[论文解读] Comparison and Benchmark of Graph Clustering Algorithms

Lizhen Shi, Bo Chen|arXiv (Cornell University)|May 10, 2020

Complex Network Analysis Techniques参考文献 71被引用 4

一句话总结

本文在加权与非加权图上对超过70种图聚类算法进行了全面基准测试，使用标准化指标（如NMI和模块度）评估了运行时间和聚类质量。结果表明，Louvain和Infomap在准确性方面表现最佳，而MCL和LabelRank在运行效率方面表现突出，为网络分析中的算法选择提供了实用指南。

ABSTRACT

Graph clustering is widely used in analysis of biological networks, social networks and etc. For over a decade many graph clustering algorithms have been published, however a comprehensive and consistent performance comparison is not available. In this paper we benchmarked more than 70 graph clustering programs to evaluate their runtime and quality performance for both weighted and unweighted graphs. We also analyzed the characteristics of ground truth that affects the performance. Our work is capable to not only supply a start point for engineers to select clustering algorithms but also could provide a viewpoint for researchers to design new algorithms.

研究动机与目标

• 为超过70种图聚类算法提供全面且一致的性能对比，以解决文献中缺乏大规模、标准化基准测试的问题。
• 在多种图类型（包括加权和非加权网络）中评估算法的运行时效率与聚类质量。
• 分析真实社区特征（如社区大小、混合参数）对算法性能的影响。
• 为工程师和研究人员提供实用参考，依据实证性能选择或设计聚类算法。
• 通过LFR基准测试和标准化评估指标（如NMI和模块度）建立可复现的基准框架。

提出的方法

• 在具有不同参数的合成LFR基准图上，对来自主要库（如iGraph、NetworkX、PyCABEM、SNAP等）的70余种图聚类算法进行基准测试。
• 采用标准化评估指标，包括标准化互信息（NMI）、模块度和运行时间，以评估聚类质量和效率。
• 在多个LFR基准实例上评估算法，参数包括不同的混合参数（μ）、社区大小和图密度。
• 应用统计排名方法（如在所有μ值上的平均排名），以在所有测试条件下一致地比较算法性能。
• 以详细表格形式报告结果，展示每种算法在不同μ设置下的NMI排名和运行时间（单位：秒）。
• 聚焦于非重叠、无向、非加权和加权图，采用一致的预处理和评估协议。

实验结果

研究问题

• RQ1 在具有不同混合参数的多样化LFR基准图上，哪些图聚类算法在NMI指标上达到最高的聚类质量？
• RQ2 图聚类算法在不同图大小和密度下的运行时间表现如何比较？
• RQ3 真实社区特征（如社区大小分布和混合参数μ）如何影响聚类算法的性能？
• RQ4 哪些算法在多种基准配置中均保持在准确性和效率的前列？
• RQ5 在所测试的算法中，准确度（NMI）与计算效率（运行时间）之间的权衡关系如何？

主要发现

• Louvain和Infomap在所有μ值的LFR基准中均保持最高的NMI得分，其平均NMI排名分别为第2名和第4名。
• MCL和LabelRank表现出最快的运行时间性能，其中MCL在大图上实现了最低的平均运行时间（10秒），而LabelRank在中等规模图上也属于最快之列。
• SpectralClustering和AffinityPropagation等算法的NMI排名较高（11–18），且运行时间超过20秒，表明其准确度与效率之间的权衡较差。
• OSLOM和InfohierMap等算法的性能对μ值变化敏感，尤其在混合参数较高时（μ > 0.5），NMI得分显著下降，表明其对社区重叠敏感。
• TopGC和基于扫描的方法（如AnyScan）表现出较高的NMI排名（16–28）和较长的运行时间（>30秒），表明其可扩展性较差。
• 本研究发现，没有任何一种算法在所有指标上均全面优于其他算法：Louvain在准确性方面表现卓越，而MCL和LabelRank在速度方面领先，凸显了需根据使用场景优先级选择算法。