利用模块度消息传递可扩展地检测统计显著的社区与层次结构
物理与社会
2014-12-30 v3 统计力学
社会与信息网络
机器学习
摘要
模块度是衡量社区结构的一种流行指标。然而，最大化模块度可能导致许多相互竞争且模块度几乎相同的划分，这些划分彼此之间的相关性很差。它甚至可能在不存在社区的随机图中产生虚假的“社区”。我们通过将模块度视为有限温度下的哈密顿量，并利用高效的信念传播（Belief Propagation）算法来获得许多高模块度划分的共识，而非寻找单一的最大化划分，从而解决了这一问题。解析和数值结果表明，所提出的算法在随机块模型生成的网络中一直有效至可检测性相变点。该算法在真实世界网络上也表现良好，揭示了一些先前研究声称不存在社区的网络中的大型社区。最后，我们表明通过递归应用我们的算法，将社区细分直到找不到统计显著的子社区，我们可以比先前的方法更有效地检测真实世界网络中的层次结构。
引用
@article{arxiv.1403.5787,
title = {Scalable detection of statistically significant communities and hierarchies, using message-passing for modularity},
author = {Pan Zhang and Cristopher Moore},
journal= {arXiv preprint arXiv:1403.5787},
year = {2014}
}