[论文解读] Fluid Communities: A Community Detection Algorithm.

Ferran Parés, Dario García-Gasulla+6 more|arXiv (Cornell University)|Mar 27, 2017

Complex Network Analysis Techniques被引用 3

一句话总结

本文提出 Fluid Communities，一种受流体动力学启发的新型社区检测算法，通过将顶点建模为可膨胀和收缩的流体，以形成社区。该算法利用高效的传播机制，在保持与最先进方法相当的检测质量的同时，实现了高可扩展性，并独特地在无需预先指定社区数量的情况下识别出可变数量的社区。

ABSTRACT

Community detection algorithms are a family of unsupervised graph mining algorithms which group vertices into clusters (i.e., communities). These algorithms provide insight into both the structure of a network and the entities that compose it. In this paper we propose a novel community detection algorithm based on the simple idea of fluids interacting in an environment, expanding and contracting. The fluid communities algorithm is based on the efficient propagation method, which makes it very competitive in computational cost and scalability. At the same time, the quality of its results is close to that of current state-of-the-art community detection algorithms. An interesting novelty of the fluid communities algorithm is that it is the first propagation-based method capable of identifying a variable number of communities within a graph.

研究动机与目标

• 解决现有社区检测算法需要预先指定社区数量的局限性。
• 开发一种在保持高计算效率的同时实现竞争性检测质量的方法。
• 提出一种基于传播的算法，能够自动确定图中最佳社区数量。

提出的方法

• 该算法将每个顶点建模为一个流体粒子，其膨胀与收缩基于局部邻域交互作用。
• 它采用一种传播机制，其中流体水平根据邻近顶点的影响迭代更新。
• 流体水平在边上进行归一化和传播，模拟网络中影响力的流动。
• 在收敛后，通过将流体水平相似的顶点分组来形成社区。
• 该算法基于流体水平的分布动态识别社区数量，从而无需用户指定聚类数量。
• 该算法设计具有可扩展性，适用于大规模网络。

实验结果

研究问题

• RQ1 基于传播的社区检测算法是否能够在无需预先指定的情况下动态识别社区数量？
• RQ2 受流体动力学启发的模型在质量和效率方面与现有最先进社区检测方法相比如何？
• RQ3 流体水平传播对现实世界网络中社区结构发现的影响是什么？

主要发现

• Fluid Communities 算法在社区检测质量上与最先进方法相当，尤其在模块度和标准化互信息方面表现优异。
• 由于其高效的传播机制，该算法具有高度可扩展性，能够快速处理大规模网络。
• 该算法成功识别出可变数量的社区，这是大多数基于传播的方法所不具备的能力。
• 实验结果表明，该方法在多种现实世界网络数据集上均保持了高性能。
• 流体动力学类比使得社区形成过程直观且高效，且无需手动调整社区数量。