Core Concepts
Wir stellen Verbesserungen zu bekannten Algorithmen für die Gemeinschaftserkennung vor, nämlich dem Spektralverfahren von Newman und dem Louvain-Algorithmus. Unser Verfahren verwendet Zufallsspaziergänge anstelle der zeitaufwendigen Berechnung von Eigenwerten, um die Cluster zu verfeinern.
Abstract
In dieser Arbeit stellen wir Verbesserungen zu bekannten Algorithmen für die Gemeinschaftserkennung in Netzwerken vor.
Zunächst präsentieren wir einen neuen Algorithmus, den Random Walk Graph Partition Algorithm, der dem Spektralverfahren von Newman ähnelt, aber Zufallsspaziergänge anstelle der Berechnung von Eigenwerten verwendet. Dieser Algorithmus ist effizienter als das Spektralverfahren.
Außerdem schlagen wir eine Erweiterung des Louvain-Algorithmus vor, den Random Walk Graph Partition Louvain Algorithm. Dieser fügt dem Louvain-Algorithmus eine zusätzliche Phase hinzu, in der der Random Walk Graph Partition Algorithm verwendet wird, um die Cluster weiter zu verfeinern. Dieser Algorithmus behält die Effizienz des Louvain-Algorithmus bei, ist aber besonders effektiv für Netzwerke mit unklarer Gemeinschaftsstruktur.
Wir führen Experimente mit zufällig generierten Graphen und realen Datensätzen durch, um die Robustheit und Effektivität unserer Algorithmen zu validieren.
Stats
Die durchschnittliche Knotengrad ist E[k] = pin(g - 1) + poutg(l - 1).
Alle Gemeinschaften haben die gleiche Größe.
Alle Knoten haben näherungsweise den gleichen Grad, da jede Gemeinschaft wie ein Erdős-Rényi-Graph ist.
Quotes
"Wir werden Verbesserungen zu bekannten Algorithmen für die Gemeinschaftserkennung vorstellen, nämlich dem Spektralverfahren von Newman und dem Louvain-Algorithmus."
"Unser Verfahren verwendet Zufallsspaziergänge anstelle der zeitaufwendigen Berechnung von Eigenwerten, um die Cluster zu verfeinern."