A Modification to Improve the Realism of Networks Generated with the LFR Model

Proposition d’une modification du modèle LFR pour un meilleur réalisme des réseaux générés

Günce Keziban , Vincent Labatut (1)

1 LIA - Laboratoire Informatique d'Avignon

Community detection consists in searching cohesive subgroups of nodes in complex networks. It has recently become one of the domain pivotal questions for scientists in many different fields where networks are used as modeling tools. Algorithms performing community detection are usually tested on real, but also on artificial networks, the former being costly and difficult to obtain. In this context, being able to generate networks with realistic properties is crucial for the reliability of algorithms testing. Recently, Lancichinetti et al. [1] designed a method called LFR, able to produce realistic networks with a community structure, and power law distributed degrees and community sizes. However, other realistic properties such as degree correlation and transitivity are missing. In this work, we propose a modification of the LFR model, based on the preferential attachment model, in order to remedy this limitation. We analyze the properties of the generated networks and compare them to the original approach. We then apply different community detection algorithms and observe significant changes in their performances when compared to results on networks generated with the original approach.

La détection de communauté consiste à rechercher des sous-ensembles de noeuds densément connectés dans des réseaux complexes. Il s’agit d’une problématique centrale pour des chercheurs issus des nombreux domaines différents dans lesquels les réseaux complexes sont utilisés comme outil de modélisation. Les algorithmes de détection de communauté sont généralement testés à la fois sur des réseaux réels et artificiels. Les premiers sont plus difficiles et coûteux à obtenir, tandis que le niveau de réalisme des derniers a un effet direct sur la fiabilité des tests. Récemment, Lancichinetti et al. [1] ont défini un modèle appelé LFR, qui permet de produire des réseaux possédant une structure de communauté, ainsi que des degrés et des tailles de communautés distribués selon une loi de puissance. Cependant, d’autres propriétés observées dans un grand nombre de réseaux réels sont manquantes, telles qu’une corrélation de degré non-nulle et une transitivité élevée. Dans cet article, nous proposons une modification du modèle LFR basée sur le modèle d’attachement préférentiel, afin de résoudre cette limitation. Nous analysons les propriétés des réseaux générés et les comparons à ceux obtenus avec la méthode originale. Nous appliquons ensuite différents algorithmes de détection de communauté à ces réseaux et observons des modifications significatives dans leurs performances, comparées à celles obtenus sur les réseaux issus de LFR.

Mots clés: Complex Networks; Community Detection; Random Networks; Networks Generation; Networks Properties

Mots clés: Réseaux complexes; Détection de communauté; Réseaux aléatoires; Génération de réseaux; Propriétés des réseaux

Domaines: Réseaux sociaux et d'information [cs.SI]

Günce Keziban, Vincent Labatut. A Modification to Improve the Realism of Networks Generated with the LFR Model. [Research Report] TR201002121, Université Galatasaray. 2010. ⟨hal-01863318⟩