CHIEF：面向大规模网络基于高阶模体的聚类方法
社会与信息网络
2022-04-07 v1 机器学习
摘要
对网络中一组顶点进行聚类有助于社交计算、物联网等不同领域的应用。然而，随着网络规模增大，网络聚类面临挑战。本文提出一种包含两种模体聚类技术的解决方案：标准加速 CHIEF-ST 与近似加速 CHIEF-AP。两种算法首先在给定的目标网络中寻找极大 k-边连通子图以降低网络规模，随后在聚类中使用高阶模体。在第一阶段，我们提出通过极大 k-边连通子图优化网络结构来降低网络规模。对于 CHIEF-ST，我们说明当目标模体的最小节点度不小于 k 时，该过程会保留所有目标模体。对于 CHIEF-AP，我们证明邻接矩阵与拉普拉斯矩阵的特征值在此步骤后相对稳定。即 CHIEF-ST 对模体聚类无影响，而 CHIEF-AP 带来有限但可接受的影响。在第二阶段，我们采用高阶模体，即在高阶稠密网络中进行异质四节点模体聚类。CHIEF 的贡献有两点：(1) 提升大规模网络模体聚类的效率；(2) 验证高阶模体的重要性。在真实与合成网络上的实验表明，所提方案优于基线方法，展示了 CHIEF 在大型网络分析中的优势。同时，实验证明高阶模体在聚类中优于传统的三角形模体。
引用
@article{arxiv.2204.02656,
title = {CHIEF: Clustering with Higher-order Motifs in Big Networks},
author = {Feng Xia and Shuo Yu and Chengfei Liu and Ivan Lee},
journal= {arXiv preprint arXiv:2204.02656},
year = {2022}
}