[论文解读] LabelRank: A Stabilized Label Propagation Algorithm for Community Detection in Networks

Jierui Xie, Bolesław K. Szymański|arXiv (Cornell University)|Mar 4, 2013

Complex Network Analysis Techniques参考文献 28被引用 25

一句话总结

LabelRank 通过引入四种算子——传播、膨胀、截断和条件更新，提出了一种稳定化的标签传播算法，用于网络中的社区检测。该方法消除了随机性，提升了稳定性和性能，实现了确定性的高质量社区检测，并在真实网络中显著提升了模块度，优于 LPA 及其他算法。

ABSTRACT

An important challenge in big data analysis nowadays is detection of cohesive groups in large-scale networks, including social networks, genetic networks, communication networks and so. In this paper, we propose LabelRank, an efficient algorithm detecting communities through label propagation. A set of operators is introduced to control and stabilize the propagation dynamics. These operations resolve the randomness issue in traditional label propagation algorithms (LPA), stabilizing the discovered communities in all runs of the same network. Tests on real-world networks demonstrate that LabelRank significantly improves the quality of detected communities compared to LPA, as well as other popular algorithms.

研究动机与目标

• 解决传统标签传播算法（LPA）因随机性冲突解决而导致重复运行时产生不同社区划分的不稳定性问题。
• 通过消除随机性，同时保持局部、去中心化计算的高效性，提升大规模网络中社区检测的质量与一致性。
• 通过确保输出结果的确定性，使标签传播算法能够可靠地应用于动态和演化网络。
• 将标签传播算法的适用范围扩展到稀疏和具有挑战性的网络结构（如 LPA 失败的场景，例如产生平凡的巨大社区）。
• 为未来在重叠社区检测和分布式动态网络分析方面的扩展，提供可扩展、高效且稳定的基线。

提出的方法

• 在每个节点上维护一个标签分布（概率向量），表示该节点被分配特定标签（节点ID）的可能性。
• 应用传播算子，基于邻接关系仅使用本地信息将标签分布传播给邻居节点。
• 应用膨胀算子以放大标签概率之间的差异，增强主导标签并减少噪声。
• 应用截断算子以剔除低概率标签，降低计算开销并聚焦于主导的社区信号。
• 引入条件更新算子，通过动态调整标签更新策略，防止过早收敛并避免平凡解（如单一巨大社区）。
• 采用基于模块度变化的新型停止准则，在后续迭代无法带来显著改进时终止过程。

实验结果

研究问题

• RQ1 标签传播能否被稳定化，以在相同网络的多次运行中产生确定性的社区划分？
• RQ2 所提出的算子（尤其是条件更新和截断算子）与标准 LPA 相比，如何提升社区检测的质量与鲁棒性？
• RQ3 LabelRank 在多样化的现实世界网络中，与 LPA、MCL 和 Infomap 相比，在模块度和稳定性方面表现如何？
• RQ4 LabelRank 是否能有效检测在 LPA 失败的稀疏或具有挑战性的网络（如产生单一巨大社区）中的社区？
• RQ5 将网络结构（邻接矩阵 A）与标签概率矩阵（P）分离，与 MCL 类似方法相比，是否能提升性能与可扩展性？

主要发现

• LabelRank 实现了确定性的社区检测，消除了传统 LPA 中固有的随机性，确保了多次运行结果的一致性。
• 在 Enron 电子邮件网络中，LabelRank 将模块度从 LPA 的 0.31 提升至 0.58，相对提升 87.1%，并比 MCL 提升 25.93%。
• 在 PGP 网络中，LabelRank 将模块度从 LPA 的 0.63 提升至 0.81，相对提升 28.57%，并比 MCL 提升 1.25%。
• LabelRank 在 Eva 和 Epinions 网络中成功避免了平凡的社区输出（如单一巨大社区），而 LPA 在这些网络中完全失败。
• LabelRank 在 Eva 网络中实现了 0.89 的模块度，与 MCL 和 Infomap 表现相当，并优于 LPA（未报告结果），表明其在稀疏网络中的鲁棒性。
• LabelRank 在 HighSchool 网络中比 Infomap 提升 10.34%，在 Epinions 网络中提升 9.43%，表明其在多种网络类型中均表现出强劲的竞争力。