[论文解读] Community extraction in multilayer networks with heterogeneous community structure

James Wilson, John Palowitch+2 more|PubMed|Oct 20, 2016

Complex Network Analysis Techniques参考文献 23被引用 27

一句话总结

本文提出多层提取（Multilayer Extraction），一种基于显著性的方法，用于检测在不同层间具有异质社区结构的多层网络中的社区。该方法使用随机图零模型对顶点-层集合进行评分，能够检测不相交、重叠和持久性社区，同时处理不属于任何社区的背景顶点-层对，具有理论一致性，并在模拟和真实应用中表现出强劲的实证性能。

ABSTRACT

Multilayer networks are a useful way to capture and model multiple, binary or weighted relationships among a fixed group of objects. While community detection has proven to be a useful exploratory technique for the analysis of single-layer networks, the development of community detection methods for multilayer networks is still in its infancy. We propose and investigate a procedure, called Multilayer Extraction, that identifies densely connected vertex-layer sets in multilayer networks. Multilayer Extraction makes use of a significance based score that quantifies the connectivity of an observed vertex-layer set through comparison with a fixed degree random graph model. Multilayer Extraction directly handles networks with heterogeneous layers where community structure may be different from layer to layer. The procedure can capture overlapping communities, as well as background vertex-layer pairs that do not belong to any community. We establish consistency of the vertex-layer set optimizer of our proposed multilayer score under the multilayer stochastic block model. We investigate the performance of Multilayer Extraction on three applications and a test bed of simulations. Our theoretical and numerical evaluations suggest that Multilayer Extraction is an effective exploratory tool for analyzing complex multilayer networks. Publicly available code is available at https://github.com/jdwilson4/MultilayerExtraction.

研究动机与目标

• 开发一种社区检测方法，有效识别在不同层间社区结构各异的多层网络中的社区。
• 处理重叠社区以及不属于任何社区的背景顶点-层对。
• 在多层随机块模型下建立该方法的理论一致性。
• 在具有多样化社区结构的模拟网络和真实世界应用中评估性能。
• 提供一种灵活、可扩展且可解释的工具，用于复杂多层系统的探索性分析。

提出的方法

• 多层提取（Multilayer Extraction）使用基于固定度随机图零模型的局部模块度评分，评估顶点-层集合的显著性。
• 该方法优化一个评分，量化顶点-层集合的连通性相对于零模型下预期连通性的程度。
• 通过允许顶点和层属于多个社区或完全不属于任何社区，实现对重叠社区的支持。
• 该算法通过基于评分提升迭代更新社区分配，直至无法获得进一步改进时终止。
• 评分同时包含顶点和层的共现成员身份，支持检测在特定层子集上活跃的社区。
• 在多层随机块模型下建立了理论一致性，表明随着网络规模增大，方法收敛于真实社区。

实验结果

研究问题

• RQ1 基于显著性的方法能否在不同层间具有异质社区结构的多层网络中检测到社区？
• RQ2 多层提取（Multilayer Extraction）在识别不相交、重叠、持久、非持久和分层社区结构方面的表现如何？
• RQ3 该方法在多层随机块模型等理论网络模型下是否保持一致性和准确性？
• RQ4 与现有多层社区检测方法相比，多层提取（Multilayer Extraction）在精确度和鲁棒性方面表现如何？
• RQ5 该方法在检测大社区方面存在哪些局限性？原因可能是什么？

主要发现

• 在模拟中，多层提取（Multilayer Extraction）对不相交、重叠、持久和非持久网络结构中的所有真实嵌入社区均实现了完美准确度的识别。
• 在分层社区结构中，该方法未能检测到全部社区，尤其在某些示例中遗漏了较大的社区（如示例中社区1）。
• 在一次模拟（示例VI）中，该方法将社区1和社区2合并为一个更大的社区，表明其倾向于偏好更紧凑或更密集的分组，而非大而稀疏的社区。
• 评分与社区中顶点数量之间的反比关系可能解释了对大社区的偏差，提示需要对评分进行修改以奖励更大的集合。
• 该方法在三个真实世界应用和一个全面的模拟测试平台中表现出强劲的实证性能，证实其作为探索性工具的有效性。
• 在多层随机块模型下建立了理论一致性，支持该方法在大规模场景下的可靠性。