网络社区的非参数检测：自然之道——一种级联斯塔克伯格博弈方法

现实世界网络具有内在的动态结构，且通常由成员不断变化的社区组成。在分析网络结构特性时，识别这些社区至关重要。因此，近年来针对这一具有挑战性的演化社区检测问题，研究十分活跃。社区检测的主流方法涉及在网络上优化全局划分质量度量（如模块度）。另一种技术，谱聚类，涉及将原始数据点映射到低维空间，在此空间中图的聚类特性更为明显，然后应用标准聚类技术来识别社区。然而，传统谱聚类技术无法自然地学习网络中的社区数量。这些技术基于外部社区连通性属性，往往难以在稠密网络中识别较小的社区结构。在本文中，我们提出一种受斯塔克伯格双寡头博弈启发的算法，即级联斯塔克伯格社区检测算法（CASCODE）。该算法利用节点间领导者-跟随者关系的概念来影响彼此的行为。该算法的直觉基于网络中演化社区自然预期的内部结构。因此，与其他需要以预期社区数量作为输入的技术（如谱聚类）不同，该算法能够自然地学习网络中的社区数量。由于这种基于斯塔克伯格模型的社区检测算法通过其内部结构检测社区，我们能够在稠密网络中获得更精细的社区结构分辨率。