[论文解读] Complex Networks, Communities and Clustering: A survey

Biswajit Saha, Amitabha Mandal+2 more|arXiv (Cornell University)|Mar 21, 2015

Complex Network Analysis Techniques参考文献 40被引用 9

一句话总结

本综述全面回顾了复杂网络中的社区检测与聚类，涵盖模块度、小世界特性、度分布等基础概念，以及Girvan-Newman、层次聚类和模块度最大化等主要算法方法。它整合了重叠社区、有向网络和社区演化等当前研究趋势，系统概述了该领域的研究方法、挑战与开放性问题。

ABSTRACT

This paper is an extensive survey of literature on complex network communities and clustering. Complex networks describe a widespread variety of systems in nature and society especially systems composed by a large number of highly interconnected dynamical entities. Complex networks like real networks can also have community structure. There are several types of methods and algorithms for detection and identification of communities in complex networks. Several complex networks have the property of clustering or network transitivity. Some of the important concepts in the field of complex networks are small-world and scale-robustness, degree distributions, clustering, network correlations, random graph models, models of network growth, dynamical processes on networks, etc. Some current areas of research on complex network communities are those on community evolution, overlapping communities, communities in directed networks, community characterization and interpretation, etc. Many of the algorithms or methods proposed for network community detection through clustering are modified versions of or inspired from the concepts of minimum-cut based algorithms, hierarchical connectivity based algorithms, the original GirvanNewman algorithm, concepts of modularity maximization, algorithms utilizing metrics from information and coding theory, and clique based algorithms.

研究动机与目标

• 提供复杂网络中社区检测与聚类的系统性综述。
• 识别并分析关键算法方法，包括模块度最大化和最小割方法。
• 探讨重叠社区、有向网络和社区演化等新兴研究方向。
• 综合当前在社区检测与网络聚类中的挑战与开放性问题。

提出的方法

• 对2000年至2015年间复杂网络社区与聚类的现有文献进行调研与分类。
• 将算法划分为类别：基于最小割的方法、基于层次连通性的方法、模块度最大化方法、信息论方法以及基于团的方法。
• 分析聚类系数、度分布和网络传递性等核心概念。
• 回顾网络增长模型，包括优先连接模型和随机图模型。
• 评估主要社区检测算法的性能与局限性。
• 突出显示重叠社区检测和动态社区演化等最新进展。

实验结果

研究问题

• RQ1 支持社区结构与聚类的复杂网络基本特性是什么？
• RQ2 不同社区检测算法在准确性、可扩展性和鲁棒性方面如何比较？
• RQ3 在复杂网络中检测重叠社区与演化社区的关键挑战是什么？
• RQ4 模块度、小世界特性以及无标度度分布等概念如何影响社区检测？
• RQ5 社区检测与网络聚类领域的当前研究前沿是什么？

主要发现

• Girvan-Newman算法仍是基础性方法，依赖于边的介数，通过迭代移除边来揭示社区结构。
• 模块度最大化是一种广泛应用且具有影响力的算法，但存在分辨率限制且对初始化敏感。
• 层次聚类方法提供了可扩展的解决方案，但难以有效捕捉重叠社区结构。
• 信息论方法和基于团的方法提供了替代视角，但由于计算复杂度较高，应用较少。
• 重叠社区与动态网络演化代表了重大挑战，也是当前活跃的研究领域。
• 有向网络中的社区检测需要对现有算法进行专门适配，以应对非对称连接模式。