图谱与网络中社区结构的可检测性
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
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
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。
Sep, 2007
本文介绍了一种用于网络分析中的重叠社区检测的生成模型,结合了 K - 中位数算法和谱聚类算法,且在网络不太稀疏、社区重叠不太大的情况下具有一致性,模拟和真实社交网络实验结果表明我们的方法表现优于传统方法。
Dec, 2014
本文介绍了一种基于矩阵表示和谱结构的合成方法:调控模块度矩阵的低秩近似,生成保留原真实网络社区结构和随机性的合成网络,该方法在精度和结构保留上优于现有技术。
Jan, 2018