论文作者:Weitong Zhang,Rui Zhang,Ronghua Shang,Juanfei Li,Licheng Jiao
论文类型:综述
论文地址:https://doi.org/10.1016/j.physa.2018.09.186
论文时间:2018年
文章内容
•总结了自然计算方法在社区检测中的应用。
•详细介绍了复杂网络结构的几种情况。
•总结了复杂网络中的社区结构及其分区结果的评估指标。
•介绍了自然计算启发式方法的基本框架。
注:自然计算(Nature Computation,Nature Inspired Computation),具有模仿自然界的特点,通常是一类具有自适应、自组织、自学习能力的模型与算法,能够解决传统计算方法难于解决的各种复杂问题。
1. Introduction
复杂网络特征:scale-free, small world, clustering and power law degree distribution.
社区检测的用处:帮助理解(1)网络点边结构信息(2)网络的进化和发展(3)复杂系统的概况
复杂网络中的社区结构可以定义为:网络中具有较少外部连接和较多内部连接的节点集。
复杂网络中社区检测的过程是根据网络中节点的连接将网络划分为几个社区(即节点集)。
2. Complex network
从网络中的连接分析来看,网络可以分为非加权网络和加权网络,有向和无向网络,符号网络等。从整体情况分析,根据网络的变化,复杂的网络可以分为静态网络和动态网络。
2.2. Directed and un-directed networks(如标题)
2.3. Weighted and un-weighted networks(如标题)
2.4. Signed network
2.5. Static and dynamic networks
静态网络是静态的不变的,节点和边的数量,节点间的连接不变。动态网络反之。
3. Community structure in complex network
3-1 社区结构定义:在复杂的网络中,社区结构是内部节点紧密连接而外部连接稀疏的结构。
3-2 社区检测评价指标:通用的评估标准是归一化互信息(NMI),还介绍了一些其它的。
NMI科普:https://blog.csdn.net/hang916/article/details/88783931
4. Natural computation inspired methods
介绍了几种经典的自然计算启发方法,及其应用举例:
- 多目标优化算法(MOP);
- 进化算法(EA)(包括遗传算法(GA),免疫算法(IA),模拟退火(SA)算法);
- 集群智能(包括蚁群优化(ACO)算法, 粒子群算法(PSO));
- 神经网络(NNs)系统。
精度分析:
上述的问题中,将社区检测视为优化问题/聚类/分类问题。
1)在进化计算中,精度与目标优化函数有关,当检测复杂网络中的社区结构时,常用的目标函数包括社区评分,模块性,模块密度,归一化互信息等。
2)群体智能算法也是优化算法,通过交叉和变异来获得最优解。群体智能算法的适应度函数的选择与进化算法的选择相同。 尽管可以获得具有相应适应度函数值的最佳网络划分结果,但是由于适应度函数本身的局限性,获得的结果并不总是很准确。 基于群体智能算法的社区检测还通过目标函数的增量优化获得网络分区结果,因此其准确性受到限制。
3)社区检测问题也是一种聚类问题。
4)基于神经网络系统的社区检测方法还不多,需要进一步检验社区检测方法的准确性。
5. Conclusion
本文总结了自然计算启发式方法在社区检测中的应用。 大多数受自然计算启发的方法主要将社区发现问题作为优化问题解决。
然后一堆展望。