网络模块识别已20年
网络分析过程中，一个最基本的技术挑战是自动识别网络社区或模块，所谓网络社区或模块是指一群高度相连的节点或者共享相似特性或功能的节点。网络模块识别的直观图可参见图1所示。
图1 每一种颜色代表一个模块。每一个节点代表一个脸书用户，边代表好友关系，识别算法为InfoMap[2]
网络模块是洞察和理解网络数据的有效途径，因此20年来一直是网络分析的重要方法。网络模块识别方法主要分为三大类：基于优化的方法、基于统计推理的方法、随机游走方法。所识别的网络模块，根据网络的完整性，可分为全局和局部网络模块。
目前，网络模块识别方法种类繁多，需要构建基准或者进行大规模比较研究才能够挑选整体性能较好的网络模块识别方法。通常而言，网络模块识别方法性能比较主要基于恢复人为基准网络内蕴含的已知模块为度量标准。至今，恢复真实网络内蕴含的已知模块作为度量标准成为网络模块识别方法性能比较的新趋势。
一般而言，不同网络模块的节点具有排斥性，即每个节点只能隶属于一个模块，不能够同时隶属于多个模块。然而，在真实世界，某些节点实际上能够同时隶属于多个网络模块。因此，有必要研究网络模块的重叠性、层次性、嵌入性。
网络模块识别虽然已经有20年，但是其研究仍然火热和持续推进。开发新算法，尤其是提高精度、改善性能和识别效率的网络模块识别算法将是未来挑战之一。其次，开发网络结构的新统计模型，例如基准网络统计模型和其他一般结构的推理算法模型，也是未来挑战之一。最后，网络模块识别算法在不同领域（例如物理学、生物学、工程学、计算机科学和社会科学等）的应用将有助于揭示不同领域网络数据的结构。20年来，网络模块识别评述的详细情况可参见参考文献[1]（图2）。
图2 《20 years of network community detection》论文
参考文献
[1] Fortunato, S., Newman, M.E.J. 20 years of network community detection. Nat. Phys. 18, 848–850 (2022). https://doi.org/10.1038/s41567-022-01716-7
[2] Rosvall M, Bergstrom CT. Maps of random walks on complex networks reveal community structure. Proc Natl Acad Sci U S A. 2008 Jan 29;105(4):1118-23. doi: 10.1073/pnas.0706851105.
以往推荐如下：
2. Any RNA
3. 癌症内RNA
4. 一对搭档：计算与生物
5. miRNA组学
7. 细胞通讯推理框架
10. 环状RNAs与衰老
11. 生物网络的关系推断
转载本文请联系原作者获取授权，同时请注明本文来自张俊鹏科学网博客。
链接地址：https://wap.sciencenet.cn/blog-571917-1353322.html?mobile=1
收藏
