

本文提出了一种新型社区检测方法——双重同配模块度度量（DAMM），该方法在网络分析中整合了正负边权重，将传统模块度扩展至可处理混合符号关系的网络。通过优化DAMM，该算法在复杂网络中更准确地识别出社区结构，尤其适用于存在对抗性或差异性关系的网络，在合成网络与真实世界网络上的表现均优于标准模块度方法。

ABSTRACT

Current community detection algorithms operate by optimizing a statistic called modularity, which analyzes the distribution of positively weighted edges in a network. Modularity does not account for negatively weighted edges. This paper introduces a dual assortative modularity measure (DAMM) that incorporates both positively and negatively weighted edges. We describe the the DAMM statistic and illustrate its utility in a community detection algorithm. We evaluate the efficacy of the algorithm on both computer generated and real-world networks, showing that DAMM broadens the domain of networks that can be analyzed by community detection algorithms.

研究动机与目标

• 解决传统模块度在社区检测中忽略负边权重的局限性。
• 开发一个统一框架，以捕捉网络结构中的正向（同配）与负向（异配）关系。
• 将社区检测扩展至具有混合符号边权重的网络，例如同时包含友谊与敌对关系的社会网络。
• 提升在现实世界网络中社区检测的准确性和鲁棒性，尤其适用于合作与冲突共存的场景。
• 提供一个数学基础坚实、可扩展的算法，用于优化双重同配模块度度量。

提出的方法

• 提出一种双重同配模块度度量（DAMM），将网络中正负边的贡献进行整合。
• 推导出一种动态更新公式 Δ²Qᴰ,ᵘᵐ，以高效计算节点在社区间迁移时模块度的变化。
• 在模块度增益计算中同时纳入正边贡献（通过 eₘᵤ 和 dₘ）与负边贡献（通过 e̅ₘᵤ 和 d̅ₘ）。
• 使用方向指示符 D 跟踪迁移方向，并基于社区成员身份变化计算模块度变化。
• 应用一种贪心优化算法，通过迭代移动节点以最大化DAMM，从而提升社区结构检测效果。
• 推导出基于加权边贡献与社区度数之和的模块度增益解析表达式，实现高效计算。

实验结果

研究问题

• RQ1 是否存在一种社区检测方法，能够有效整合正负边权重，从而提升模块度评估效果？
• RQ2 在具有混合关系的网络中，负边的引入如何影响社区结构的检测？
• RQ3 所提出的DAMM度量是否在识别具有敌对或冲突关系的网络中的社区时，优于标准模块度？
• RQ4 在多社区网络中，负边的信息含量与正边相比如何？
• RQ5 基于DAMM的算法能否在部分连接的双同配网络中检测出有意义的社区结构？

主要发现

• DAMM方法成功将社区检测扩展至同时包含正负边权重的网络，显著拓宽了传统模块度可适用的网络范围。
• 在具有已知社区结构的合成网络中，该算法表现出更优性能，尤其在存在负关系时更为显著。
• 在真实世界网络中，与标准模块度相比，DAMM能识别出更一致且更具意义的社区结构，尤其在合作与冲突共存的网络中表现更佳。
• 推导结果表明，负边对模块度增益有实质性贡献，但在超过两个社区的网络中，其信息内容的特异性低于正边。
• 基于DAMM的贪心优化算法实现了可扩展且高效的社区检测，其计算复杂度适合大规模网络。
• 理论分析证实，模块度增益公式 Δ²Qᴰ,ᵘᵐ 正确捕捉了节点迁移过程中社区结构的变化，从而支持有效优化。