[论文解读] Taxonomies of Networks

Jukka‐Pekka Onnela, Daniel J. Fenn+5 more|arXiv (Cornell University)|Jun 29, 2010

Complex Network Analysis Techniques参考文献 8被引用 4

一句话总结

本文提出了一种基于社区检测所获得的结构相似性的网络分类框架，实现了对多样化网络的系统性比较。通过使用模块度优化分析社区结构，作者对746个网络（包括实证网络、合成网络和现实世界系统）进行了分类，表明该方法能有效识别跨学科的结构类比，例如相似的社会网络或金融网络。

ABSTRACT

The study of networks has grown into a substantial interdisciplinary endeavour that encompasses myriad disciplines in the natural, social, and information sciences. Here we introduce a framework for constructing taxonomies of networks based on their structural similarities. These networks can arise from any of numerous sources: they can be empirical or synthetic, they can arise from multiple realizations of a single process, empirical or synthetic, or they can represent entirely different systems in different disciplines. Since the mesoscopic properties of networks are hypothesized to be important for network function, we base our comparisons on summaries of network community structures. While we use a specific method for uncovering network communities, much of the introduced framework is independent of that choice. After introducing the framework, we apply it to construct a taxonomy for 746 individual networks and demonstrate that our approach usefully identifies similar networks. We also construct taxonomies within individual categories of networks, and in each case we expose non-trivial structure. For example we create taxonomies for similarity networks constructed from both political voting data and financial data. We also construct network taxonomies to compare the social structures of 100 Facebook networks and the growth structures produced by different types of fungi.

研究动机与目标

• 开发一种基于结构相似性的系统性网络分类框架，尤其关注介观尺度的社区结构。
• 通过识别共享的结构模式，实现跨不同领域（如社会、生物、金融和合成系统）的网络跨学科比较。
• 检测不同网络类型之间的结构类比，例如类似社区组织结构的Facebook网络与真菌生长模式。
• 通过为特定类别（如政治投票网络或金融相关性网络）构建子分类体系，揭示网络类别内部的非平凡内部结构。
• 支持异常检测、模型验证以及识别网络家族之间共享的生成机制等应用。

提出的方法

• 使用模块度优化（Louvain方法）进行社区检测，以从每个网络中提取介观结构特征。
• 将每个网络表示为一组社区层面的统计量（例如，社区数量、模块度、社区大小分布）的向量。
• 基于社区特征向量，使用距离度量（例如余弦或欧几里得距离）计算网络之间的成对相似性。
• 应用层次聚类（例如平均链锁法）根据结构相似性将网络分组为分类树。
• 通过在不同社区检测算法和参数设置下比较结果，进行鲁棒性检验。
• 使用已知的网络基准（例如LFR、WS、Erdős–Rényi）和来自不同领域的现实世界网络对分类体系进行验证。

实验结果

研究问题

• RQ1 基于社区结构的统一框架能否识别出多样化网络类型之间的有意义结构相似性？
• RQ2 不同学科（如社会、金融、生物）的网络在社区组织方面如何比较？
• RQ3 子分类体系能否揭示特定网络类别（如政治投票或真菌生长网络）内部的非平凡内部结构？
• RQ4 该分类体系在多大程度上能检测到已知的结构类比，例如合成网络与实证网络中相似的社区结构？
• RQ5 该分类体系对社区检测算法和参数选择的变化有多大的鲁棒性？

主要发现

• 该分类体系成功识别出跨学科的结构相似网络，例如基于共享社区架构的金融相关性网络与大脑功能网络。
• 子分类体系揭示了非平凡的内部结构：例如，Facebook网络按社区密度和大小分布聚类，而真菌生长网络则按分支复杂度分组。
• 该方法能正确根据生成参数将合成基准网络（如LFR、WS）分组，证实了不同网络家族之间的结构一致性。
• 具有相似模块度和社区大小分布的网络（如政治投票网络与金融网络）聚类在一起，表明其具有共享的底层组织原则。
• 该框架能检测异常：例如，一个模块度较高但社区大小分布异常的合成网络在分类体系中被孤立，表明其结构偏离。
• 该分类体系在不同社区检测算法下保持稳健，即使使用Infomap或谱聚类等替代方法，也观察到一致的聚类模式。