A Higher-Order Community Detection Algorithm Based on Motif-Based Modularity Optimization

基于模体的高阶社区检测有助于揭示复杂网络的高阶组织结构及功能特性^[9]，近年来逐渐获得广泛关注，涌现出多种典型的代表性方法^[9-16]。如文献[9]构建的模体传导(motif conductance)函数用于评估高阶社区结构质量，并通过扩展的谱图聚类方法获得近似最优的高阶社区划分。该研究提出的广义高阶聚类框架，广泛应用于基于模体的高阶社区检测。在此基础上，文献[12]提出了三角形模体传导函数及基于三角形模体的谱聚类算法TECTONIC。该算法根据网络连边参与三角形模体的数目进行加权，并通过最小割三角形模体数量以获得高阶社区划分。除上述典型谱聚类算法外，文献[13]提出一种基于模体的图嵌入方法LinLog-Motif，在基于模体的加权网络上，通过结合模体的力导引嵌入方法，将加权网络映射到低维空间，并采用K均值聚类获得高阶社区划分。文献[14]提出了一种基于边增强的模体社区检测方法EdMot，在模体超图的前K个最大连通片上，通过添加边集强化原始网络中模体连通部分，再利用经典的Louvain方法^[12]获取基于模体的社区结构。EdMot能有效克服模体社区检测中存在的网络不连通及孤立节点问题。文献[15]提出了一种基于模体的加权标签传播算法MWLP，综合考虑模体高阶结构特征与边低阶结构特征为网络连边加权，并通过标签传播获得基于模体的高阶社区结构。

上述方法虽然对模体信息的处理方式不同，但均已证明能够从复杂网络中有效检测出基于模体的高阶社区结构。然而，上述方法通过优化基于模体的社区评价函数，如模体传导函数^[9,12]，以获得高阶社区结构的过程，本质上属于典型的NP难优化问题，求解较为困难。现有算法中采用的启发式或谱优化方法，存在容易早熟收敛的问题，难以获取全局最优的高阶社区划分。此外，现有算法在模体高阶结构信息利用过程中，容易忽略节点和连边等低阶结构信息，造成孤立节点和连通碎片。最后，部分算法需要预先设定社区数目，如Motif-SC^[9]和TECTONIC^[12]等，在真实网络环境下通常难以实现。

模块度优化是最典型的复杂网络社区检测方法之一，尽管受到分辨率限制问题的影响，但由于具有精确度高、可移植性强等优势，广泛应用于真实世界网络的社区结构发现^[16-20]。模块度优化的NP难特性使其求解较为困难，在过去几十年的研究中，大量元启发式优化算法被采用并作为优化策略^[19-20]，以提高模块度全局最优化性能。如新兴的蝙蝠算法^[21]和果蝇优化算法^[22]等生物启发式算法，以及状态转移算法^[23]和火势蔓延算法^[24]等自然启发式算法。元启发式优化算法由于具有基于种群的并行计算、自组织、有效结合网络结构信息及自动确定社区数目等优点，为模块度优化提供了良好的优化策略支持。

基于元启发式算法的模块度优化方法，已成功地用于求解传统低阶社区的检测问题，但其极少被用于模体高阶社区的检测。分析该类方法的应用主要包括两项关键因素：1)高阶社区检测中的结构单元由节点(或连边)变为模体，因此首先要解决网络中的模体结构信息的挖掘和表示，以构建高阶模块度优化模型；2)利用元启发式算法进行模块度优化的过程中，需有效结合网络中基于模体的高阶结构信息，以及基于节点、连边的低阶结构信息，以保证社区划分的完整性并提高检测性能。

模体是复杂网络中规模较小但统计意义上显著的子图，作为网络节点之间最普遍的高阶连接和交互模式，通常对应于复杂网络中特定的功能特性^[9,11]。不失一般性，以无向无权图G=(V,E)为例，|V|=n代表节点集合，|E|=m代表边集合。图G中的单个模体可由元组(M,V(M))表示，其中M为单个特定模体，V(M)表示组成模体M的节点集合，|V(M)|为模体M中包含的节点数目，即模体M的阶数，如|V(M)|=3代表M为包含3个节点的3阶模体。图G中模体M的实例集合可表示为S(M)={H|H is a subgraph of G, H$ \cong $M}，其中$ H \cong M $表示图G中与M同构的子图^[9]。

