更改

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>

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。<ref name=ComSocBio>

{{cite journal

{{cite journal

  |author1=M. Girvan |author2=M. E. J. Newman | year = 2002

  |author1=M. Girvan |author2=M. E. J. Newman | year = 2002

  |volume=1

  |volume=1

  |pages=1630001 [8]

  |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。

}}</ref>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。