发现大型网络中的小社区结构：一种局部谱方法
社会与信息网络
2015-09-28 v1 数据结构与算法
物理与社会
摘要
大型图出现在许多场景中，理解其结构并从中提取信息是一个重要的研究领域。早期的社区挖掘算法侧重于全局结构，其运行时间通常与整个图的规模成函数关系。如今，由于我们经常探索具有数十亿顶点且发现的社区规模仅为数百的网络，在处理大型网络时，将注意力从宏观结构转移到微观结构至关重要。越来越多的研究采用局部扩展方法，以从少数示例种子成员中识别社区。在本文中，我们提出了一种名为 LEMON（通过最小一范数的局部扩展）的新方法来发现重叠社区。与 PageRank 类的扩散方法不同，LEMON 通过在局部谱的生成空间中寻找一个稀疏向量，使得种子在其支撑集内，从而找到社区。我们证明，LEMON 可以在现有最先进的方法中达到最高的检测精度。其运行时间取决于社区的规模，而非整个图的规模。该算法易于实现，且高度可并行化。此外，鉴于网络在本质上并非全部相似，目前仍缺乏关于局部扩展方法如何适用于在不同网络中揭示社区的全面分析。我们使用跨不同领域的合成数据集和真实世界数据集，全面评估了我们的方法，并分析了在实践中将我们的方法应用于本质上不同的网络时的经验差异。此外，我们还提供了关于种子集的质量和数量如何影响性能的启发式见解。
引用
@article{arxiv.1509.07715,
title = {Uncovering the Small Community Structure in Large Networks: A Local Spectral Approach},
author = {Yixuan Li and Kun He and David Bindel and John Hopcroft},
journal= {arXiv preprint arXiv:1509.07715},
year = {2015}
}
备注
10pages, published in WWW2015 proceedings