[论文解读] Clustering as a measure of the local topology of networks

Alexandre Hannud Abdo, Alessandro P. S. de Moura|ArXiv.org|May 26, 2006

Complex Network Analysis Techniques参考文献 2被引用 7

一句话总结

本文提出了聚类轮廓（clustering profile）——一种传统聚类系数的多阶扩展，通过测量从给定顶点出发、距离逐渐增加的邻近节点对的比例，量化局部网络拓扑结构。研究发现，代谢网络和万维网等真实网络中的高阶度节点表现出不同的聚类衰减模式（指数型 vs. 幂律型），揭示了结构性差异，并对网络生长模型形成约束。

ABSTRACT

Usual formulations of the clustering coefficient can be shown to be insufficient in the task of describing the local topology of very simple networks. Motivated by this, we review some alternatives in order to present an extension, the clustering profile. We show, both conceptually and through applications to well studied networks, that this measure is a more complete and robust measure of clustering. It imposes stringent constraints on theoretical growth models, specially on aspects of the network structure that play a central role in dynamics on networks. In addition, we study how it provides a richer perspective of phenomena such as hierarchy, small-worlds and clusterization.

研究动机与目标

• 解决标准聚类系数在捕捉复杂局部网络结构方面的局限性。
• 克服传统聚类度量在晶格和二分图等网络中对局部拓扑不敏感的问题。
• 开发一种更全面且鲁棒的局部拓扑度量方法，适用于各类网络类型。
• 通过揭示局部组织中的结构约束，为评估和改进网络生长模型提供框架。
• 研究聚类行为如何随顶点度数和网络类型变化，尤其关注高度连接节点的表现。

提出的方法

• 将高阶聚类系数定义为彼此间距离为 d 的邻近节点对所占比例，排除通过中心顶点的路径。
• 为每个顶点 v 构建聚类轮廓 C^d(v)，作为距离 d 的函数，捕捉多尺度的局部连通性。
• 按度数对顶点聚合聚类轮廓，以分析度依赖的聚类行为。
• 使用 graph-tool 软件高效计算真实网络中的高阶聚类系数。
• 对数据进行重采样和对数重采样，生成稳定且可解释的聚类衰减距离可视化图像。
• 比较代谢网络和万维网中高阶度节点的聚类衰减模式（指数型 vs. 幂律型）。

实验结果

研究问题

• RQ1 为何传统聚类系数无法区分结构不同的网络（如正方形晶格与单环）？
• RQ2 如何将聚类度量从一阶扩展至更高阶，以捕捉更丰富的局部拓扑特征？
• RQ3 在真实网络中，对多个距离阶次分析聚类衰减时，会揭示出哪些结构性差异？
• RQ4 聚类轮廓如何约束网络生长模型的设计，特别是涉及社区结构或优先连接机制的模型？
• RQ5 为何万维网和代谢网络中高阶度节点表现出不同的聚类衰减行为（幂律型 vs. 指数型）？

主要发现

• 聚类轮廓显示，代谢网络中高阶度节点呈现指数型聚类衰减，而万维网则呈现幂律型衰减，表明最连接顶点的结构特性发生了转变。
• 对于中等度数节点，代谢网络与万维网均表现出随距离增加而指数型衰减的聚类系数，表明在中间尺度下具有相似的局部组织结构。
• 在代谢网络中，一阶与二阶聚类值均持续低于外推预期，表明存在抑制效应，可能源于对通路拥塞的选择性压力。
• 在万维网中，仅一阶聚类在高阶度下被抑制，表明存在一种依赖于度数的动态规则，对早期阶次聚类影响更显著。
• 与标准聚类系数相比，聚类轮廓能更鲁棒、更全面地表征局部拓扑，尤其在高度连接节点中表现更优。
• 该方法通过揭示聚类衰减模式的偏差，暴露了网络生长模型中的隐藏结构约束，特别是依赖优先连接或社区形成的模型。