[论文解读] ABACUS: Apriori-BAsed Community discovery in mUltidimensional networkS

Michele Berlingerio, Fabio Pinelli+1 more|arXiv (Cornell University)|Mar 8, 2013

Complex Network Analysis Techniques被引用 3

一句话总结

ABACUS 提出了一种新颖的多维社区检测方法，通过使用 Apriori 算法在多个网络维度上聚合一维社区成员身份，识别社区。它即使在任一维度中无直接连接的情况下，也能发现具有高度相关性的有意义节点群组，且在真实多维网络中得到验证。

ABSTRACT

Community Discovery in complex networks is the problem of detecting, for each node of the network, its membership to one of more groups of nodes, the communities, that are densely connected, or highly interactive, or, more in general, similar, according to a similarity function. So far, the problem has been widely studied in monodimensional networks, i.e. networks where only one connection between two entities can exist. However, real networks are often multidimensional, i.e., multiple connections between any two nodes can exist, either reflecting different kinds of relationships, or representing different values of the same type of tie. In this context, the problem of Community Discovery has to be redefined, taking into account multidimensional structure of the graph. We define a new concept of community that groups together nodes sharing memberships to the same monodimensional communities in the different single dimensions. As we show, such communities are meaningful and able to group highly correlated nodes, even if they might not be connected in any of the monodimensional networks. We devise ABACUS (Apriori-BAsed Community discoverer in mUltidimensional networkS), an algorithm that is able to extract multidimensional communities based on the apriori itemset miner applied to monodimensional community memberships. Experiments on two different real multidimensional networks confirm the meaningfulness of the introduced concepts, and open the way for a new class of algorithms for community discovery that do not rely on the dense connections among nodes.

研究动机与目标

• 重新定义多维网络中的社区发现，其中节点之间存在多种类型或值的关联。
• 解决现有方法依赖于单一网络中密集的社区内连接的局限性。
• 开发一种基于多维度共享成员身份识别紧密群组的社区检测方法。
• 在真实世界复杂网络中验证这些多维社区的意义。

提出的方法

• ABACUS 使用现有社区检测算法从每个网络维度中提取一维社区。
• 它将每个节点在各维度中的社区成员身份表示为一组项集的事务。
• Apriori 算法从这些事务中挖掘频繁项集，以识别共同的多维社区成员身份。
• 基于频繁项集形成社区，代表在多个维度中共同出现在同一社区的节点。
• 该方法不要求在任一维度中节点之间存在直接边，而是专注于共享的社区成员身份。
• 它能够发现即使在任一维度中节点未直接连接的关联节点群组。

实验结果

研究问题

• RQ1 是否可以将多维社区有意义地定义为在不同维度中共享相同一维社区成员身份的节点群组？
• RQ2 基于 Apriori 的社区成员身份挖掘在识别一致的多维社区方面有多高效？
• RQ3 所发现的多维社区是否表现出比单一维度中更强的节点相关性？
• RQ4 ABACUS 是否能检测到在任一单一维网络中不明显的社区？
• RQ5 ABACUS 在真实多维网络中的实证性能与传统社区检测方法相比如何？

主要发现

• ABACUS 有效识别出多维社区，将跨维度具有高度相关行为或关系的节点聚集在一起。
• 即使节点在任一维度中无直接连接，该方法仍能发现有意义的社区，证明其能够揭示潜在的群组结构。
• 在两个真实多维网络上的实验验证了所发现社区的有效性与一致性。
• 该方法表明，跨维度的共享社区成员身份可能是群组凝聚力的更强指标，优于直接的网络连接。
• 基于 Apriori 的项集挖掘使多维社区的高效发现成为可能，且无需依赖密集的社区内边。
• 结果为社区检测开辟了新方向，聚焦于关系相似性而非拓扑密度。