[论文解读] Module identification in bipartite networks with applications to directed networks

Roger Guimerà, Marta Sales‐Pardo+1 more|arXiv (Cornell University)|Jan 12, 2007

Complex Network Analysis Techniques被引用 5

一句话总结

本文提出了一种专用于二分网络的新型模块检测方法，其中节点被划分为两个互不相交的集合，且仅在集合之间存在连接。通过为二分网络定义一种专门的零模型，该方法实现了精确的模块性评估，并可扩展用于检测有向单分网络中的模块，相较于现有方法具有更高的识别精度。

ABSTRACT

Modularity is one of the most prominent properties of real-world complex networks. Here, we address the issue of module identification in an important class of networks known as bipartite networks. Nodes in bipartite networks are divided into two non-overlapping sets, and the links must have one end node from each set. We suggest a novel approach especially suited for module detection in bipartite networks, and define a set of random networks that permit the evaluation of the accuracy of the new approach. Finally, we discuss how our approach can also be used to accurately identify modules in directed unipartite networks.

研究动机与目标

• 解决标准社区检测方法常被忽略的二分网络中的模块识别挑战。
• 为二分结构专门设计一种随机网络零模型，以评估模块的统计显著性。
• 通过利用其潜在的二分表示，将所提出的方法扩展至检测有向单分网络中的模块。
• 提高具有固有二分或有向结构的复杂网络中社区检测的准确性和可靠性。

提出的方法

• 通过考虑双节点集结构和集合间连接，提出一种适用于二分网络的新型模块性函数。
• 定义一种零模型，保留两个节点集的度分布，同时随机化它们之间的连接，从而实现对检测到的模块的统计显著性检验。
• 应用模块性优化框架，通过最大化新的二分模块性得分来识别社区。
• 将有向单分网络转换为二分表示（例如，源节点和目标节点作为独立集合），以应用该方法。
• 使用迭代优化技术搜索能最大化二分模块性得分的社区结构。
• 通过合成网络和真实世界数据验证该方法，与标准单分模块性方法进行性能对比。

实验结果

研究问题

• RQ1 鉴于其结构约束，如何有效适应社区检测于二分网络？
• RQ2 哪种零模型最能保持二分网络的拓扑特性，同时实现有意义的模块评估？
• RQ3 所提出的方法能否以比现有方法更高的准确度检测出真实二分网络中具有生物学或社会学意义的模块？
• RQ4 该方法在多大程度上可通过二分转换推广至检测有向单分网络中的模块？

主要发现

• 所提出的方法在合成二分网络中成功识别出具有更高准确度的有意义模块，优于标准单分模块性方法。
• 定制的零模型为评估二分网络中模块的统计显著性提供了坚实的基线。
• 该方法在检测现实世界二分网络（如作者-论文或用户-项目交互）中的已知社区结构方面表现更优。
• 通过二分转换将方法扩展至有向网络，使得在引文网络或社交媒体网络等复杂系统中能够实现准确的模块检测。