标签：plot 社区 模块化 tecdat 网络 算法 拓端 我们
原文链接：http://tecdat.cn/?p=24886
原文出处：拓端数据部落公众号
在网络上进行社区检测时，有时我们不仅拥有实体之间的联系。这些实体代表了我们可能也想在网络可视化中代表的现实事物。
- plot(g)
我使用数据集，代表了观察到的 18 位女性参加 14 场社交活动的情况。
不考虑这个图是二向图，让我们尝试将图划分为社区。有自然的分界线吗？让我们根据节点所属的社区为节点着色：
- community(g)
- col <- membership + 1
- plot
正如我们所看到的，该算法找到了2个社区，乍一看，这种划分似乎是合理的。无论如何，还有一种自然的划分是算法无法找到的：事件/女性的二元关系。每个节点都有这样的属性："是女性 "或 "是事件"。让我们用不同的方式来描述这个图的特征。我们有14个事件。对于这些，我们改变它们的形状。
- shape <- "squa"
- shape <- "cice"
- plot(g)
如何从给定的网络中提取社区？
在网络中寻找社区是复杂系统范式下的一项常见任务。有几种方法可以使用非常不同的包对图进行社区分区。
网络社区检测算法
walktrap.community
该算法通过执行随机游走找到密集连接的子图。这个想法是随机游走将倾向于留在社区内，而不是跳到其他社区。
边缘.中间.社区
这个算法就是Girvan-Newman算法。它是一种分割算法，在每一步中，具有最高间性的边被从图中移除。对于每一次划分，你都可以计算出图的模块化程度。最后，在这个过程给你带来最高模块化值的地方选择切割树状图。
Newman快速算法(fast greedy)
该算法是纽曼算法。在这种情况下，算法是凝聚的。在每一步，两组合并。合并是通过优化模块化决定的。这是一种快速算法，但有一个贪婪算法的缺点。因此，虽然我发现它有用且准确，但它可能不会产生最佳的整体社区划分。
自旋玻璃社群发现
该算法使用自旋玻璃模型和模拟退火来查找网络内的社区。
- # 首先我们加载ipgrah软件包
- # 让我们生成两个网络并将其合并为一个图。
- graph.union
- # 让我们删除多线和循环
- simplify
- # 让我们用Grivan-Newman算法看看这里是否有社区。
- # Grivan-Newman算法
- # 首先，我们计算边缘间性、合并等。
- edge.betweenness.community
- # 现在我们有了合并/拆分，我们需要计算模块化。
- # 对于每个合并，我们将使用一个函数，对于每个边被删除，将创建第二个图，检查其成员资格并使用该成员资格来计算模块化程度
- membership
- # -在原图g上计算模块化
- modularit
- # 我们现在可以绘制所有模块化的图
- plot
- # 现在，让我们根据节点的成员资格为其着色
- removed.edges
- color=membership
- # 让我们为图选择一个布局
- layout
- # 绘制
- plot
- # 使用 fastgreedy.community算法
- plot
最受欢迎的见解
1.采用spss-modeler的web复杂网络对所有腧穴进行分析
3.R语言文本挖掘NASA数据网络分析，tf-idf和主题建模
5.python隶属关系图模型 基于模型的网络中密集重叠社区检测
标签：plot,社区,模块化,tecdat,网络,算法,拓端,我们 来源： https://www.cnblogs.com/tecdat/p/15858930.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。