97
个编辑
更改
跳到导航
跳到搜索
第1行：
第1行： − 此词条暂由彩云小译翻译，未经人工整理和审校，带来阅读不便，请见谅。+ 第11行：
第11行： − + 第21行：
第21行： − 节点度和社区规模按幂律分布，但指数不同。基准测试假设度和社区规模都具有不同指数的幂律分布，分别为'''<font color="#32CD32">此处需插入公式</font>'''和'''<font color="#32CD32">此处需插入公式</font>'''。'''<font color="#32CD32">此处需插入公式</font>'''是节点的数量，平均度为'''<font color="#32CD32">此处需插入公式</font>'''。混合参数'''<font color="#32CD32">此处需插入公式</font>'''是一个节点的相邻节点的平均比例，这些相邻节点不属于基准节点所属的任何社区。这个参数控制着社区之间的边缘比例。+ 第100行：
第100行： − +
无编辑摘要
此词条由袁一博翻译，未经人工整理和审校，带来阅读不便，请见谅。
{{short description|Algorithm}}
{{short description|Algorithm}}
Lancichinetti–Fortunato–Radicchi benchmark is an algorithm that generates benchmark networks (artificial networks that resemble real-world networks). They have a priori known communities and are used to compare different community detection methods. The advantage of the benchmark over other methods is that it accounts for the heterogeneity in the distributions of node degrees and of community sizes.
Lancichinetti–Fortunato–Radicchi benchmark is an algorithm that generates benchmark networks (artificial networks that resemble real-world networks). They have a priori known communities and are used to compare different community detection methods. The advantage of the benchmark over other methods is that it accounts for the heterogeneity in the distributions of node degrees and of community sizes.
'''<font color="#ff8000">兰奇基内蒂-福图纳托-拉迪奇基准程序</font>'''是一种生成基准网络(类似于真实世界网络的人工网络)的算法。他们有一个预先已知的社区，用于比较不同的社区检测方法。与其他方法相比，基准测试的优点在于它解释了度分布和社区规模分布的异质性。
'''<font color="#ff8000">兰奇基内蒂-福图纳托-拉迪奇基准程序</font>'''是一种生成基准网络(类似于真实世界网络的人工网络)的算法。他们有一个预先已知的社区，用于比较不同的社区检测方法。与其他方法相比，基准测试的优点在于它解释了'''<font color="#ff8000">节点度</font>'''分布和社区规模分布的'''<font color="#ff8000">异质性</font>'''。
The node degrees and the community sizes are distributed according to a power law, with different exponents. The benchmark assumes that both the degree and the community size have power law distributions with different exponents, <math>\gamma</math> and <math>\beta</math>, respectively. <math>N</math> is the number of nodes and the average degree is <math>\langle k \rangle</math>. There is a mixing parameter <math>\mu</math>, which is the average fraction of neighboring nodes of a node that do not belong to any community that the benchmark node belongs to. This parameter controls the fraction of edges that are between communities.
The node degrees and the community sizes are distributed according to a power law, with different exponents. The benchmark assumes that both the degree and the community size have power law distributions with different exponents, <math>\gamma</math> and <math>\beta</math>, respectively. <math>N</math> is the number of nodes and the average degree is <math>\langle k \rangle</math>. There is a mixing parameter <math>\mu</math>, which is the average fraction of neighboring nodes of a node that do not belong to any community that the benchmark node belongs to. This parameter controls the fraction of edges that are between communities.
节点度和社区规模按幂律分布，但指数不同。基准测试假设度和社区规模都具有不同指数的'''<font color="#ff8000">幂律分布</font>'''，分别为'''<font color="#32CD32">此处需插入公式</font>'''和'''<font color="#32CD32">此处需插入公式</font>'''。'''<font color="#32CD32">此处需插入公式</font>'''是节点的数量，平均度为'''<font color="#32CD32">此处需插入公式</font>'''。混合参数'''<font color="#32CD32">此处需插入公式</font>'''是一个节点的相邻节点的平均比例，这些相邻节点不属于基准节点所属的任何社区。这个参数控制着社区之间的边缘比例。
The joint distribution is <math>p(C_1, C_2)</math>. The similarity of these two partitions is captured by the normalized mutual information.
The joint distribution is <math>p(C_1, C_2)</math>. The similarity of these two partitions is captured by the normalized mutual information.
联合分布为'''<font color="#32CD32">此处需插入公式</font>'''。这两个分割的相似性可以通过归一化互信息得到。
联合分布为'''<font color="#32CD32">此处需插入公式</font>'''。这两个分割的相似性可以通过'''<font color="#ff8000">归一化互信息</font>'''得到。