[论文解读] Extending modularity by incorporating distance functions in the null model

Xin Liu, Tsuyoshi Murata+1 more|arXiv (Cornell University)|Oct 15, 2012

Complex Network Analysis Techniques被引用 5

一句话总结

本文提出了一种改进的网络模块度零模型，通过引入距离函数以更好地反映现实世界网络的结构。通过在保持节点度数不变的同时，将空间或结构距离整合到随机重连过程中，该方法为受邻近性或距离影响的边形成机制的网络生成了更准确的模块度，从而在多种网络类型中提升了社区检测的准确性。

ABSTRACT

Modularity is a widely used measure for evaluating community structure in networks. The definition of modularity involves a comparison of the fraction of within-community edges in the observed network and a null model. In the original definition the null model only considers the node degree to rewire edges randomly, failing to be a good representation of many real-world networks. To handle this problem, we incorporate distance functions in the null model to facilitate edges between certain nodes while respecting the degree factor. This enables us to create a framework for generating appropriate modularities adapted to various networks.

研究动机与目标

• 解决原始模块度零模型的局限性，该模型仅考虑节点度数，无法反映具有空间或结构约束的真实世界网络。
• 通过在零模型中引入基于距离的边偏好，提高模块度在检测有意义社区结构方面的准确性。
• 通过将距离函数嵌入随机重连过程，开发一个可适应多种网络类型的灵活框架。
• 在保持度数守恒的同时，允许基于节点接近度或其他距离度量的非均匀边形成概率。

提出的方法

• 引入一个距离函数，以量化网络中节点对之间的接近度或相似度。
• 修改零模型，使边重连概率基于距离函数进行偏置，优先选择距离较近的节点对形成边。
• 在随机重连过程中保持网络原有的度序列，以确保统计一致性。
• 使用修改后的零模型计算新的模块度分数，以反映在距离引导的随机化下的社区结构。
• 使用基于距离加权的边概率，推导新零模型下社区内边的期望数量。
• 将距离引导的零模型整合到标准模块度公式中，生成广义化的模块度度量。

实验结果

研究问题

• RQ1 将距离函数整合到零模型中，如何影响具有空间或结构约束的网络中社区结构的检测？
• RQ2 与仅基于度数的原始模型相比，所提出的零模型在多大程度上提升了模块度识别有意义社区的能力？
• RQ3 通过在零模型中调整使用的距离函数，该框架能否适应不同类型网络？
• RQ4 距离函数的引入是否使模块度分数在不同网络拓扑中更加稳定和鲁棒？

主要发现

• 结合距离函数的所提零模型，为受邻近性影响边形成的网络，提供了更现实的社区内边的期望值。
• 使用距离引导零模型计算的模块度，能更好地捕捉现实世界网络（如社交网络、生物网络和基础设施网络）中的社区结构。
• 该框架在保持度数守恒的同时允许结构化的边偏好，从而提高了模块度作为社区检测指标的有效性。
• 通过整合特定领域的距离度量，该方法实现了对多样化网络类型更细致且可适应的模块度评估。