Fast unfolding of communities in large networks 中文翻译

Blondel V D, Guillaume J L, Lambiotte R, et al. Fast unfolding of communities in large networks[J]. Journal of statistical mechanics: theory and experiment, 2008, 2008(10): P10008.

摘要

我们提出了一种简单的方法来提取大型网络的社区结构。 我们的方法是一种基于模块化优化的启发式方法。 在计算时间方面优于所有其他已知的社区检测方法。 此外，通过所谓的模块化衡量，所检测到的社区的质量非常好。 这首先是通过识别比利时260万用户的移动电话网络中的语言社区，并分析由1.18亿个节点和10亿多个链接组成的网络图来显示的。我们的算法的准确性也在自组织模块化网络上得到了验证。

Keywords

Random graphs, networks;Critical phenomena of socio-economic systems; Socio-economic networks
(随机图，网络；社会经济系统的关键现象；社会经济网络)

1 引言

社会、技术和信息系统通常可以用复杂的网络来描述，这些网络具有结合了组织和随机性的互连节点拓扑[1，2]。社交网络服务、移动电话网络或网络等大型网络的典型规模现在以百万计，而不是数十亿个节点，这些规模需要新的方法来从其结构中检索全面的信息。一个有前途的方法是将网络分解为子单元或社区，它们是一组高度互联的节点[3]。识别这些社区至关重要，因为它们可能有助于发现先验未知的功能模块，如信息网络中的主题或社交网络中的网络社区。此外，最终的元网络(其节点是社区)可用于可视化原始网络结构。

社区检测问题需要将网络划分为由密集连接的节点组成的社区，属于不同社区的节点只有稀疏连接。众所周知，这个优化问题的精确公式在计算上是难以处理的。因此，已经提出了几种算法来以相当快的方式找到相当好的分区。近年来，由于大型网络数据集的可用性不断提高以及网络对日常生活的影响，对快速算法的搜索引起了人们的极大兴趣。人们可以区分几种类型的社区检测算法：分裂算法检测社区间的链接并将其从网络中移除[4，5，6]，凝聚算法递归地合并相似的节点/社区[7]，优化方法基于目标函数的最大化[8，9，10]。由这些方法产生的分区的质量通常由所谓的分区模块化来衡量。分区的模块化是一个介于-1和1之间的标量值，它衡量社区内部的链接密度，而不是社区之间的链接密度[4，11]。在加权网络的情况下(加权网络是指其链路上具有权重的网络，例如两个移动电话用户之间的通信数量），如[12]的定义

$$Q=\frac{1}{2m}\sum _{i,j}[A_{ij}-\frac{k_j{k}_j}{2m}]\delta (c_i,c_j)$$

其中$A_{ij}$表示 $i$ 和 $j$ 之间的边的权重，$k_i$