复杂网络中的共识聚类

Mar, 2012

Consensus clustering in complex networks

Andrea Lancichinetti, Santo Fortunato

TL;DR探究了社区结构如何能被用于复杂网络中以展示其组织和其组成部分之间隐藏的关系。这里提出了将一致性聚类（consensus clustering）与任何现有方法自洽地结合起来的框架，以显著提高生成的分区的稳定性和准确性。在将该框架应用于大型物理论文引用网络的案例中也展示了其跟踪主题出现、消失和多样化的能力。

Abstract

The community structure of complex networks reveals both their organization and hidden relationships among their constituents. Most community detection methods currently available are not deterministic, and their

community structure complex networks consensus clustering stochastic methods temporal networks

发现论文，激发创造

大规模网络中检测社区结构的近线性时间算法

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

网络中基于粗糙集和共识聚类的社区发现新算法

基于粗糙聚类的共识社区检测（RC-CCD）方法通过粗糙集理论处理数据中的不确定性，并利用共识聚类方法聚合多个聚类结果，增强社区检测的可靠性和准确性，从而有效地管理复杂网络中常见的重叠社区。在 Lancichinetti-Fortunato-Radicchi 方法生成的基准网络上进行的综合测试展示了该方法在不同节点度和社区规模下的强大适应性和稳定性。与其他著名检测算法结果的交叉比较凸显了 RC-CCD 方法的稳定性和适应性。

Jun, 2024

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

图形中的社区检测

这篇研究论文讨论了网络科学中一个重要的问题 —— 发现社群结构的方法和应用，分析了该问题的主要元素和当前已有的各种方法，重点介绍了统计物理学家们开发的技术。

Jun, 2009

复杂网络社区结构中的不稳定性发现

在复杂网络中找到聚类问题已经被数学家、计算机科学家以及近年来的物理学家广泛研究。本文提出了一种在加权网络上运用的方法，该方法可以识别 “聚类之间” 的节点，并允许对聚类的稳定性进行一般的度量，最后通过在真实网络中运用 Markov 聚类算法说明了该方法的有效性。

Mar, 2005

图中社区检测的综述

复杂网络中的社区结构及社区检测方法的综述，涵盖了图的算法和现实应用领域。