7,129
个编辑
更改
跳到导航
跳到搜索
第3行：
第3行： − + 第9行：
第9行： − + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + +
无编辑摘要
|description= 社团结构 社团检测算法 网络的共同特征 }}
|description= 社团结构 社团检测算法 网络的共同特征 }}
在网络科学研究中，如果某个网络中的节点可以轻易地被划分为若干个内部紧密连接的节点集（集合间可能重合），那么就可以说这个网络具有'''社团结构 Community structure'''。在节点集不重叠的特殊情况下，网络自然地被分成一个个节点集，这些节点集内部连接紧密而节点集与节点集之间连接稀疏（但也存在节点集重叠的情况）。 更广泛的定义基于这样一个原则：即如果节点对都属于同一个社团，则更有可能相互连接；如果它们不属于同一个社团，则更不可能相互连接。 一个相关但不同的问题是社团搜索，其目标是找到某个节点所属的社团。
在网络科学研究中，如果某个网络中的节点可以轻易地被划分为若干个内部紧密连接的节点集（集合间可能重合），那么就可以说这个网络具有'''社团结构 Community structure'''。除节点集重叠的特殊情况下外，网络自然地被分成一个个节点集，这些节点集内部连接紧密，而节点集与节点集之间连接稀疏（但也存在节点集重叠的情况）。 更广泛的定义基于以下原则：即如果节点对同属一个社团，则更有可能相互连接；如果不属于同一个社团，则更不可能相互连接。 一个相关但不同的问题是社团搜索，其目标是找到某个节点所属的社团。
在研究计算机、信息网络、社会网络和生物网络等网络时，经常发现网络具有许多不同的特征，包括'''小世界性 Small-world property'''、'''重尾度分布 Heavy-tailed degree distributions '''和'''聚集性 Clustering '''等。 而网络也具有共同特征——都具有社团结构。社团结构指的是网络中内部连接比其余部分更加密集的节点组。 这种联系的不均匀性表明网络内部存在某种自然的划分。将节点集进行划分，就产生了一个个社团。也就是说，每个节点被放入一个社团中，且该社团唯一，这是一个有用的简化，多数社团检测算法都适用于这种类型的社团结构。 然而，在某些情况下，则是一个节点位于多个社团（即社团具有重叠性 ）的社团结构能够更好表示所研究的对象。这可能发生在社交网络中：每个节点代表一个人，而社团代表不同的朋友群体，如: 一个社团代表家庭，另一个社团代表同事，还有一个社团代表来自同一体育俱乐部的朋友等等。 下面所讨论的'''基于团结构的社团检测算法 Clique-based method '''的例子,就属于这种具有重叠性的社团结构。
在研究计算机、信息网络、社会网络和生物网络等网络时，经常发现网络具有许多不同的特征，包括'''小世界性 Small-world property'''、'''重尾度分布 Heavy-tailed degree distributions '''和'''聚集性 Clustering '''等。 而网络也具有共同特征——都具有社团结构。社团结构指的是网络中内部连接比其余部分更加密集的节点组。 这种联系的不均匀性表明网络内部存在某种自然的划分。将节点集进行划分，就产生了一个个社团。也就是说，每个节点被放入一个社团中，且该社团唯一，这是一个有用的简化，多数社团检测算法都适用于这种类型的社团结构。<ref name=ComSocBio>
{{cite journal
|author1=M. Girvan |author2=M. E. J. Newman | year = 2002
| title = Community structure in social and biological networks
| journal = Proc. Natl. Acad. Sci. USA
| pmid = 12060727
| volume = 99
| issue = 12
| pmc = 122977
| pages = 7821–7826
| doi = 10.1073/pnas.122653799
| arxiv = cond-mat/0112110| bibcode = 2002PNAS...99.7821G}}</ref><ref name=PhysRep>
{{cite journal
| author = S. Fortunato
| year = 2010
| title = Community detection in graphs
| journal = Phys. Rep.
| volume = 486
| issue = 3–5
| pages = 75–174
| doi = 10.1016/j.physrep.2009.11.002
| arxiv = 0906.0612
| bibcode = 2010PhR...486...75F
}}
</ref><ref name=PhysRepMV>
{{cite journal
|author1=F. D. Malliaros |author2=M. Vazirgiannis | year = 2013
| title = Clustering and community detection in directed networks: A survey
| journal = Phys. Rep.
| volume = 533
| issue = 4
| pages = 95–142
| doi = 10.1016/j.physrep.2013.08.002
| arxiv = 1308.0971| bibcode = 2013PhR...533...95M}}
</ref><ref name=Notices>
{{cite journal
|author1=M. A. Porter |author2=J.-P. Onnela |author3=P. J. Mucha | year = 2009
| title = Communities in Networks
| journal = Notices of the American Mathematical Society
| volume = 56
| pages = 1082–1097, 1164–1166
| url = http://www.ams.org/notices/200909/rtx090901082p.pdf
}}
</ref><ref name=escri_FaniE17>{{cite encyclopedia
|last=Fani|first=Hossein |author2=Bagheri, Ebrahim
|title=Community detection in social networks
|encyclopedia=Encyclopedia with Semantic Computing and Robotic Intelligence
|date=2017
|doi=10.1142/S2425038416300019
|volume=1
|pages=1630001 [8]
}}</ref>然而，在某些情况下，则是一个节点位于多个社团（即社团具有重叠性 ）的社团结构能够更好表示所研究的对象。这可能发生在社交网络中：每个节点代表一个人，而社团代表不同的朋友群体，如: 一个社团代表家庭，另一个社团代表同事，还有一个社团代表来自同一体育俱乐部的朋友等等。 下面所讨论的'''基于团结构的社团检测算法 Clique-based method '''的例子,就属于这种具有重叠性的社团结构。