基于模体的加权有向网络谱聚类

聚类是网络分析的一项基本技术，在众多领域有应用。尽管谱聚类是一种流行且有效的方法，它未能考虑高阶结构，并且在有向网络上可能表现不佳。一种方法是利用模体邻接矩阵捕获并聚类高阶结构。然而，当前的表述未能考虑边权重，因此在权重为所研究网络关键组成部分时具有一定局限性。我们通过探索基于模体的加权谱聚类方法来解决这些不足。我们给出加权网络上模体邻接矩阵新的且具有计算实用性的矩阵公式，可用于针对任意三个节点上的锚定或非锚定模体构造高效算法。在极稀疏情形下，我们提出的方法可处理具有一百万个节点和数千万条边的图。我们进一步利用我们的框架构造一种用于二部网络聚类的基于模体的方法。我们提供全面的实验结果，展示（i）我们方法的可扩展性，（ii）在合成例子上高阶聚类的优势，以及（iii）我们的技术在多种真实世界数据集上的有效性；并与文献中的若干技术进行比较。我们得出结论：基于模体的谱聚类是分析有向与二部加权网络的有价值工具，并且可扩展且易于实现。