[论文解读] The Role of Dynamic Interactions in Multi-scale Analysis of Network Structure

Rumi Ghosh, Kristina Lerman|arXiv (Cornell University)|Jan 1, 2012

Complex Network Analysis Techniques参考文献 22被引用 3

一句话总结

本文提出一种基于动态过程的多尺度社区检测方法，通过在网络中对非守恒相互作用（如信息扩散）进行建模，并利用耦合振子的同步性来定义节点相似性。该方法揭示了比传统方法更复杂的洋葱状分层结构，其中非守恒模型在与真实社区结构对齐方面优于守恒模型。

ABSTRACT

To find interesting structure in networks, community detection algorithms have to consider not only the network topology, but also the dynamics of interactions between nodes. We investigate this claim using the paradigm of synchronization in a network of coupled oscillators. As the network evolves to a global equilibrium, nodes belonging to the same community synchronize faster than nodes belonging to different communities. We classify interactions as conservative (e.g., random walk) and non-conservative (e.g., viral contagion, information diffusion) and formulate a new model of non-conservative interactions. To find multi-scale community structure, we define a similarity function that measures the degree to which nodes are synchronized and use it to hierarchically cluster nodes. We study three data sets, that include a benchmark network, a synthetic graph with a known hierarchical community structure, and a large network of a social media provider. We find that conservative and nonconservative interaction models lead to dramatically different communities, with the non-conservative model revealing communities closer to the ground truth. Our method uncovers a significantly more complex multi-scale organization of networks than previously thought. The discovered structure of a real-world network resembles an onion: in each layer of the hierarchy, we find a large core and a number of small components with a long-tailed size distribution. Our work offers a novel, process-dependent perspective on community detection in real-world social networks.

研究动机与目标

• 通过引入动态交互过程来解决静态网络拓扑在社区检测中的局限性。
• 探究不同类型交互（如守恒型，例如随机游走；非守恒型，例如病毒式传播）对社区结构发现的影响。
• 基于同步动力学提出一种相似性度量，用于节点的分层聚类。
• 在真实世界和合成网络中揭示多尺度、分层的社区组织结构。
• 评估基于过程的建模是否能提升与真实社区结构的对齐程度。

提出的方法

• 使用一种新的动态框架对非守恒相互作用进行建模，以捕捉信息扩散和传染等过程。
• 在耦合振子网络中模拟同步，其中同一社区内的节点比不同社区的节点同步得更快。
• 基于节点对之间的同步程度定义相似性函数，以指导分层聚类。
• 将该方法应用于三个数据集：一个基准网络、一个合成分层网络和一个大型真实世界社交媒体网络。
• 对比守恒型（如随机游走）与非守恒型交互模型的结果，以评估结构差异。
• 基于同步相似性的分层聚类方法揭示了多尺度的社区层级结构。

实验结果

研究问题

• RQ1 守恒型与非守恒型交互动力学如何影响网络中社区结构的检测？
• RQ2 耦合振子中的同步动力学能否揭示网络社区的多尺度、分层组织结构？
• RQ3 对非守恒过程进行建模在多大程度上能提升与真实社区结构的对齐程度？
• RQ4 在使用基于过程依赖的动态社区检测方法时，现实世界网络中会涌现出何种结构模式？
• RQ5 所得到的社区结构与传统的基于静态拓扑的方法相比有何差异？

主要发现

• 非守恒交互模型（如病毒式传播）揭示的社区结构显著优于守恒模型（如随机游走）与真实社区结构的对齐程度。
• 该方法在真实世界网络中揭示出复杂的、洋葱状的分层结构，包含一个大核心以及每一层中众多小而长尾分布的组件。
• 同步动力学能有效区分社区内与社区间的交互，从而实现基于相似性的精确聚类。
• 所提出的方法揭示了比以往基于静态拓扑方法所识别出的更复杂的多尺度网络组织结构。
• 合成网络的结果证实，该方法成功恢复了已知的分层社区结构。
• 真实世界社交媒体网络呈现出分层结构，每一层均包含一个主导核心和多个小而稀疏连接的组件。