Разделение сообщества двусторонней сети на основе увеличения модульности

Аннотация

Двудольные сети представляют собой особый тип графа, состоящий из двух разных типов узлов. Ребра между узлами существуют только между узлами разных типов. Разделение сообществ является важным звеном в сетевом анализе, которое предполагает разделение узлов сети на несколько кластеров или сообществ, чтобы лучше понять и выявить структурные и функциональные характеристики сети. Для двусторонних сетей разделение сообщества может помочь понять, насколько тесные взаимосвязи формируются между различными типами узлов.
Структура двусторонней сети используется во многих областях. Из-за ее уникальных структурных характеристик традиционные методы разделения сообществ часто не могут быть напрямую применены к двусторонним сетям, что делает предлагаемое исследование разделения сообществ двусторонних сетей более значимым. Основная задача этого исследования — разработать новый алгоритм разделения сообщества, основанный на приращении модульности. Этот алгоритм призван преодолеть ограничения существующих методов BRIM и повысить точность и эффективность разделения сообщества в двудольных сетях. Модульность является важным индикатором качества разделения сети, а степень модульности принимает значение от -1 до 1. Когда значение положительное, структура сообщества более плотная, чем случайная сеть, а когда значение отрицательное, структура сообщества менее плотная, чем случайная сеть.
В ходе работы решались следующие проблемы: во-первых, как определить и рассчитать приращение модульности в двудольных сетях; во-вторых, как разработать эффективный алгоритм для максимизации приращения модульности для достижения наилучшего эффекта разделения сообщества; наконец, как проверить эффективность и превосходство нового алгоритма в разделении сообществ двудольных сетей.
Результаты исследований показывают, что новый алгоритм хорошо работает при разделении двусторонних сетевых сообществ, повышает точность и эффективность разделения сообществ и может более эффективно выявлять структурные характеристики сети, тем самым предоставив мощный инструмент анализа в смежных областях.