重读网络挖掘中community detection 文章--Fast unfolding of communities in large networks

最新推荐文章于 2024-08-04 11:16:45 发布

范涛

最新推荐文章于 2024-08-04 11:16:45 发布

阅读量4.5k

点赞数 4

分类专栏：复杂网络 | 大规模网络挖掘

本文链接：https://blog.csdn.net/hero_fantao/article/details/38929803

版权

社区检测是复杂网络中用于节点聚类的研究，常发现网络存在聚簇效应。本文主要讨论非重叠社区划分，特别是'Fast unfolding of communities in large networks'算法。该算法包括两步：节点合并形成初步社团，然后重新构建网络并迭代，直至收敛。在实践中，这种方法在处理几十万节点的网络时，表现出速度快、效果好的特点。

摘要由CSDN通过智能技术生成

community detection 是源于复杂网络领域的关于网络节点的社团划分的工作。

复杂网络学科大量的实证研究发现很多网络存在聚簇效应，比如常见的社交网络。正所谓人以群分，物以类聚。

community detection 方法分为很多种，分裂方法，聚合方法等等。community detection 一个分支是重叠社区的发现（比如社交网络，一个节点可能属于多个社区），这个我这里暂时不累述，这个和非重叠社区识别方法有一定不同。这里主要说下非重叠社区划分方法。

community detection优化的目标大多是模块度指标，模块度越高，社团划分越好。

我最早接触的方法是NewMan组提出的Finding community structure in very large networks【1】文章提出的方法，这个可以处理百万规模的数据，但是，其实单机的话，20w上以上其实已经比较慢了。他这个方法是聚合方法，每个节点刚开始是单独社团，然后合并，每次取使模块度增大节点合并。具体细节参考文章本身。

后面接触的是label propagation方法：Near linear time algorithm to detect community structures in large-scale networks【2】这个方法是每次用户获取邻居中出现频次最高的社区标签作为自己的标签，反复迭代，直到收敛。这个算法一般使用异步更新节点社区标签，因为如果网络出现局部二部图结构，会出现震荡。他这个不是直接优化模块度的，时间很快，线性时间复杂度，但是经常出现不收敛情