[论文解读] Detecting Communities in Complex Networks using an Adaptive Genetic Algorithm and node similarity-based encoding

Sajjad Hesamipour, Mohammad Ali Balafar+1 more|arXiv (Cornell University)|Jan 24, 2022

Complex Network Analysis Techniques被引用 4

一句话总结

本文提出一种基于新型MST节点相似性编码的自适应遗传算法，用于复杂网络中的社区检测。通过利用相似性加权生成的生成树和自适应正弦基突变函数，该方法提升了收敛速度并避免了无效划分，在实证评估中优于现有基于GA的方法，并在NMI和模块度指标上达到最先进算法的水平。

ABSTRACT

Detecting communities in complex networks can shed light on the essential characteristics and functions of the modeled phenomena. This topic has attracted researchers of various fields from both academia and industry. Among the different methods implemented for community detection, Genetic Algorithms (GA) have become popular recently. Considering the drawbacks of the currently used locus-based and solution-vector-based encodings to represent the individuals, in this paper, we propose (1) a new node similarity-based encoding method to represent a network partition as an individual named MST-based. Then, we propose (2) a new Adaptive Genetic Algorithm for Community Detection, along with (3) a new initial population generation function, and (4) a new adaptive mutation function called sine-based mutation function. Using the proposed method, we combine similarity-based and modularity-optimization-based approaches to find the communities of complex networks in an evolutionary framework. Besides the fact that the proposed representation scheme can avoid meaningless mutations or disconnected communities, we show that the new initial population generation function, and the new adaptive mutation function, can improve the convergence time of the algorithm. Experiments and statistical tests verify the effectiveness of the proposed method compared with several classic and state-of-the-art algorithms.

研究动机与目标

• 为解决传统基于位点和解向量的编码在基于遗传算法（GA）的社区检测中可能导致无意义突变或不连通社区的问题。
• 提出一种基于节点相似性和最小生成树（MST）的新个体表示方法，以缩小搜索空间并提升解的质量。
• 设计一种自适应突变函数，根据MST中对应边的深度动态调整突变概率，以提升收敛速度和解的准确性。
• 引入一种新的初始种群生成函数，以增强进化过程中的解多样性与收敛速度。
• 将模块度优化与基于相似性的度量相结合，以在社区检测中平衡可扩展性与准确性。

提出的方法

• 提出一种基于MST的编码方案，通过节点相似性度量构建加权网络，并将MST的边编码为二进制染色体，其中0和1分别表示边的缺失或存在。
• 提出一种新的初始种群生成函数，利用基于相似性的聚类生成高质量且多样的初始解，从而加速收敛。
• 开发一种基于正弦的自适应突变函数，根据其对应边在MST中的深度，按基因调整突变概率，以在深层边中促进探索。
• 采用混合适应度函数，结合模块度与节点相似性，引导进化过程朝向高质量的社区划分。
• 在新型编码框架内应用标准GA操作——选择、交叉和自适应突变，以优化社区检测。
• 在真实世界和合成数据集上，使用Nemenyi检验对性能进行统计验证，以对比最先进算法。

实验结果

研究问题

• RQ1 与基于位点或解向量的编码相比，基于节点相似性的编码方案是否能减少基于GA的社区检测中无效或不连通的社区划分？
• RQ2 所提出的自适应正弦基突变函数在社区检测中如何提升收敛速度和解的质量？
• RQ3 新初始种群生成函数在多大程度上提升了初始解的质量与多样性，从而实现更快收敛？
• RQ4 在复杂网络社区检测中，将模块度优化与基于相似性的度量相结合，是否比仅依赖模块度能获得更好的性能？
• RQ5 在真实世界和合成网络中，所提出方法在NMI和模块度方面与最先进算法相比表现如何？

主要发现

• 所提方法在NMI和模块度得分上显著优于多种基于GA的算法（包括GA-net和WMW），p值表明具有统计显著性。
• Nemenyi检验显示，在合成NMI上，所提方法与GA-net（距离=8.4167）存在显著差异，且在真实世界NMI上与WMW（距离=9.8）也存在显著差异，两者均超过临界距离8.39和9.273。
• 在真实世界数据集上，所提方法与GA-net（7.11）和WMW（7.44）在模块度上存在显著差异，两者均超过临界距离6.76。
• 该方法在NMI和模块度上均优于或匹配Louvain、Leiden和EdMot等顶级算法，且在合成模块度结果中未检测到显著差异。
• 自适应正弦基突变与改进的初始种群生成机制共同促进了更快收敛和更高质量的解，表现为搜索空间缩小和适应度进展增强。
• 统计分析证实，所提方法在NMI方面与最先进方法相当或更优，平均NMI值显著高于WMW（0.526）和CACD（0.826）。