研究主要考虑无向无权网络中最普遍的8种三阶和四阶模体，如图1所示。图1中的三阶模体包括M₁和M₂，四阶模体包括M₃～M₈，其中三角形模体M₁被认为是社交网络和生物网络中的重要模体结构^[9,11]，也是现有基于模体的高阶社区检测方法中最普遍使用的模体结构^[9-16]。

复杂网络中基于模体的高阶社区检测，可看作是对传统社区检测的自然扩展^[9]。不失一般性，检测图G中基于模体M的高阶社区结构，实质是将G中的节点划分为若干社区，并使同一社区内的模体连接尽可能紧密，而不同社区之间的模体连接尽可能稀疏^[9-16]。基于上述定义，图G中基于模体M的一个社区划分可表示为C={C₁,C₂,···,C_k}且$V = \displaystyle\bigcup\nolimits_{i = 1}^k {{C_i}} $，其中k代表社区数目，C_i代表第i个社区内的一组节点。在基于模体M的非重叠社区划分中，单个模体实例H仅能隶属于一个社区，意味着H所涉及的所有节点隶属于同一社区，即：

为提升基于模体的高阶社区检测性能，提出一种基于模体的模块度优化方法MMHCD。首先，量化并表示出网络模体的数量及分布，将基于模体的高阶信息嵌入网络中作为节点间的权重。在此基础上，将基于模体的高阶社区检测问题，转化为加权网络上的模块度优化问题进行求解。其次，为提升NP难加权模块度的全局最优化性能，尽可能获得逼近全局最优的高阶社区划分，一方面采用典型元启发式算法为优化策略，逼近全局最优解；另一方面综合利用网络中节点邻域内的低阶拓扑结构和高阶权重信息，通过节点邻域社区修正操作和局部搜索操作，进一步提升优化所得的种群个体质量，辅助优化策略提升全局优化性能。

为实现基于模体的高阶社区检测，先将网络中隐含的模体数量及分布信息表示为网络节点之间的权重，并在加权后的网络上构建模块度优化模型。

考虑到网络中任意两节点共同参与的模体实例的个数，反映了其之间高阶连接的紧密性，因此将其作为节点间的高阶权重。两节点共同参与的模体实例数目越多，表示其之间基于模体的高阶连接越紧密，因此对应权重越大，且越有可能划分到同一社区。以无向无权图G=(V,E)为例，基于特定模体M为网络加权，并构建模块度优化模型。首先基于图G及模体M的拓扑结构，可获得图G基于M的模体邻接矩阵W_M=[w_ij]^n×n，其中元素w_ij代表节点i和j共同参与基于模体M的实例H数目：

当元素w_ij为0时，代表节点i和j没有共同参与任何模体实例，即使两节点之间存在连边。基于图G的模体邻接矩阵W_M=[w_ij]^n×n为图G中连边加权，即可构建出加权网络G_W=(V,E,W_M)。如图2所示，由于节点1和3共同参与两个模体实例，包括{1,2,3}和{1,3,4}，因此连边e₁₃权重赋值为w₁₃=2；节点4和5由于共同参与模体实例数目为0，因此连边e₄₅权重赋值为w₄₅=0。

上述基于节点共同参与模体数目的加权方式，可在不丢失或虚增网络拓扑连接的前提下，有效表示出网络中隐含的模体分布和数量信息。

在基于模体高阶信息构建的加权网络中，为获取网络中的高阶社区结构，需促使权重大(高阶连接紧密)的节点对划分到同一社区，权重小(高阶连接稀疏)的节点对划分到不同社区。换言之，同一社区内的权重分布尽可能集中，不同社区间的权重分布尽可能稀疏，而该种社区划分可通过加权模块度优化方法实现。此外，由于模体高阶权重能够衡量节点间的连接紧密性，有助于克服模块度优化中的分辨率限制问题，从而提升检测性能。基于上述分析，在基于模体M加权后的加权网络G_W=(V,E,W_M)上构建加权模块度优化模型，即以加权模块度函数Q_W^[25]为目标函数的全局最大化问题：

