[论文解读] A new network node similarity measure method and its applications

Yongli Li, Peng Luo+1 more|arXiv (Cornell University)|Mar 17, 2014

Complex Network Analysis Techniques参考文献 2被引用 10

一句话总结

本文提出了一种基于节点合并时信息损失的新型网络节点相似性度量方法，利用信息论量化相似性。该方法计算复杂度低，可高效分析大规模网络，在合成网络和真实网络中均表现出优越的准确性和与人工判断的一致性，并成功应用于预测网络演化和缺失节点属性。

ABSTRACT

Network node similarity measure has been paid particular attention in the field of statistical physics. In this paper, we utilize the concept of information and information loss to measure the node similarity. The whole model is based on this idea that if two nodes are more similar than the others, then the information loss of seeing them as the same is less. The present new method has low algorithm complexity so that it can save much time and energy to deal with the large scale real-world network. We illustrate the availability of this approach based on two artificial examples and computer-generated networks by comparing its accuracy with the other selected approaches. The above tests demonstrate that the new method can provide more reasonable results consistent with our human common judgment. The new similarity measure method is also applied to predict the network evolution and predict unknown nodes' attributions in the two application examples.

研究动机与目标

• 开发一种计算高效的复杂网络节点相似性度量方法，适用于大规模复杂网络。
• 通过建模节点合并时的信息损失，提升节点相似性评估的准确性。
• 使计算结果与人类在网络结构分析中的直观判断保持一致。
• 实现实际应用，如预测网络演化和推断缺失的节点属性。

提出的方法

• 该方法基于两个节点被视为相同所导致的信息损失来定义节点相似性，运用信息论原理。
• 通过量化节点合并后网络信息内容的减少程度来计算相似性，信息损失越低，相似性越高。
• 算法设计具有低时间与空间复杂度，可扩展至大规模真实网络。
• 通过人工网络和计算机生成的模型验证该方法，与现有方法进行比较。
• 在两个案例研究中，将该方法应用于预测未来网络结构和推断未知节点属性。
• 理论基础在于：相似节点在聚合时对信息熵的贡献较小。

实验结果

研究问题

• RQ1 如何更高效、更准确地度量复杂网络中的节点相似性？
• RQ2 节点合并时的信息损失在多大程度上与人类对相似性的感知一致？
• RQ3 低复杂度的相似性度量能否有效预测网络演化和缺失节点属性？
• RQ4 与现有节点相似性度量相比，该方法在准确性上表现如何？

主要发现

• 所提方法的算法复杂度低于传统方法，在大规模网络中显著降低了计算成本。
• 在人工网络和计算机生成的网络中，该方法的结果与人类对相似性的普遍判断高度一致。
• 在受控测试中，该方法在节点相似性排序方面相比选定基线方法表现出更高的准确性。
• 在两个应用实例中，该相似性度量成功预测了网络演化模式。
• 该方法在网络分析任务中实现了对未知节点属性的准确推断。
• 基于信息损失的框架为现有相似性度量提供了一个理论基础扎实且实证有效的替代方案。