Подход к обнаружению сообщества в динамических сетях, основанный на принудительной неотрицательной матричной факторизации

Выявление структур сообщества в сетевой динамике важно для анализа сети относительно: скрытой структуры, понимания функций, прогнозирования развития, обнаружения необычных событий. В рассмотренных научных исследованиях рекомендуется использовать различные подходы к динамическому обнаружению сообщества. Однако из-за сложности настройки параметров, высокой временной сложности и снижения точности обнаружения по мере увеличения временного интервала распознавание состава сообщества в динамических сетях усложняется. Рассмотрены основные схемы, принципы, свойства и методы моделей латентных факторов, а также их системные модификации, обобщения и расширения. Основное внимание уделено теоретическим и экспериментальным исследованиям моделей латентных факторов за последние десять лет. Скрытая факторная модель — неотрицательная матричная факторизация, считается одной из наиболее успешных для идентификации сообщества и направлена на раскрытие распределенного представления более низкого измерения с целью определения членства в узле сообщества. Модели основаны на реконструкции сети из представлений узлов при условии, чтобы представление обладало особыми желательными качествами (например, не отрицательностью). Цель работы — получить экспериментальный и теоретический сравнительные анализы подходов со скрытым фактором, используемых для обнаружения сообществ в динамических сетях. Разработана общая и улучшенная неотрицательные матричные модели, основанные на факторизации для получения надежных результатов обнаружения сообщества в динамических сетях. Полученные результаты рассчитаны на основе экспериментов, проведенных на языке программирования Python. Предложенная методология моделей сфокусирована на динамике информации, для количественной оценки распространения информации между задействованными узлами. Отличие предложенной модели от существующих состоит в получении топологической информации сети первого порядка, описываемой ее матрицей смежности, без учета распространения информации между узлами. Предложено создание единой современной структуры, предназначенной для концепции неотрицательной матричной факторизации, которая может быть полезна для будущих исследований.

1. Girvan M., Newman M.E.J. Community structure in social and biological networks. Proceedings of the National Academy of Sciences of the United States of America, 2002, vol. 99, no. 12, pp. 7821–7826. https://doi.org/10.1073/pnas.122653799

2. Wang Y., Zhang Y. Nonnegative Matrix Factorization: A comprehensive review. IEEE Transactions on Knowledge and Data Engineering, 2013, vol. 25, no. 6, pp. 1336–1353. https://doi.org/10.1109/TKDE.2012.51

3. Yang J., Leskovec J. Overlapping community detection at scale: A nonnegative matrix factorization approach. Proc. of the 6th ACM International Conference on Web Search and Data Mining (WSDM), 2013, pp. 587–596. https://doi.org/10.1145/2433396.2433471

4. Wang F., Li T., Wang X., Zhu S., Ding C. Community discovery using nonnegative matrix factorization. Data Mining and Knowledge Discovery, 2011, vol. 22, no. 3, pp. 493–521. https://doi.org/10.1007/s10618-010-0181-y

5. Gao F., Yuan L., Wang W. Dynamic community detection using nonnegative matrix factorization. Proc. of the International Conference on Computing Intelligence and Information System (CIIS), 2017, pp. 39–45. https://doi.org/10.1109/CIIS.2017.56

6. Ye Z., Zhang H., Feng L., Shan Z. CDCN: A new NMF-based community detection method with community structures and node attributes. Wireless Communications and Mobile Computing, 2021, pp. 5517204. https://doi.org/10.1155/2021/5517204

7. Yang K., Guo Q., Liu J.Q. Community detection via measuring the strength between nodes for dynamic networks. Physica A: Statistical Mechanics and its Applications, 2018, vol. 509, pp. 256–264. https://doi.org/10.1016/j.physa.2018.06.038

8. Lin Y.R., Chi Y., Zhu S., Sundaram H., Tseng B.L. Facetnet: A framework for analyzing communities and their evolutions in dynamic networks. Proc. of the 17th International Conference on World Wide Web, 2008, pp. 685–694. https://doi.org/10.1145/1367497.1367590

9. Lu H., Sang X., Zhao Q., Lu J. Community detection algorithm based on nonnegative matrix factorization and pairwise constraints. Physica A: Statistical Mechanics and its Applications, 2020, vol. 545, pp. 123491. https://doi.org/10.1016/j.physa.2019.123491

10. Lee D., Seung H.S. Learning the parts of objects with non-negative matrix factorization. Nature, 1999, vol. 401, no. 6755, pp. 788–791. https://doi.org/10.1038/44565

11. Cai D., He X., Han J., Huang T.S. Graph regularized nonnegative matrix factorization for data representation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2011, vol. 33, no. 8, pp. 1548–1560. https://doi.org/10.1109/TPAMI.2010.231

12. Chung F.R.K. Spectral Graph Theory. Published for the Conference Board of the mathematical sciences by the American Mathematical Society, 1997, 108 p.

