网络社区结构(community structure)的研究在过去的十年间得到了广泛的关注,很多社区发现方法被提出,代表性的方法包括:模块度(modularity)优化方法、clique percolation方法、InfoMap方法等。然而,真实的网络不仅包含社区结构,还具有其他类型的结构规则,譬如,multi-partite structure、hierarchical structure、core-periphery structure等。
现有的网络结构规则分析方法大多“先入为主”的假设网络具有某种类型的结构规则(社区结构、multi-partite结构等),然后有针对性的设计相应的方法来识别这些类型的结构规则。然而,很多情况下,我们并不能事先知道网络具有何种类型的结构规则。当我们对网络结构类型的假设和网络固有的结构规则不匹配时,现有方法的性能大打折扣。另外,网络可能同时包含多种类型的结构规则,很多方法无法同时揭示这些结构规则。
Mark Newman在PNAS上发表论文,提出了网络结构规则的探索式分析方法,该方法认为,同属一个节点组的节点具有相近的连接偏好(connection preference),进而提出了能够同时揭示同配(assortative)结构和异配(disassortative)结构的探索式分析方法。该方法基于一种generative model for network data,采用统计机器学习中的Expectation Maximization方法推断出网络固有的结构规则。另外一类generative model是block model,最近得到了比较多的关注。
我们最近发表在Physical Review E的论文,采用block model来建模network data,并给出了一种探索网络多种结构规则性的方法。和现有方法相比,我们方法的主要优势在于其灵活性,体现在三个方面:1)我们的方法可以揭示多种类型的结构规则性,而且克服了Newman的方法处理网络中多种类型结构并存时存在的不足;2)可以从出边和入边两个角度揭示结构规则,因此能够利用边的方向性;3)当网络固有的结构是社区结构时,其等价于性能很好的已有社区发现方法(link-community)。
论文信息:Hua-Wei
Shen, Xue-Qi Cheng, and Jia-Feng Guo, Exploring the structural regularities in networks, Physical Review E, 84(5): 056111, 2011.
转载本文请联系原作者获取授权,同时请注明本文来自沈华伟科学网博客。 链接地址: https://blog.sciencenet.cn/blog-278651-520482.html
下一篇:
中科院2011年优博论文奖、院长奖等今天上午颁奖