[论文解读] Bayesian Overlapping Community Detection in Dynamic Networks

Mahsa Ghorbani, Hamid R. Rabiee+1 more|arXiv (Cornell University)|May 8, 2016

Complex Network Analysis Techniques参考文献 36被引用 3

一句话总结

本文提出 DBOCD，一种用于在无先验社区数量知识的情况下检测动态网络中重叠社区的贝叶斯非参数方法。它利用链接社区和递归中国餐馆过程（RCRP）推断软性节点成员身份并保持时间一致性，在合成数据集和真实世界数据集上的模块度和稳定性方面优于最先进方法。

ABSTRACT

Detecting community structures in social networks has gained considerable attention in recent years. However, lack of prior knowledge about the number of communities, and their overlapping nature have made community detection a challenging problem. Moreover, many of the existing methods only consider static networks, while most of real world networks are dynamic and evolve over time. Hence, finding consistent overlapping communities in dynamic networks without any prior knowledge about the number of communities is still an interesting open research problem. In this paper, we present an overlapping community detection method for dynamic networks called Dynamic Bayesian Overlapping Community Detector (DBOCD). DBOCD assumes that in every snapshot of network, overlapping parts of communities are dense areas and utilizes link communities instead of common node communities. Using Recurrent Chinese Restaurant Process and community structure of the network in the last snapshot, DBOCD simultaneously extracts the number of communities and soft community memberships of nodes while maintaining the consistency of communities over time. We evaluated DBOCD on both synthetic and real dynamic data-sets to assess its ability to find overlapping communities in different types of network evolution. The results show that DBOCD outperforms the recent state of the art dynamic community detection methods.

研究动机与目标

• 解决在无先验社区数量知识的情况下检测动态网络中重叠社区的挑战。
• 在处理节点/边增减等动态变化时，保持网络快照之间社区的时间一致性。
• 通过使用链接划分而非节点划分，降低计算复杂度。
• 开发一种可扩展的非参数贝叶斯模型，同时推断软性成员身份和社区数量。
• 在包括社区合并、分裂以及诞生/消亡在内的多样化网络演化模式下评估该方法。

提出的方法

• 基于链接社区而非节点社区的生成模型，以提高可扩展性并处理重叠成员身份。
• 采用递归中国餐馆过程（RCRP）作为先验，以建模社区演化并动态推断社区数量。
• 通过离散网络快照的邻接矩阵进行贝叶斯推断，推断社区成员身份和社区数量。
• 利用前一时间步的社区结构作为先验，以确保时间一致性。
• 应用统计推断方法提取软性成员身份并动态调整社区数量。
• 采用非参数方法，避免需要将社区数量作为输入。

实验结果

研究问题

• RQ1 基于贝叶斯非参数模型是否能够在无先验社区数量知识的情况下检测动态网络中的重叠社区？
• RQ2 在存在网络演化的情况下，该方法在时间步之间维持社区一致性的能力如何？
• RQ3 在重叠社区的可扩展性和准确性方面，基于链接的社区检测是否优于基于节点的方法？
• RQ4 该方法在包括合并、分裂以及社区诞生/消亡在内的多样化网络演化模式下的表现如何？
• RQ5 该方法是否能够在无真实标签的真实动态网络上实现稳定且高模块度的结果？

主要发现

• 在具有多种演化模式的合成数据集上，DBOCD 在模块度和稳定性方面优于最先进方法（如 AFFECT、FacetNet 和 DSBM）。
• 在诞生、消亡及诞生-消亡过程中，DBOCD 准确捕捉了社区数量的变化，而 AFFECT 无法追踪此类变化的梯度。
• 在分裂和合并过程中，尽管存在突变，DBOCD 仍表现出稳定性能，但因突变过渡而略微低估社区数量。
• 在 NEC 博客数据集上，DBOCD 随时间保持稳定的模块度，而其他方法表现出显著波动。
• 在 DBLP 合作作者数据集上，DBOCD 的模块度高于 FacetNet 和 DSBM，即使 DSBM 为非重叠模型，表明 DBOCD 在重叠与非重叠网络中均具有鲁棒性。
• 该方法在 DBLP（网络规模增加）和 NEC 博客（网络规模减小）数据集上均表现一致，证实其对多样化真实世界动态的适应能力。