混合局部与全局信息的大规模网络社区检测
社会与信息网络
2013-10-17 v2 物理与社会
摘要
大型复杂网络的聚类问题在从生物学到社会学和计算机科学的多个科学领域中扮演关键角色。许多聚类复杂网络的方法基于最大化网络模块度函数的思想。其中一些方法可归类为全局方法，因为它们利用整个网络拓扑的知识来发现聚类。而另一些方法则可解释为局部方法，因为它们仅需要网络拓扑的部分知识，例如顶点的邻居。全局方法能够实现高模块度值，但在大型网络上扩展性不佳，因此无法应用于分析像Facebook或YouTube这样的在线社交网络。相比之下，局部方法速度快且可扩展到大型真实网络，但代价是结果比全局方法差。本文提出了一种最大化模块度的全局-局部混合方法，即我们的方法使用全局层面的信息，但其在大型网络上的可扩展性与局部方法相当。该方法称为复杂网络聚类检测（简称CONCLUDE）。它分两个阶段工作：第一阶段使用基于有限长度随机非回溯游走的信息传播模型，计算每条边在保持网络连通性方面的重要性（称为边中心性）。然后，利用边中心性将网络顶点映射到欧几里得空间中的点，并计算所有相连顶点对之间的距离。第二阶段，CONCLUDE使用第一阶段计算的距离将网络划分为聚类。CONCLUDE计算效率高，因为平均情况下其成本大致与网络边数成线性关系。
引用
@article{arxiv.1303.1738,
title = {Mixing local and global information for community detection in large networks},
author = {Pasquale De Meo and Emilio Ferrara and Giacomo Fiumara and Alessandro Provetti},
journal= {arXiv preprint arXiv:1303.1738},
year = {2013}
}