式中，C={C₁,C₂,···,C_k}，C∈Ω代表搜索空间$ \varOmega $中的任一可行社区划分，k为社区数目。目标函数加权模块度Q_W定义为：

式中，$\left| W \right| = \dfrac{1}{2}\displaystyle\sum\nolimits_{ij} {{w_{ij}}} $为图G中所有连边权重之和；${s_i} = \displaystyle\sum\nolimits_{j \in {N_i}} {{w_{ij}}} $代表节点i的强度，即与节点i相连所有边上的权重总和；C_i和C_j分别表示节点i和j所属的社区，i,j∈{1,2,···,k}；δ(C_i,C_j)为罚函数，当节点i和j属于同一社区，其值为1，否则为0。Q_W最大化时对应的社区划分C*作为为加权网络G_W的最优社区划分输出，即原始网络G上基于模体M检测所得的高阶社区划分。

基于上述模型，提出基于模体的加权模块度优化算法MMHCD，具体流程如算法1所示。为尽可能逼近加权模块度优化问题的全局最优解，一方面采用求解NP难优化问题高效的元启发式优化算法作为优化策略；另一方面充分利用网络中节点邻域内的低阶结构和高阶权重信息。

算法1　MMHCD算法框架

输入：原始网络G(V,E)，邻接矩阵A，模体M，种群规模NP，最大迭代次数t_max

输出：最优社区划分C*

基于模体M生成模体邻接矩阵W_M及加权网络G_W

构建初始种群P=[X₁,X₂,···,X_NP]

for t=0 to t_max do

　元启发式优化算法更新种群P生成P_OPT

　邻域社区修正LH-NCM操作更新P_OPT生成P_WNCM

　邻域社区局部搜索NCLS操作更新P_WNCM生成P_NCLS

　基于种群P_NCLS构建下一代初始种群P

end for

输出最大Q_W值对应种群个体X_best作为最优社区划分C*

在MMHCD算法中，首先根据特定模体M对原始网络G加权，获得模体邻接矩阵W_M及加权网络G_W；其次构建规模为NP的初始种群P，种群个体代表网络社区划分，采用广泛使用的社区标签编码策略^[19]以自动确定社区数目；算法主循环部分包括元启发式种群优化、节点邻域社区修正和邻域社区局部搜索3项操作，用于种群P进化迭代更新。算法迭代循环至最大迭代次数t_max，输出种群中加权模块度Q_W最大个体X_best作为最优社区划分C*，即原始网络G上检测所得的高阶社区划分。以下对MMHCD算法主循环部分的3项操作及算法时间复杂度进行说明。

共生生物搜索(symbiotic organisms search, SOS) ^[25]是一种典型的生物启发式优化算法，通过模拟生态系统中生物体之间的3种典型共生交互行为，即互利共生、共栖和寄生，实现种群个体的更新和优化。该算法具有精度高、控制参数少、稳定性好等优点，在多种Benchmark优化函数测试集上的性能表现显著优于遗传算法、粒子群优化和差分进化算法等经典算法^[25-28]。因此，本文采用该算法进行加权模块度优化，提升获取全局最优解概率。SOS算法操作流程如算法2所示。

算法2 SOS算法框架

输入：初始种群P=[X₁,X₂,···,X_NP]，最大迭代次数t_max

输出：优化后种群P_OPT和最优解X*

构建初始种群P=[X₁,X₂,···,X_NP]

for t=0 to t_max do

　互利共生操作更新种群P生成P_MUTU

　共栖操作更新种群P_MUTU生成P_COMM

　寄生操作更新种群P_COMM生成P_PARA

　基于种群P_PARA构建下一代初始种群P

end for

输出优化后种群P_OPT及最优解X*

对包含NP个个体的初始种群P，每一代迭代优化过程中，通过互利共生、共栖和寄生3项操作更新种群，达到最大迭代次数时输出优化后种群P_OPT及最优解X*。3项操作具体描述如下。

1) 互利共生操作：该操作模拟了自然界中生物体间的共生交互关系。种群个体通过两两共生交互共享进化信息，在当前最优个体引导下，增强在生态系统中的生存优势。对于种群中的目标个体X_i，i∈{1,2,···,NP}，随机选择另一个体X_j(X_j≠X_i)进行信息交互，如式(4)和(5)所示，生成新个体X_inew和X_jnew：

式中，rand(0,1)为(0,1)间的随机数；X_best为当前种群的最优个体；获益因子BF₁和BF₂随机取值1或2；MV为互利向量，代表个体X_i和X_j之间的交互信息。当生成的新个体X_inew和X_jnew具有相对较优的适应度值时，将分别取代当前种群中的原个体X_i和X_j。