13. Yu W., Wu H., Jiao P., Wu H., Sun Y., Tang M. Modeling the local and global evolution pattern of community structures for dynamic networks analysis. IEEE Access, 2019, vol. 7, pp. 71350–71360. https://doi.org/10.1109/ACCESS.2019.2920237

14. Shafia, Chachoo M.A. Social network analysis based criminal community identification model with community structures and node attributes. Proc. of the 4th International Conference on Smart Systems and Inventive Technology (ICSSIT), 2022, pp. 334–339. https://doi.org/10.1109/ICSSIT53264.2022.9716286

15. Ma X., Dong D. Evolutionary nonnegative matrix factorization algorithms for community detection in dynamic networks. IEEE Transactions on Knowledge & Data Engineering, 2017, vol. 29, no. 5, pp. 1045–1058. https://doi.org/10.1109/TKDE.2017.2657752

16. Jiao P., Yu W., Wang W., Li X., Sun Y. Exploring temporal community structure and constant evolutionary pattern hiding in dynamic networks. Neurocomputing, 2018, vol. 314, pp. 224–233. https://doi.org/10.1016/j.neucom.2018.03.065

17. Liu H.-F., Yuan L.-M.-Z. Community detection in temporal networks using triple nonnegative matrix factorization. DEStech Transactions on Computer Science and Engineering, 2017. https://doi.org/10.12783/dtcse/mmsta2017/19682

18. Wang T., Liu Y., Xi Y.-Y. Identifying community in bipartite networks using graph regularized-based non-negative matrix factorization. Journal of Electronics and Information Technology, 2015, vol. 37, no. 9, pp. 2238–2245. (in Chinese). https://doi.org/10.11999/JEIT141649

19. Newman M.E.J. Modularity and community structure in networks. Proceedings of the National Academy of Sciences of the United States of America, 2006, vol. 103, no. 23, pp. 8577–8582. https://doi.org/10.1073/pnas.0601602103

20. Blondel V.D., Guillaume J.L., Lambiotte R; Lefebvre E. Fast unfolding of communities in large networks. Journal of Statistical Mechanics: Theory and Experiment, 2008, pp. P10008. https://doi.org/10.1088/1742-5468/2008/10/P10008

21. Nguyen N.P., Dinh T.N., Tokala S., Thai M.T. Overlapping communities in dynamic networks: their detection and mobile applications // Proc. of the 17th Annual International Conference on Mobile Computing and Networking, MobiCom’11 and Co-Located Workshops. 2011. P. 85–95. https://doi.org/10.1145/2030613.2030624

22. He D., Jin D., Baquero C., Liu D. Link community detection using generative model and nonnegative matrix factorization. PLoS ONE, 2014, vol. 9, no. 1, pp. e86899. https://doi.org/10.1371/journal.pone.0086899

23. Bashir S., Chachoo M.A. Community detection in online social networks: models and methods, a survey. Gedrag & Organisatie Review, 2020, vol. 33, pp. 1164–1175. https://doi.org/10.37896/gor33.03/498

24. Wang S., Li G., Hu G., Wei H., Pan Y., Pan Z. Community detection in dynamic networks using constraint non-negative matrix factorization. Intelligent Data Analysis, 2020, vol. 24, no. 1, pp. 119–139. https://doi.org/10.3233/IDA-184432

25. Lu H., Zhao Q., Sang X., Lu J. Community detection in complex networks using nonnegative matrix factorization and density-based clustering algorithm. Neural Processing Letters, 2020, vol. 51, no. 2, pp. 1731–1748. https://doi.org/10.1007/s11063-019-10170-1

26. Zachary W.W. An information flow model for conflict and fission in small groups. Journal of Anthropological Research, 1977, vol. 33, no. 4, pp. 452–473. https://doi.org/10.1086/jar.33.4.3629752

27. Lusseau D., Schneider K., Boisseau O.J., Haase P., Slooten E., Dawson S.M. The bottlenose dolphin community of doubtful sound features a large proportion of long-lasting associations. Behavioral Ecology and Sociobiology, 2003, vol. 54, no. 4, pp. 396–405. https://doi.org/10.1007/s00265-003-0651-y

28. McAuley J., Leskovec J. Learning to discover social circles in ego networks. Advances in Neural Information Processing Systems, 2012, vol. 1, pp. 539–547