论复杂网络的拓扑变化与社区发现算法的性能局限

复杂网络挖掘与分析中研究最广泛的问题之一是社区结构的检测。由于其高实用性和在众多领域的广泛应用，该问题已被研究者们深入探讨。针对社区发现问题已提出了许多算法解决方案，但寻找最佳算法的探索仍在继续。研究者们往往专注于开发能通用应用于各种领域网络的快速、准确算法，而未充分考虑这些网络在结构和拓扑上的差异。在本文中，我们评估了不同聚类算法作为网络拓扑变化函数的性能。除了使用众所周知的LFR模型生成带社区的基准网络外，我们还提出了一个名为朴素无标度模型的新模型，以研究社区发现算法在不同拓扑特征下的行为。更具体地说，我们关注网络规模、社区结构大小、节点平均连接度以及簇间与簇内边之比。结果揭示了当前流行的网络聚类算法在正确发现社区方面存在的若干局限。这表明需要重新审视当前未能纳入不同网络拓扑变化特征的聚类算法的设计。