A Dynamic Algorithm for Local Community Detection in Graphs--阅读笔记

Abstract

• 背景：各种大量的数据集都被表示为显示底层连接、趋势和异常的图形。
• 社区检测的目标：在图中检测出密集的群组，具体形式是种子集扩展（seed set expansion），为给定的一组节点（seed vertices）找到最佳的局部社区（local community）。
• 通常算法：在静态图中用贪婪（greedy）、聚集（agglomerative）的算法来求种子集扩展。
• 新算法：针对不断变化的动态图，提出一种动态种子集扩展的算法，随着底层图形的变化，逐渐更新社区。

Introduction

• 全局社区检测（Global community detection）: 将整个图形分成几组，现有的算法：

  1. 随机游走法（random walk methods）；
  2. 谱分割（spectral partitioning）；
  3. 标签传播（label propagation）；
  4. 贪婪聚集算法（greedy gglomerative algorithms）；
  5. 分裂算法（divisive algorithms）；
  6. 团聚渗透（clique percolation ）；

• 种子集扩展（ seed set expansion）：检测与种子顶点相关的局部社区。

  • 种子顶点（seed vertex）：a set of vertices of interest.
  • 静态种子集扩展：运行一次在不变的图上。
  • 动态种子集扩展：动态的随着图形的改变而更新社区。

Contribution

• 第一个贪心种子集扩展动态算法；
• 提高了与静态算法重新计算相比的性能；
• 可以处理各种大小的批量更新，且易于并行化。

Definitions and Related Work

一个无向图图$G=\{ V,E\}$，其中$V$为顶点集，$E$为无向边集，表示为$(u,v,w) \in E$，$w$为边的权重。

• $K_{in}^C$：表示在社区C中的所有边的权重和，如式(1)：
  $$K_{in}^C=\sum _{(uv,w) \in E \mid u \in C \bigwedge v \in C} w$$
  • $K_{out}^C$：表示有一个顶点不属于社区C中所有边的权重和，如式(2)： $$K_{in}^C=\sum _{(uv,w) \in E \mid u \in C \bigwedge v \notin C} w$$
  • 模块度（Modularity）：用来衡量社区C的质量$Q(C)$，是一种适应度函数（fitness function），如式(3)：
    Q(C)=1∣E∣(KCin−(2KCin+KCout)