基于稀疏线性编码的网络社区检测（2015）

参考论文Subspace Based Network Community Detection Using Sparse Linear Coding

摘要

最现有社区检测算法是图论的，在社区内部与社区间边的比例较低的情况下，缺乏准确的社区边界检测能力。另外，基于算法的在模块性最大化方面，如果社区规模变化很大，则可能无法解决小于特定规模的社区。

在本文中，我们提出了一个从根本上不同的社区判断。基于每个网络社区有一个不同的子空间这一事实的算法。因此，每个节点只能有效地表示为节点的线性组合在同一子空间。为了提高社区检测的鲁棒性，我们采用了具有1范数约束的稀疏线性编码。为了找到每个节点的社区标签，使用稀疏的谱聚类算法。

现有的社区检测算法大多直接操作在邻接矩阵上，邻接矩阵编码每个节点的局部网络结构。然而，在大多数这些技术中，网络不是全局映射到一个空间，而是映射为局部或离散的，一次只考虑两个节点。相反，在目前的工作中，我们建议将网络映射到一个连续的高维空间。我们将社区定义为高维空间中跨越同一子空间的一组节点，一个社区与另一个社区是根据每个社区的子空间的不同来区分的。
，我们用一个测地距离向量来表示每个节点，然后用稀疏线性编码来计算一个基于每个节点的子空间的邻近矩阵，将线性系数矩阵作为谱聚类算法的邻近矩阵[15]。

节点的稀疏线性分解

稀疏子空间社区检测