A Local Perspective-based Model for Overlapping Community Detection

要約

グループ間リンクをまばらで密に接続したノードクラスターを識別するコミュニティ検出は、実際のシステムでネットワーク構造と機能を分析するために不可欠です。
GCNに基づくほとんどの既存のコミュニティ検出方法は、主にノードレベルの情報に焦点を当て、コミュニティレベルの機能を見落とし、大規模なネットワークのパフォーマンスの制限につながります。
この問題に対処するために、地域社会の観点から重複するコミュニティ検出モデルであるLQ-GCNを提案します。
LQ-GCNは、Bernoulli-Poissonモデルを採用して、コミュニティの所属マトリックスを構築し、エンドツーエンドの検出フレームワークを形成します。
目的関数としてローカルモジュール性を採用することにより、モデルには地域コミュニティの情報が組み込まれて、クラスタリング結果の品質と精度が向上します。
さらに、従来のGCNSアーキテクチャは、大規模なネットワークで重複するコミュニティを識別する際のモデル機能を改善するために最適化されています。
実験結果は、LQ-GCNが、複数の実際のベンチマークデータセットのベースラインモデルと比較して、正規化された相互情報（NMI）の最大33％の改善とリコールの26.3％の改善を達成することを示しています。

要約(オリジナル)

Community detection, which identifies densely connected node clusters with sparse between-group links, is vital for analyzing network structure and function in real-world systems. Most existing community detection methods based on GCNs primarily focus on node-level information while overlooking community-level features, leading to performance limitations on large-scale networks. To address this issue, we propose LQ-GCN, an overlapping community detection model from a local community perspective. LQ-GCN employs a Bernoulli-Poisson model to construct a community affiliation matrix and form an end-to-end detection framework. By adopting local modularity as the objective function, the model incorporates local community information to enhance the quality and accuracy of clustering results. Additionally, the conventional GCNs architecture is optimized to improve the model capability in identifying overlapping communities in large-scale networks. Experimental results demonstrate that LQ-GCN achieves up to a 33% improvement in Normalized Mutual Information (NMI) and a 26.3% improvement in Recall compared to baseline models across multiple real-world benchmark datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google