[论文解读] OLCPM: An Online Framework for Detecting Overlapping Communities in Dynamic Social Networks

Souâad Boudebza, Rémy Cazabet+2 more|arXiv (Cornell University)|Apr 11, 2018

Complex Network Analysis Techniques参考文献 39被引用 27

一句话总结

OLCPM 是一种在线框架，通过增量更新团渗滤和标签传播，用于在动态社交网络中检测重叠社区。它通过局部更新显著提升了批处理方法的运行速度，并通过后处理改进了社区质量，在真实时间网络上的 NMI 评分优于 DyCPM。

ABSTRACT

Community structure is one of the most prominent features of complex networks. Community structure detection is of great importance to provide insights into the network structure and functionalities. Most proposals focus on static networks. However, finding communities in a dynamic network is even more challenging, especially when communities overlap with each other. In this article , we present an online algorithm, called OLCPM, based on clique percolation and label propagation methods. OLCPM can detect overlapping communities and works on temporal networks with a fine granularity. By locally updating the community structure, OLCPM delivers significant improvement in running time compared with previous clique percolation techniques. The experimental results on both synthetic and real-world networks illustrate the effectiveness of the method.

研究动机与目标

• 解决在具有细粒度时间分辨率的动态社交网络中检测重叠且演化的社区的挑战。
• 通过支持增量更新，克服批量团渗滤方法在动态网络中计算成本过高的问题。
• 通过标签传播后处理解决 CPM 中的覆盖问题，从而提升社区检测质量。
• 保持确定性、内在定义的社区，使其对网络扰动具有鲁棒性。
• 支持大规模时间网络的可扩展分析，其中完整重计算不可行。

提出的方法

• OLCPM 使用一种在线团渗滤方法（OCPM），在每次节点或边事件后增量更新社区，避免在每个时间步进行完整重计算。
• 它维护一个动态的团结构，并仅将更改传播到受影响的团及其相邻社区。
• 标签传播后处理可识别属于多个社区的边缘节点，从而解决 CPM 的覆盖问题。
• 该方法利用 CPM 的确定性和重叠社区特性，同时将其适应完全动态的事件驱动模型。
• 通过局部更新隐式保持时间步之间的社区匹配，减少随机方法带来的不稳定性。
• 该框架支持具有高时间分辨率的真实和合成时间网络，例如可穿戴传感器获得的接触网络。

实验结果

研究问题

• RQ1 如何高效地将重叠社区检测扩展到具有细粒度时间更新的大规模动态社交网络？
• RQ2 Clique percolation 方法的在线变体是否能在显著降低计算成本的同时保持检测质量？
• RQ3 标签传播的集成在动态环境中如何提升 CPM 的覆盖范围和准确性？
• RQ4 OLCPM 在真实时间网络上的运行时间和社区质量方面，与批处理方法（如 DyCPM）相比，优势有多大？
• RQ5 OLCPM 对网络演化（包括社区的诞生、消亡、合并和分裂事件）的稳定性与鲁棒性如何？

主要发现

• 在 SocioPatterns 高中接触网络上，OLCPM 对于 k=3 的平均 NMI 得分为 0.059，对于 k=4 为 0.044，显著优于 DyCPM 的 0.024 和 0.004。
• 该方法通过避免在每个时间步进行完整的团重计算，显著降低了计算成本，从而实现了对大规模动态网络的可扩展性。
• 标签传播后处理有效识别了边缘节点，相比原始 CPM 提升了社区覆盖范围和解决方案质量。
• OLCPM 成功捕捉了社区在晚间和周末消失等时间动态特征，展示了对真实网络演化的敏感性。
• 该框架在多次运行中保持了确定性结果，避免了随机社区检测方法常见的不稳定性。
• OLCPM 在合成网络和真实网络中均表现出鲁棒性和可扩展性，在不同网络拓扑和时间分辨率下保持一致的性能。