051-社区检测算法之“模块最大化”【萌萌家】.pdf

051|社区检测算法之“模块最大化”

2017-12-29洪亮劼来自北京

《AI技术内参》

一起来回顾下本周的内容。周一我们介绍了用图（Graph）来表达网页与网页之间的关系并计

算网页的重要性，就是经典的PageRank算法。周三我们介绍了PageRank的一个姊妹算

法，HITS算法，并且分析了这两种算法的内在联系，这两类算法都希望给网页赋予一个权重

来表达网页的重要性。

今天，我们来看一类完全不一样的网页分析工具，那就是希望把网页所代表的图分割成小块的

图，或者叫图聚类，每个小聚类代表一个“社区”。这类分析有时候被称作图上面的“社区检

测”（CommunityDetection），意思就是从一个图上挖掘出潜在的社区结构。

社区检测的简要历史

提到社区检测就不得不提到这么一位学者，他与我们今天要介绍的算法有非常紧密的联系，而

且他的研究在2000年~2010年间成了社区检测研究的标杆，影响了后续的大量研究工作。

这位学者就是密歇根大学（UniversityofMichigan）的物理学教授马克·纽曼（Mark

Newman）。

1991年，纽曼从牛津大学获得理论物理博士学位。在接下来的10年里，他在康奈尔大学和

圣塔菲学院（SantaFeInstitute）分别担任博士后研究员和研究教授。2002年，纽曼来到密

歇根大学物理系担任教授，并且一直在这里进行网络科学（NetworkScience）的基础研究。

2006年，纽曼在《物理评论》杂志上发表了一个叫“模块最大化”（Modularity

Maximization）的社区检测算法。从某种程度上来说，这个算法很快就成了社区检测的标准

算法，吸引了研究领域的广泛关注，激发了大量的针对这个算法的分析和研究。对这个算法的

最原始论述，请参阅参考文献[1]和[2]。

今天我们就来讲一讲这个“模块最大化”算法的基本原理。

模块最大化的基本原理

在我们讲解模块最大化算法之前，我们先来看一看“社区”的含义。在图分析以及网络科学

中，“社区”定义为一组结点，它们互相之间的联系比它们跟社区之外结点的联系要更加紧

密。你可以注意到，在这个定义中，什么叫紧密，怎么来衡量“更紧密”这个关系都是没有说

明的，这就为各类社区检测算法或模型带来了很大的发挥空间。

社区检测（有时候也说社区发掘）算法的核心就是要根据给定的一组结点和它们之间的关系，

在无监督的情况找到这些社区，并分配哪些结点属于哪个社区。

我们先来谈一谈“模块最大化”的一个整体思路。这里，我们讨论一种简化的情况，那就是如

何把一个网络分割成两个社区。首先，算法按照某种随机的初始化条件，把网络分成两个社

区。然后，算法逐一检查每一个结点，看如果把这个点划归到另外一个社区的话，会不会增加

“模块化”这个目标函数。最终，算法决定改变那些能够最大化模块化目标的结点的社区赋

值。然后整个算法不断重复这个过程，直到社区的赋值不再发生变化。

现在我们来讨论一下模块化这个目标函数。根据上面提到的社区含义，我们希望社区里结点之

间的联系紧密。在模块化目标函数里，就表达为两个结点的连接数目减去这两个结点之间的

“期望连接数”。模块化最大化说的就是，对于同一个社区中的所有结点，我们希望这个差值

的和最大化。什么意思呢？就是说，如果我们把两个结点放到一个社区中，那它们的连接数

（其实就是1或者0）要足够大于它们之间的连接数的期望值，这就解决了我们刚才所说的如

何来衡量“更加紧密”的难题。

那么，怎么来定义两个结点之间的“期望连接数”呢？最初纽曼在介绍模块最大化的时候，他

给出了这么一个计算方法。那就是，用两个结点各自的总连接数相乘，除以整个网络的总连接

数的2倍。直观上说，这是在衡量这两个结点之间出现任何连接的可能性。

那么，整个模块最大化的目标函数就是，针对现在网络中的所有结点，根据它们是否在同一个

社区，我们计算他们两两之间的模块化数值，也就是它们之间的连接减去“期望连接数”，最

后对所有的两两配对进行加和。我们希望这个目标函数最大化，这个目标函数中的未知数，就

是社区的分配，也就是哪个结点属于哪个社区。一旦社区的分配已知，整个模块最大化这个目

标函数的数值就可以很容易地计算出来。

那么如何得到这些社区的分配呢？和我们之前介绍的PageRank以及HITS的思路类似，纽曼

使用了矩阵的表达方法对整个模块最大化进行了一个重构，经过一系列代数变形之后[1]，纽

曼得到了一个新的目标函数，那就是一个向量s的转置，乘以一个矩阵B，然后再乘以向量

s，最后除以4倍的网络