更改

|description=致命弱点,希腊神话，特洛伊战争

|description=致命弱点,希腊神话，特洛伊战争

}}

}}

'''<font color="#ff8000">兰奇基内蒂-福图纳托-拉迪奇基准测试 Lancichinetti–Fortunato–Radicchi benchmark （LFR）</font>'''是一种生成'''<font color="#ff8000">基准网络(baseline network)</font>'''（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。<ref>Hua-Wei Shen (2013). "Community Structure of Complex Networks". Springer Science & Business Media. 11–12.</ref>与其他方法相比，基准测试的优点在于它解释了'''<font color="#ff8000">节点度分布(node degree distribution)</font>'''和'''<font color="#ff8000">社区规模分布(Community size distribution)</font>'''的[[异质性]]。<ref name="original">A. Lancichinetti, S. Fortunato, and F. Radicchi.(2008) Benchmark graphs for testing community detection algorithms. Physical Review E, 78. {{ArXiv|0805.4770}}</ref>

'''<font color="#ff8000">兰奇基内蒂-福图纳托-拉迪奇基准测试 Lancichinetti–Fortunato–Radicchi benchmark （LFR）</font>'''是一种生成'''<font color="#ff8000">基准网络 baseline network</font>'''（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。<ref>Hua-Wei Shen (2013). "Community Structure of Complex Networks". Springer Science & Business Media. 11–12.</ref>与其他方法相比，基准测试的优点在于它解释了'''<font color="#ff8000">节点度分布 node degree distribution</font>'''和'''<font color="#ff8000">社区规模分布 Community size distribution</font>'''的[[异质性]]。<ref name="original">A. Lancichinetti, S. Fortunato, and F. Radicchi.(2008) Benchmark graphs for testing community detection algorithms. Physical Review E, 78. {{ArXiv|0805.4770}}</ref>

==算法==

==算法==

'''<font color="#ff8000">节点度(node degree)</font>'''和'''<font color="#ff8000">社区规模(Community size)</font>'''按[[幂律分布]]，但指数不同。基准测试假设节点度和社区规模都具有不同指数的幂律分布，分别为<math>\gamma</math>和<math>\beta</math>。<math>N</math>是节点的数量，平均度为<math>\langle k \rangle</math>。混合参数<math>\mu</math>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。<ref>Twan van Laarhoven and Elena Marchiori (2013). "Network community detection with edge classifiers trained on LFR graphs". https://www.cs.ru.nl/~elenam/paper-learning-community.pdf</ref>

'''<font color="#ff8000">节点度 node degree</font>'''和'''<font color="#ff8000">社区规模 Community size</font>'''按[[幂律分布]]，但指数不同。基准测试假设节点度和社区规模都具有不同指数的幂律分布，分别为<math>\gamma</math>和<math>\beta</math>。<math>N</math>是节点的数量，平均度为<math>\langle k \rangle</math>。混合参数<math>\mu</math>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。<ref>Twan van Laarhoven and Elena Marchiori (2013). "Network community detection with edge classifiers trained on LFR graphs". https://www.cs.ru.nl/~elenam/paper-learning-community.pdf</ref>