一种检测二分网络中形成社群的重要成员的新方法
社会与信息网络
2021-12-03 v1
摘要
我们周围的世界由彼此具有不同关系的对象组成。这些交互的结果是各种网络，其中一部分是二分网络。尽管许多研究已经调查了网络中的重要成员，但对二分图的关注较少。另一方面，网络分析最关键的方面之一是检测和提取网络结构中出现的社群。出于这些原因，我们引入了一种称为 H.H 的度量，用于识别二分图单模投影中在社群形成方面具有影响力的节点。影响该度量的三个主要参数是：所形成的社群的规模、每个节点在该社群形成中的作用，以及该节点产生影响的社群数量。本文的结果显示了该度量与其他中心性（特征向量中心性、接近中心性、介数中心性和度中心性）的差异，以及该度量如何考虑了其他中心性未考虑的方面。通过 H.H 分数，我们可以找到在社群形成中有效的关键节点，并通过移除这些节点来消除社群。现有任何中心性都未解决此问题，且该度量具有足够的独立性来表示社群形成中的重要节点。所提度量的实验验证在两个真实世界数据集上进行：Southern Women Network 和 Person-Crime Network。在 Person-Crime 数据集上实施 H.H 分数的结果表明，通过消除具有最高 H.H 分数的节点（前 10%），29% 的社群发生了变化；而中心性平均仅改变 18% 的社群，这显示了 H.H 分数的重要性。
引用
@article{arxiv.2112.01383,
title = {A New Approach to Detect Important Members that Create the Communities in Bipartite Networks},
author = {Ali Hojjat and Ghazaleh Haddad},
journal= {arXiv preprint arXiv:2112.01383},
year = {2021}
}