通过局部计算社区变化分辨率水平识别重叠社区
摘要
去年，Lancichinetti、Fortunato和Kertesz (LFK)提出了一种检测网络中重叠自然社区的算法。LFK算法通过最大化社区的局部适应度来构建(原则上)图中所有节点的自然社区。生成的模块可以重叠。社区生成可以很容易地针对多个分辨率值重复进行；从而允许在网络的不同分辨率下获得不同视图。我们以不同的方式实现了LFK算法的主要思想——为网络中每个节点生成自然社区。我们从分辨率参数足够高的值开始，使得每个节点自身构成一个自然社区。一旦分辨率降低，每个节点就会将其他节点作为其社区的成员，即自然社区增长。对于在特定分辨率水平下找到的每个社区，我们计算下一个更低的分辨率，在该分辨率下会添加一个节点。在向种子节点的社区添加一个节点后，我们检查该节点是否也是我们已经分析过的某个节点的自然社区。如果是这种情况，我们可以停止扩展种子节点的社区。我们在一个小型基准图和一个包含约500篇信息科学论文的网络(使用文献耦合的Salton指数加权)上测试了我们的算法。在我们的测试中，这种方法产生了特征性的分辨率范围，在该范围内，大的分辨率变化不会导致自然社区的增长。通过应用LFK算法也可以获得这种稳定模块，但由于我们在一次运行中确定了所有分辨率值的社区，我们的方法比LFK参考算法更快。而且我们的算法更容易揭示图的层次结构。
引用
@article{arxiv.1008.1004,
title = {Identification of Overlapping Communities by Locally Calculating Community-Changing Resolution Levels},
author = {Frank Havemann and Michael Heinz and Alexander Struck and Jochen Gläser},
journal= {arXiv preprint arXiv:1008.1004},
year = {2011}
}
备注
10 pages, 12 figures, also presented as "A local algorithm to get overlapping communities at all resolution levels in one run" in a poster session at ASONAM conference, Odense, Denmark, August 2010