[论文解读] Community Detection via Katz and Eigenvector Centrality

Mark Ditsworth, Justin Ruths|arXiv (Cornell University)|Sep 9, 2019

Complex Network Analysis Techniques参考文献 16被引用 4

一句话总结

本文提出了一种新颖的社区检测方法，结合Katz中心性和特征向量中心性，利用二者之间的强相关性，通过KE图识别社区。该方法在最多仅需其0.02%运行时间的情况下，实现了与Louvain相当或更优的模块度，从而在大规模网络中实现了可扩展的社区检测。

ABSTRACT

The computational demands of community detection algorithms such as Louvain and spectral optimization can be prohibitive for large networks. Eigenvector centrality and Katz centrality are two network statistics commonly used to describe the relative importance of nodes; and their calculation can be closely approximated on large networks by scalable iterative methods. In this paper, we present and leverage a surprising relationship between Katz centrality and eigenvector centrality to detect communities. Beyond the computational gains, we demonstrate that our approach identifies communities that are as good or better than conventional methods.

研究动机与目标

• 解决传统基于模块度的社区检测在大规模网络中计算成本过高的问题。
• 探究Katz中心性和特征向量中心性是否可作为社区结构的有效指标。
• 开发一种可扩展的替代方案，以替代Louvain和谱优化等迭代模块度最大化方法。
• 证明KE图（Katz中心性与特征向量中心性的对比）能揭示模块化网络中的自然社区分组。
• 通过与真实社区结构及Louvain等标准基准进行对比，验证该方法的性能。

提出的方法

• 使用幂迭代法迭代计算特征向量中心性：$\mathbf{x}^{(k+1)} = \frac{1}{\lambda_1}\mathbf{A}\mathbf{x}^{(k)}$。
• 使用迭代公式计算Katz中心性：$\mathbf{x}^{(k+1)} = \alpha\mathbf{A}\mathbf{x}^{(k)} + \beta\mathbf{1}$，其中$\alpha < \frac{1}{\lambda_1}$。
• 通过绘制每个节点的Katz中心性与特征向量中心性，生成KE图。
• 应用基于Radon变换的聚类算法，检测KE图中明显的线性簇，并分配社区标签。
• 将所得簇直接用作社区分配，无需进一步模块度优化。
• 利用迭代中心性计算的收敛性，实现在大规模网络中的可扩展性。

实验结果

研究问题

• RQ1 Katz中心性和特征向量中心性的联合分布是否能揭示无向网络中的社区结构？
• RQ2 在真实和合成网络中，KE方法在模块度和运行时间方面与Louvain相比表现如何？
• RQ3 KE图在多大程度上反映了已知或真实社区结构？
• RQ4 当对Louvain输出进行优化时，KE方法能否检测到比Louvain更高的归一化模块度社区？
• RQ5 与迭代模块度最大化方法相比，该方法在网络规模增大时的可扩展性如何？

主要发现

• KE方法在较小网络中的运行时间最低仅为Louvain的8.6%，在更大网络中低至0.02%，展现出卓越的可扩展性。
• 在Amazon产品网络中，KE检测到的社区模块度为$Q/Q_{\text{max}} = 0.359/0.467$，与Louvain的$0.801/0.908$相当。
• 在一个10,000个节点的临时模块化网络中，KE在1.97秒内实现$Q/Q_{\text{max}} = 0.123/0.492$，而Louvain耗时7,452秒。
• KE图在1,000个节点的网络中揭示了两个主要社区群组，经优化后得到$Q/Q_{\text{max}} = 0.940$，超过Louvain的$0.299$。
• Louvain检测到的社区与KE图中的簇对齐，验证了该方法在结构上的一致性。
• 利用KE图洞察优化Louvain输出后，模块度提升，表明该方法具有增强现有算法的潜力。