用于社区分析的二项尾部
社会与信息网络
2020-12-21 v1 人工智能
机器学习
摘要
网络社区发现的一项重要任务是评估结果的显著性并对生成的候选群组进行稳健排序。在实践中，往往会发现大量候选社区，而将分析人员的时间集中在最显著和最有前景的发现上至关重要。我们基于二项模型利用尾部概率推导出简单高效的群组评分函数。在合成数据和大量真实世界数据上的实验表明，与其他廉价评分函数（如电导）相比，二项评分能带来更稳健的排序。此外，我们得到了可用于过滤和标注所发现群组的置信值（ 值）。我们的分析阐明了该方法的多项性质。二项尾部简单且通用，我们描述了其在社区分析中的另外两个应用：社区成员度（进而产生群组评分函数），以及社区诱导图中显著边的发现。
引用
@article{arxiv.2012.09968,
title = {Binomial Tails for Community Analysis},
author = {Omid Madani and Thanh Ngo and Weifei Zeng and Sai Ankith Averine and Sasidhar Evuru and Varun Malhotra and Shashidhar Gandham and Navindra Yadav},
journal= {arXiv preprint arXiv:2012.09968},
year = {2020}
}