本文介绍了一种利用图拉普拉斯矩阵的谱特性,结合分层聚类技术和包含最大化输出模块化程度处理的高效且相对较快的检测复杂网络中社区的算法,并将其性能与其他现有方法在不同的复杂网络实例中应用进行了比较。在所有测试案例中,我们的结果都至少与任何其他方法获得的最佳结果一样好,大多数情况下比提供类似质量结果的方法更快,这使得该算法成为检测和分析复杂网络中社区和模块化结构的有价值的计算工具。
Apr, 2004
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
本文描述了一种快速检测具有社群结构的网络的新算法,并给出了各种应用实例,比之前的算法更加高效。
Sep, 2003
通过节点的标签传播,本文提出了一种在大规模网络上检测社区结构的算法,不需要预先知道社区数量和大小,并且计算效率高;实验证明该算法与先前算法相比具有更高的计算速度。
Sep, 2007
通过改进算法的方式,基于特征矩阵的谱算法检测网络数据的社区结构,运行时间比模拟退火等竞争方法更短且获得更好质量的结果。
Feb, 2006
本篇论文提出了一种层次聚合算法,用于快速检测社区结构,可以在大规模复杂网络上运行,并且应用于分析一个大型在线零售商网站上销售物品的网络,揭示了客户购物习惯的大规模模式。
Aug, 2004
本研究介绍了一种基于适应度函数本地优化的算法,能够发现复杂网络中的社区结构、嵌套社区和重叠社区,可以通过调整参数来探索不同层次的组织结构水平。在真实网络和人工网络上进行了测试,取得了优异的结果。
Feb, 2008
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
通过比较社区结构识别的不同方法,特别是最近提出的模块度量,研究了这些方法在已知社区结构的自组织网络中的性能表现,并发现最准确的方法往往更昂贵,因此在选择方法时需要考虑计算成本等因素。本研究旨在提出一个标准的基准测试,作为社区检测方法的介绍和建议。
May, 2005
描述了一种基于分布式网络模型的重叠社区检测方法,使用了快速的期望最大化算法对数百万节点的网络进行分析,可用于提取非重叠的社区划分。
Apr, 2011