2) 共栖操作：该操作模拟了自然界中生物体间的共栖关系。生物体通过共栖交互获得其他生物体的进化信息，在当前最优个体引导下，提升搜索到较优区域的概率。对于种群中的目标个体X_i，i∈{1,2,···,NP}，随机选择另一种群个体X_j(X_j≠X_i)，按式(6)共栖交互生成X_inew：

式中，rand(−1,1)为(−1,1)间的随机数；X_best和X_j代表了来自种群最优个体和随机交互个体的进化信息。当生成的新个体X_inew适应度值优于X_i时，则替代当前种群中的X_i。

3) 寄生操作：寄生操作模拟了生态系统中寄生者和宿主之间的寄生和博弈关系，实现种群个体的随机化变异和优胜劣汰。对于种群中的目标个体X_i，i∈{1,2,···,NP}，随机化其若干维分量构造寄生个体X_para，并随机选择另一种群个体X_j作为X_para的宿主，在X_para和X_j的竞争中保留具有较优适应度值的个体，将另一个体从种群中删除。特别地，引入寄生个体的随机化成分，有助于增强种群个体多样性，避免进化后期陷入局部最优。

SOS算法通过上述3项操作，模拟生态系统中生物体间的多种典型共生交互行为，实现种群个体进化信息交互，优化子代种群P_OPT个体性能，增强算法搜索到全局最优解的概率，从而提升高阶社区划分的质量。

尽管元启发式算法具有较好的全局最优化能力，但种群优化过程中仍会出现部分不合理的社区划分。如连接紧密性较弱的节点分配在同一社区，或连接紧密性较强的节点分配在不同社区。分析该现象的主要原因为元启发式算法在优化过程中的随机性搜索特性所致。

为解决上述问题，提出一种融合低阶与高阶信息的节点邻域社区修正(lower-order and higher-order based neighbor community modification, LH-NCM)操作。核心思想为通过综合利用节点邻域范围内的低阶拓扑结构信息和高阶权重信息，将节点以较大概率调整到连接较为紧密的邻居社区中，从而修正节点邻域范围内不合理的社区划分，提升社区划分质量。LH-NCM操作对网络高阶和低阶信息的利用，主要体现在依据目标节点与各邻居社区内节点之间的权重总和，度量与各邻居社区之间连接紧密程度。由于权重总和不仅体现了基于模体的高阶连接强弱，也同样反应了低阶边连接强弱及邻居节点规模，因此能够综合体现目标节点与邻居社区之间的高阶和低阶连接紧密程度。

基于上述分析，设计LH-NCM操作主要包括目标节点选择及邻域社区隶属度计算、节点社区合理性判定以及节点社区迁移3部分。

1) 针对种群中的每个社区划分X，选择各社区内的边界节点为目标节点集合V_obj，即与所属社区外其他社区有边连接的节点集合。针对每个目标节点i∈V_obj及其任意邻域社区C，根据节点i与社区C内邻居节点之间的总权重，计算对社区C的隶属度：

式中，j代表社区C内节点i的任意邻居节点；N_i代表节点i的邻域。通过隶属度U计算，度量节点i与各邻域社区之间的局部连接紧密程度。

2) 根据隶属度计算，判定集合V_obj内任意目标节点当前所属社区的合理性，选择对当前社区隶属度小于邻域内所有社区隶属度平均值的节点为不合理节点。若目标节点i的邻域社区集合表示为NC_i且|NC_i|≤|N_i|，则所有邻域社区的平均隶属度为$ {{\displaystyle\sum\limits_{C \in {\rm{N}}{{\rm{C}}_i}} {U\left( {i,C} \right)} } \mathord{\left/ {\vphantom {{\displaystyle\sum\limits_{C \in {\rm{N}}{{\rm{C}}_i}} {U\left( {i,C} \right)} } {\left| {{\rm{N}}{{\rm{C}}_i}} \right|}}} \right. } {\left| {{\rm{N}}{{\rm{C}}_i}} \right|}} $。

