Belangrijkste concepten
局所的優位性に基づいて効率的にコミュニティ構造を検出することができる。
Samenvatting
本研究では、ネットワークにおける局所的優位性に着目したコミュニティ検出アルゴリズム(Local Search: LS)を提案している。LSアルゴリズムは以下の特徴を持つ:
- 各ノードは最大1つの親ノードを持つ。親ノードは自身の近傍で最も大きな次数を持つ。これにより、ネットワーク上の局所的な優位性を捉えることができる。
- 局所的な優位性を持つノードを「コミュニティセンター」として識別する。コミュニティセンターは、自身の近傍で最も大きな次数を持ち、かつ他のコミュニティセンターから十分に離れている。
- コミュニティセンターを起点として、ネットワーク全体をコミュニティに分割する。これにより、コミュニティ内部の階層構造も同時に得られる。
- LSアルゴリズムは線形時間で動作し、ネットワーク全体の情報を必要としない。
LSアルゴリズムを合成ネットワークおよび実データに適用した結果、既存手法と比較して高い性能を示すことが確認された。特に、階層的なコミュニティ構造を持つネットワークにおいて優れた性能を発揮する。また、ベクトルデータをネットワーク化してLSアルゴリズムを適用することで、従来のクラスタリング手法を上回る性能が得られることも示された。
Statistieken
ネットワークのノード数Nは34から19,717の範囲にある。
ネットワークの平均次数⟨k⟩は3.48から27.36の範囲にある。
ネットワークの平均最短経路長⟨d⟩は2.397から10.257の範囲にある。
ネットワークの平均クラスタリング係数⟨CC⟩は0.060から0.407の範囲にある。
ネットワークの同質性係数ρは-0.476から0.162の範囲にある。
ネットワークの次数分布のべき指数αは1.415から2.227の範囲にある。
Citaten
"コミュニティセンターは、自身の近傍で最も大きな次数を持ち、かつ他のコミュニティセンターから十分に離れている。"
"LSアルゴリズムは線形時間で動作し、ネットワーク全体の情報を必要としない。"
"LSアルゴリズムを合成ネットワークおよび実データに適用した結果、既存手法と比較して高い性能を示すことが確認された。"