利用局部结构性质提升层次化社区检测方法的效率
机器学习
2020-09-16 v1 社会与信息网络
机器学习
摘要
社区检测是复杂网络分析中的基本问题，相当于网络数据挖掘中的聚类。在各类社区检测方法中，层次化算法颇受欢迎。然而，其迭代特性以及需要重新计算用于划分网络的结构性质（即 Girvan 与 Newman 算法中的边介数），使其不适用于大型网络数据集。本文研究如何利用局部结构网络性质作为代理，在提升层次化社区检测效率的同时，在模块度方面取得有竞争力的结果。具体而言，我们研究通常用于执行局部链路预测的结构性质的潜在用途——局部链路预测是一个监督学习问题，其中社区结构相关，因为节点倾向于与同社区内的其他节点建立新链接。此外，我们检验了网络剪枝启发式方法作为辅助策略对提升层次化社区检测效率的性能影响。
引用
@article{arxiv.2009.06798,
title = {On the use of local structural properties for improving the efficiency of hierarchical community detection methods},
author = {Julio-Omar Palacio-Niño and Fernando Berzal},
journal= {arXiv preprint arXiv:2009.06798},
year = {2020}
}