3) 对于社区归属不合理的任意目标节点i，以其对各邻居社区的归一化隶属度U为随机选择概率，从而以较大概率迁移至连接相对较为紧密的邻居社区，由此提升局部社区划分质量。如图3所示，4节点经过邻域社区修正后，从原社区(红色节点表示)迁移至邻域社区(蓝色节点表示)，对应社区划分的加权模块度值增长0.18，表明局部社区划分质量得到提升。

尽管通过融合网络局部低阶与高阶信息，能够在节点邻域范围内修正不合理的社区划分，提升种群个体质量。然而，在算法MMHCD进化后期，种群中通常会出现大量高质量且相似的局部最优社区划分。为了促使算法MMHCD跳出局部最优，设计一种基于邻域社区的节点局部搜索(neighbor community based local search, NCLS)操作。不同于现有大多数依据邻居节点规模或特性的局部搜索操作，NCLS操作在目标节点邻域范围内，搜索模块度增益最大的邻域社区，并作为局部最优社区。这种基于邻域社区的局部搜索，可避免邻居节点特性引导与模块度优化目标之间的不一致，由此快速增强算法在模块度优化中的开采能力，提升收敛到全局最优的概率及速度。

基于上述思想设计NCLS，主要包括种群个体及边界节点选择、邻域社区搜索及局部最优社区迁移3个步骤。首先，为保持种群个体的多样性及探索能力，防止算法早熟收敛，仅选择模块度值较为优异的前25%个体为目标个体集合。此外，对集合中任意目标个体，仅选择对应社区划分中的边界节点(即与非所属社区间存在边连接的节点)为目标节点集合；其次，目标节点在邻域社区内搜索，选择对应增量模块度最大的邻居社区为目标社区。基于标准加权模块度Q_W，推导节点从原社区C_orig迁移至目标社区C_obj时，对应增量加权模块度∆Q_W：

式中，|W|代表网络边权重的总和；S_Corig和S_Cobj分别代表原社区和目标社区内节点强度总和；∆d代表目标节点强度；∆W_Corig和∆W_Cobj分别代表节点迁移前后对应社区的权重变化。最后，选择对应增量加权模块度∆Q_W最大的邻域社区为局部最优社区，并迁移目标节点至该目标社区。

MMHCD算法的计算复杂度主要取决于循环迭代中的3项操作，包括基于SOS算法的种群个体更新、基于LH-NCM策略的节点邻域社区修正以及基于邻域社区的节点局部搜索操作NCLS。不失一般性，在包含n个节点和m条边的网络G中，上述3项操作所需时间复杂度分别$O(5n)$、$O(n\left\langle d \right\rangle )$和$O(n\left\langle d \right\rangle )$，其中$\left\langle d \right\rangle $代表网络G中节点的平均度。此外，MMHCD算法中最耗时部分为种群个体适应度值评价，即加权模块度Q_W计算，根据Q_W定义^[18]可知个体加权模块度计算时间复杂度为$O({n^2})$。由于网络节点数目n较大时可认为$n \gg \left\langle d \right\rangle $，因此MMHCD算法的时间复杂度可简化为$O({n^2})$。

对提出MMHCD算法的性能进行了实证验证和分析，与现有基于模体的典型高阶社区检测典型算法进行对比，并对MMHCD算法中模体的影响进行了分析。

1) 对比算法：选择4种代表性的基于模体的高阶社区检测算法，包括基于模体的谱图聚类算法Motif-SC^[9]、基于模体的网络嵌入算法LinLog-Motif^[13]、基于边增强的模体社区检测方法EdMot^[14]以及基于模体的加权标签传播算法MWLP^[15]。除上述算法外，还有基于典型的元启发式模块度优化算法DECD^[29]构建的基于模体的加权模块度优化算法Motif-DECD。

上述算法的参数设置均采用原文献中的推荐值，其中Motif-SC算法中需要预设真实社区数目； EdMot选用经典Louvain算法进行社区检测，设置最大连通片数目K在[1,3]范围内；MWLP算法中的权衡参数λ在[0,0.3]范围内取值；Motif-DECD算法中变异因子F取值为0.9，交叉因子CR取值为0.3，阈值η为0.35；Motif-DECD与MMHCD算法均设置种群规模NP为100，最大迭代次数t_max为200。

2) 真实世界网络：从KONECT项目^[30]和网络数据存储库^[31]中选用10种不同类型及不同规模的典型真实世界网络，具体信息如表1所示。网络类型包括社交网络、生物网络、工程及通信网络等。节点规模在1000以上的网络占比50%，其中规模最大的网络PGP包含10680个节点和24316条连边。

