Sep, 2007
有向网络中的社区结构
Community structure in directed networks
E. A. Leicht, M. E. J. Newman
TL;DR本文介绍了一种针对有向网络的社群发现方法,利用广泛使用的收益函数 - 模块度,通过将边方向的信息纳入,通过寻找网络可能的分割来最大化模块度,进而利用相应的模块度矩阵的特征向量得到社群结果,并证明该方法在各种测试网络上比以往方法产生更好的结果。
Abstract
We consider the problem of finding communities or modules in directed
networks. The most common approach to this problem in the previous literature
has been simply to ignore edge direction and apply methods developed for
→
发现论文,激发创造
使用矩阵特征向量在网络中寻找社区结构
本研究考虑检测网络中的社群或模块,发现这种过程可以通过 “模块度量” 函数的最大化来实现,而这个函数可以用所谓的 “模块度量矩阵” 的特征谱表示,而我们从中得出了几个可能的算法和中心度量,并在各种真实世界的复杂网络中验证它们。
May, 2006
有向网络中的聚类与社区检测:综述
该论文对有向网络的聚类算法进行了深入的综述,介绍了基本概念和方法学基础,并从方法论原理和好的群集特性的角度讨论了聚类算法。此外,还介绍了图聚类结果的评估方法和指标,展示了有趣的应用领域,并提出了未来的研究方向。
Aug, 2013
将模块性定义扩展到具有重叠社区的有向图中
本文介绍了复杂网络的社区结构,从 M.Newman 提出的模块度函数评估社区分解的优劣开始,将其扩展到具有重叠社区结构的定向图的更一般情况,并提出了一种找到重叠社区的方法和基准案例研究的结果。同时提出了一个可用作重叠社区结构识别的参考基准的新数据集。
Jan, 2008
多元谱社区检测在网络中
该研究旨在提出一种更高效的基于谱的算法来实现网络社区的检测和划分,该算法基于调整后的模块度矩阵与特征向量,能够将网络分成任意数量的社区。经过实现和测试,该算法在分割不平衡的网络时表现明显优于之前的算法。
Jun, 2015
大规模网络社群检测的广义 Louvain 算法
本文提出了一种新颖的策略来发现(可能是大型)网络的社区结构,利用基于 k-path 的边缘中心度,并借鉴 Louvain 方法,通过最大化网络模块化来发现社区结构。实验证明,该算法优于其他技术并略微改进了原始 Louvain 方法的结果,可自然扩展到非加权网络。
Aug, 2011
基于极端优化算法的复杂网络社区发现
提出了基于最大化模块度值的极端优化方法,用于发现复杂网络中的社区结构,结果超越现有算法,具有高效和准确性,可以用于大型复杂网络中的社区结构精确识别。
Jan, 2005