[论文解读] Community Detection on Networks with Ricci Flow

Chien-Chun Ni, Yu-Yao Lin+2 more|arXiv (Cornell University)|Jul 9, 2019

Complex Network Analysis Techniques参考文献 56被引用 5

一句话总结

本文提出了一种新颖的几何方法，通过离散Ricci流实现网络中的社区检测，利用加权图上的Ollivier Ricci曲率，通过随时间演化边权来识别社区。该方法通过收缩高曲率（密集）区域和拉伸低曲率（稀疏）边来检测社区，在Zachary的空手道俱乐部和Facebook好友网络等基准网络中成功恢复了已知的社区结构。

ABSTRACT

Many complex networks in the real world have community structures -- groups of well-connected nodes with important functional roles. It has been well recognized that the identification of communities bears numerous practical applications. While existing approaches mainly apply statistical or graph theoretical/combinatorial methods for community detection, in this paper, we present a novel geometric approach which enables us to borrow powerful classical geometric methods and properties. By considering networks as geometric objects and communities in a network as a geometric decomposition, we apply curvature and discrete Ricci flow, which have been used to decompose smooth manifolds with astonishing successes in mathematics, to break down communities in networks. We tested our method on networks with ground-truth community structures, and experimentally confirmed the effectiveness of this geometric approach.

研究动机与目标

• 通过将网络建模为离散Riemann流形，开发一种新的几何框架用于社区检测。
• 将离散Ricci流——受Hamilton和Perelman对3-流形的研究启发——应用于网络的社区分解。
• 利用度量测度空间上的Ollivier Ricci曲率定义加权图上的曲率，以实现社区检测。
• 在具有已知社区结构的真实网络上展示该方法的有效性。

提出的方法

• 该方法使用Ollivier在度量图上的Ricci曲率定义，其中曲率由相邻节点上概率测度之间的最优传输成本推导得出。
• 边权通过离散Ricci流动态更新：高正曲率的边收缩，负曲率的边拉伸。
• 算法通过矩阵变换模型迭代演化边权，更新规则由基于局部图几何的转移矩阵A决定。
• 通过移除超过阈值拉伸的边来识别社区，这些边对应于高Ricci曲率区域。
• 该过程通过线性动力系统 W_{n+1} = A W_n 形式化，其渐近行为通过A的特征值分解进行分析。
• 理论分析表明，边长演化速率由主导特征值 λ₁ > 1 决定，拉伸最严重的边对应于社区间连接。

实验结果

研究问题

• RQ1 Ricci流能否在社区检测的网络中有效离散化？
• RQ2 在Ricci流下边权的几何演化如何揭示潜在的社区结构？
• RQ3 基于曲率的边权变换在社区检测中相较于传统统计或组合方法在多大程度上表现更优？
• RQ4 在模型网络中，边权在重复Ricci流迭代下的理论行为如何？
• RQ5 能否通过更新矩阵的谱分析表征Ricci流过程的渐近动力学？

主要发现

• 离散Ricci流在Zachary的空手道俱乐部网络中成功检测到社区，通过移除被拉伸的社区间边，恢复了已知的双俱乐部结构。
• 在Facebook好友网络上，该方法识别出与现实世界社交分组一致的有意义的社区簇。
• 理论分析确认，与社区间连接uv相关的边长以速率 λ₁^n 增长，其中 λ₁ > 1 是更新矩阵A的主导特征值。
• 社区内部的边（如ij）以指数速度收缩，其长度演化受因子 (1/a)^n 控制，其中 a > 1。
• 该方法在合成网络和真实网络上表现出鲁棒性，通过与真实结构对比验证了社区检测的准确性。
• Ricci流过程在渐近下将网络分离为高正曲率子图，对应于高度连接的社区。