3) 人工合成网络：选择两种典型人工合成网络^[30]，包括Lancichinetti-Fortunato-Radicchi (LFR)和Girvan-Newman(GN)，对各算法性能进行评估。在生成的10个LFR网络中，节点规模均为1000，混合参数μ以0.1为间隔在[0,0.9]范围内取值，网络社区规模取值范围为[20,50]，节点平均度和最大度设置为10和50。此外，在生成的10个GN网络中，包含128个节点和4个社区，参数z_out以1为间隔在[0,9]范围内取值。

4) 性能评价指标：采用加权模块度Q_W和归一化互信息NMI^[32]为高阶社区划分的评价指标，分别用于评估各算法检测结果的质量性和精确性。加权模块度函数^[1,25]见式(3)，数值越大代表检测所得的高阶社区结构越显著。归一化互信息NMI为：

式中，${k_{{C_A}}}$和${k_{{C_B}}}$分别代表划分A和B中的社区数量；n是节点数量；N为混淆矩阵，每项元素N_ij代表同时隶属于A中第i个社区和B中第j个社区的节点数目；$ {{N}}_{{i.}} $是第i行元素的和，代表划分A的第i个社区中的节点数；N_.j是第j列元素的和，代表划分B的第j个社区中的节点数。NMI取值范围为[0,1]，数值越大代表检测结果越接近真实社区结构。

首先，在生成的GN人工合成网络集合上，对提出的MMHCD算法与4种典型对比算法MWLP, EdMot, LinLog-Motif, Motif-SC进行性能测试。为保证实验的公平性，同一测试网络上各算法均采用相同的模体结构，选择M₁～M₈中使各算法性能达到相对最优的单个模体。所有算法在GN网络上的实验结果如图4所示，图中数据点代表各算法在10个GN网络上独立运行20次所得的社区划分NMI的平均值。由图可知MMHCD算法在所有GN网络上相比较于其他典型算法，均能获得相对较优的检测结果，在精确性和稳定性上表现出一定优势。当z_out≤5网络社区结构较为清晰时，MMHCD、Motif-SC和Motif-DECD算法均能够稳定地检测得到全局最优社区划分，对应NMI平均值均达到1.0。EdMot和LinLog-Motif算法也能够获得近似NMI=1.0的检测结果。然而，当z_out≥5对应网络社区结构较为模糊时，各算法均表现出了不同程度的性能恶化趋势，且性能差异逐渐凸显。与其他算法相比，MMHCD算法依然能够获得相对最优的检测精度。

其次，在规模为1000的LFR人工合成网络集合上，对各算法进行测试及对比分析。相同测试网络上各算法均采用相同的模体结构，选择M₁～M₈中使各算法性能达到相对最优的单个模体。所有算法在LFR网络上的实验结果如图5所示，图中数据点代表各算法在10个LFR网络上独立运行20次所得社区划分NMI值的平均值。可以看出，MMHCD算法在LFR网络上依然能够获得相对最优的NMI，与其他典型算法相比具有较明显的性能优势。当$\mu \leqslant 0.3$时，MMHCD算法检测所得社区划分NMI值均接近1.0，除MWLP算法外其他对比算法也均能获得较为精确的检测结果。当$0.4 \leqslant \mu \leqslant 0.7$时，各算法检测精确性逐渐下降，但MMHCD算法均能获得相对最优的检测结果。尽管在μ=0.8时MMHCD算法未获得相对最高的NMI值，但与MWLP算法获得的最优检测结果精度差仅3×10⁻³。

以上GN和LFR网络上的实验结果表明，MMHCD算法能在人工合成网络上检测得到较精确的社区结构，且相较于其他基于模体的典型代表性算法，在精确性和稳定性上能表现出一定优势。

将MMHCD算法在表1所示10个不同类型和规模的真实世界网络上进行测试，并与5种典型算法进行对比，实验结果如表2所示。为保证实验的公平性，同一测试网络上各算法均采用相同的模体结构，选择M₁～M₈中使各算法性能达到相对最优的单个模体。表中数据为各算法在每个网络上独立运行20次，所得社区划分对应加权模块度Q_W的平均值和标准差。同一测试网络上最优检测结果用黑体加粗表示。

