[论文解读] Community Detection in Complex Networks Using Agents

İsmail Güneş, Haluk O. Bingol|ArXiv.org|Oct 23, 2006

Complex Network Analysis Techniques参考文献 11被引用 9

一句话总结

该论文提出了一种基于代理的随机算法，用于复杂网络中的社区检测，无需事先了解社区数量或阈值等先验知识。通过使用执行有偏随机游走的线状代理，并利用网络模块度来确定社区数量，该方法在计算成本优化的前提下揭示了准确的社区结构，在几乎所有的运行中成功恢复了Zachary的空手道俱乐部、大学美式足球和政治书籍网络的真实社区结构。

ABSTRACT

Community structure identification has been one of the most popular research areas in recent years due to its applicability to the wide scale of disciplines. To detect communities in varied topics, there have been many algorithms proposed so far. However, most of them still have some drawbacks to be addressed. In this paper, we present an agent-based based community detection algorithm. The algorithm that is a stochastic one makes use of agents by forcing them to perform biased moves in a smart way. Using the information collected by the traverses of these agents in the network, the network structure is revealed. Also, the network modularity is used for determining the number of communities. Our algorithm removes the need for prior knowledge about the network such as number of the communities or any threshold values. Furthermore, the definite community structure is provided as a result instead of giving some structures requiring further processes. Besides, the computational and time costs are optimized because of using thread like working agents. The algorithm is tested on three network data of different types and sizes named Zachary karate club, college football and political books. For all three networks, the real network structures are identified in almost every run.

研究动机与目标

• 解决现有社区检测算法需要预先知道社区数量或阈值参数的局限性。
• 开发一种自组织的随机方法，无需后处理即可揭示社区结构。
• 通过在网络遍历中采用线状代理行为，优化计算效率。
• 确保在多种网络类型中对真实社区结构的鲁棒且一致的检测。

提出的方法

• 代理在图上执行有偏随机游走，优先选择连接度更高的边，以探索高密度连接区域。
• 每个代理在遍历过程中收集局部结构信息，共同构建对网络拓扑的全局理解。
• 该算法使用网络模块度作为指标，自动确定最优社区数量。
• 社区边界通过代理移动模式和结构信息聚合推断得出，避免使用任意阈值。
• 通过利用并发的轻量级代理线程，该方法在设计上提高了效率，降低了时间和计算成本。
• 最终的社区结构可直接输出，无需额外的聚类或优化步骤。

实验结果

研究问题

• RQ1 基于随机代理的方法是否能在不依赖社区数量或阈值参数先验知识的情况下，检测复杂网络中的社区结构？
• RQ2 代理驱动的有偏随机游走能在多大程度上揭示真实网络中真实的底层社区结构？
• RQ3 使用网络模块度在多大程度上提升了算法在社区数量上的准确性与自确定能力？
• RQ4 线状代理架构在社区检测中如何促进计算效率与可扩展性？
• RQ5 所提出的算法是否能在多种网络类型和规模下一致地恢复真实社区结构？

主要发现

• 该算法在几乎所有运行中均成功恢复了Zachary空手道俱乐部网络的真实社区结构，表现出高度可靠性。
• 在大学美式足球网络中，该方法在未输入社区数量的情况下，准确识别出基于分组的社区结构。
• 在政治书籍网络中，该算法在多次运行中高度一致地检测出自由派与保守派的社区划分。
• 利用模块度确定社区数量，消除了手动调参或选择阈值的需求。
• 由于轻量级代理的高效并发运行，计算成本得到优化，实现了更快的收敛。
• 该方法直接输出明确的社区结构，避免了后续处理步骤。