[论文解读] Role-similarity based comparison of directed networks

Kathryn Cooper, Mauricio Barahona|arXiv (Cornell University)|Mar 29, 2011

Complex Network Analysis Techniques被引用 3

一句话总结

本文提出了一种角色相似性度量方法，通过分析加权邻接矩阵的幂次来比较有向网络中节点的流入和流出路径流特征，从而实现跨网络的节点相似性比较及网络结构比较。该方法利用相似性矩阵的图分割技术，能高精度识别功能等价节点和结构相似网络，尤其在代谢网络和生态网络中表现优异。

ABSTRACT

The widespread relevance of complex networks is a valuable tool in the analysis of a broad range of systems. There is a demand for tools which enable the extraction of meaningful information and allow the comparison between different systems. We present a novel measure of similarity between nodes in different networks as a generalization of the concept of self-similarity. A similarity matrix is assembled as the distance between feature vectors that contain the in and out paths of all lengths for each node. Hence, nodes operating in a similar flow environment are considered similar regardless of network membership. We demonstrate that this method has the potential to be influential in tasks such as assigning identity or function to uncharacterized nodes. In addition an innovative application of graph partitioning to the raw results extends the concept to the comparison of networks in terms of their underlying role-structure.

研究动机与目标

• 开发一种可推广的方法，基于方向性流结构比较不同有向网络中的节点角色。
• 将自相似性概念扩展至跨网络的节点相似性，实现对未表征节点的功能分配。
• 通过相似性矩阵的图分割分析底层角色结构，实现对整个网络结构的比较。
• 在真实网络（如代谢网络、食物网和世界贸易网络）上验证该方法，表明其在代理模型中具有高结构保真度。

提出的方法

• 该方法通过邻接矩阵及其转置的幂次计算每个节点的特征向量，捕捉长度不超过K的所有流入和流出路径。
• 采用缩放参数 β = α/λ₁，其中 λ₁ 为邻接矩阵的最大特征值，以平衡局部（短路径）与全局（长路径）的影响。
• 节点相似性通过归一化特征向量之间的余弦距离计算得出。
• 生成的相似性矩阵用于通过图分割揭示底层角色结构，实现对整个网络的比较。
• 通过保持群体流比例和规模生成代理网络，实现与原始网络和随机网络的比较。
• 使用最大互信息分数量化网络模型之间的相似性，并通过块平均简化实现可视化。

实验结果

研究问题

• RQ1 能否基于方向性流特征对不同有向网络中的节点相似性进行有意义的量化？
• RQ2 所提出的相似性度量在多大程度上与真实网络中的生物或功能等价性相关？
• RQ3 相似性矩阵的图分割能否揭示并比较不同网络的底层角色结构？
• RQ4 具有相同流结构但内部连接随机的代理网络，在相似性度量上与原始网络和完全随机网络相比如何？

主要发现

• 该方法成功识别出不同网络中功能等价的节点，代谢网络中已知同源代谢物之间的相似性得分更高。
• 保留群体流结构的代理网络与原始网络之间以及彼此之间的相似性显著高于具有相同规模和边数的完全随机网络。
• 在相同模型下生成的网络（如生态位模型、圣马克食物网和世界贸易网络）在底层角色结构上表现出高度互惠相似性。
• 代谢网络模型（mmu, eco, pai）表现出强烈的内部相似性，与食物网和随机网络模型明显不同。
• 随机有向网络未表现出可辨识的结构，且与所有其他网络类型均不相似，证实该方法对有意义拓扑结构的敏感性。
• 块平均互信息矩阵清晰地显示出网络类型的聚类，验证了该方法区分结构范式的能力。