表2的实验结果表明，MMHCD算法能够在80%的测试网络上获得最优的Q_W平均值，具有相对较好的质量性和稳定性。在规模较小的网络上，MMHCD算法均能够获得最优的检测性能，Motif-DECD和LinLog-Motif算法同样表现优异。当网络规模相对较大时，不同算法之间的性能差异增大，MMHCD算法依然能够获得相对最优的检测结果。在Email网络和PGP网络中，Motif-SC与EdMot算法分别取得了最佳检测效果，但其Q_W平均值均与MMHCD算法较为接近。

采用典型的Friedman统计检验方法^[33]，对各算法在真实世界网络上的检测结果进行测试，结果表明MMHCD算法在检测结果的质量性上性能优势显著。且MMHCD算法与Motif-DECD算法的性能表现较为接近。这一现象表明基于模体的模块度优化方法能有效检测出基于模体的社区结构，且在社区划分的质量性上相较于其他算法具有一定优势。此外，二者的性能差异也表明网络高阶及低阶结构信息的利用，有助于提升加权模块度的优化性能，从而获得更加高质量的高阶社区划分。

考虑到MMHCD算法采用基于模体的模块度优化实现高阶社区检测，本节分析模体使用不同类型的网络模体对MMHCD算法检测性能的影响。基于MMHCD算法框架，设计采用M₁～M₈不同类型模体的算法，并命名为MMHCD-M1至MMHCD-M8。此外，设计基于低阶边结构信息的模块度优化算法MMHCD-None，忽略MMHCD算法中模体高阶信息的影响，包括基于模体的网络加权、模块度优化函数Q以及节点邻域社区修正中边权重的影响。

为分析模体使用不同类型模体对MMHCD算法检测精确性的影响，将算法MMHCD-M1至MMHCD-M8和MMHCD-None共9种算法，在生成的节点规模为1000的LFR网络上进行测试，实验结果如图6所示。图中数据点代表各算法在每个LFR网络上独立运行20次所得NMI的平均值。

从图6中可以发现，在LFR网络社区结构逐渐模糊的过程中，9种采用不同模体的MMHCD算法表现出了不同的性能趋势。首先，与依赖低阶边结构信息的MMHCD-None算法相比，基于模体高阶结构信息的MMHCD-M1至MMHCD-M8算法，在网络结构较为清晰的情况下($0 \leqslant \mu \leqslant 0.6$)优势并不明显。相反，当社区结构较为模糊时($0.6 \leqslant \mu \leqslant 0.9$)，采用模体结构信息，能够促使MMHCD算法获取更高的NMI值，即达到相对更高的检测精度。其次，不同类型模体造成了MMHCD算法在检测性能上的差异。MMHCD-M1和MMHCD-M6算法相较于其他算法，始终能获得较高的NMI值，表现出良好的精确性，尤其在网络社区结构较为模糊的情况下。此外，MMHCD-M8算法也表现出了良好的稳定性，尽管在$0.4 \leqslant \mu \leqslant 0.6$的网络上NMI值下降明显，但在$\mu \geqslant 0.7$时获得了相对最优的检测精度。

上述实验结果表明，使用不同的三阶和四阶模体结构，对模块度优化算法MMHCD的社区检测精确性有一定影响。在网络社区结构较为模糊的情况下，通过采用适当的模体结构，如M₁、M₆和M₈等边连接较为紧密的模体，能够促进MMHCD算法的社区检测精确性提升。

在典型人工合成网络和10种不同规模及特性的真实世界网络上，对MMHCD算法的社区检测性能进行了实验测试，并与Motif-SC, LinLog-Motif, EdMot和MWLP等基于模体的典型高阶社区检测算法进行对比分析。实验结果表明，相较于其他典型算法，MMHCD算法能够在GN和LFR网络上获得更加精确和稳定的检测结果，且在真实世界网络上同样表现出相对较好的质量性和稳定性。此外，MMHCD算法无需预知网络真实社区数目，且所需控制参数相对较少。

本研究提升了基于模体的网络社区检测质量，拓展了模体理论的应用场景，有助于加深对网络结构和功能特性的理解。未来研究将扩展到有向网络和符号网络等，使提出的检测方法能适应不同类型的网络应用需求，获得基于模体的高质量社区结构。