Node-attributed community detection

Abstract

Complex systems surround us in our everyday lives and their understanding can bring crucial insights into many fields. These systems consist of components (also known as communities) tied together. This thesis focuses on community detection in node- attributed networks, which are networks with some extra information about nodes. At first, we introduced the necessary terminology and provided an overview of node- attributed benchmarks used for testing. Then we studied the setting of the benchmark and algorithm parameters and discussed the obtained results. The analysis was made on synthetic networks and focused on the impact of the benchmark and algorithm parameters on the results, which we then discussed. In particular, we have found that the algorithms are less influenced by mixing parameter when the size of the network is bigger. We also confirmed our expectation, that results will be negatively influenced by higher mixing and noise parameters. 1

Komplexní systémy nás obklopují v našem každodenním životě a jejich pochopení může přinést užitečný vhled do mnoha oblastí. Tyto systémy se skládají z komponent (také známých jako komunity), které jsou vzájemně propojené. Tato práce se zaměřuje na detekci komunit ve vrcholově ohodnocených grafech. V naší práci jsme nejprve představili nezbytnou terminologii a poskytli přehled bench- marků využívaných pro testování algorithmů. Poté jsme studovali nastavení parametrů benchmarku a algoritmu a diskutovali získané výsledky. Celá analýza byla provedena na uměle vygenerovaných sítích se zaměřením na dopad parametrů benchmarku a algoritmů na výsledky. Tyto výsledky jsme následně podrobně rozebrali. Zejména jsme zjistili, že algoritmy jsou méně ovlivněny parametrem týkajícího se poměru komunitních hran, když je velikost sítě větší. Potvrdili jsme také naše očekávání, že výsledky budou negativně ovlivněny vyššími hodnotami šumu. 1