763
个编辑
更改
跳到导航
跳到搜索
第187行：
第187行： − 文献推荐：+ 第197行：
第197行： − 集智学园+ + + + + − *[http://arxiv.org/abs/1908.04653 使用多层网络上的模块化 信念传播检测显著的社区结构]+
→编者推荐
==编者推荐==
==编者推荐==
[[File:社团发现.png|300px|right]]
[[File:社团发现.png|300px|right]]
===文献推荐===
*[http://ece-research.unm.edu/ifis/papers/community-moore.pdf 在大型网络中检测社团结构]
*[http://ece-research.unm.edu/ifis/papers/community-moore.pdf 在大型网络中检测社团结构]
网络中群落结构的发现和分析是近年来物理学界非常关注的一个课题，但由于计算量大，目前提出的大多数方法都不适合大型网络。这篇文章提出了一种新的聚类算法来检测群落结构，它比很多同类型的算法收敛地更快。作为这个算法应用的一个例子，这篇文章使用它来分析一个大型在线零售商网站上的销售项目网络，如果这些项目经常被同一个买家购买，那么网络中的项目就会被连接。该网络有超过40万个顶点和200万条边，该算法可以从这个网络中提取出有意义的社区，揭示了顾客购买习惯中存在的大规模模式。
网络中群落结构的发现和分析是近年来物理学界非常关注的一个课题，但由于计算量大，目前提出的大多数方法都不适合大型网络。这篇文章提出了一种新的聚类算法来检测群落结构，它比很多同类型的算法收敛地更快。作为这个算法应用的一个例子，这篇文章使用它来分析一个大型在线零售商网站上的销售项目网络，如果这些项目经常被同一个买家购买，那么网络中的项目就会被连接。该网络有超过40万个顶点和200万条边，该算法可以从这个网络中提取出有意义的社区，揭示了顾客购买习惯中存在的大规模模式。
这篇文章论证了模块度可以用特征矩阵的特征向量来表示网络（称之为“模块性矩阵”），且在较短的运行时间，通过特征向量的社团检测算法返回的结果质量明显高于同类算法，并通过数据集的应用程序来说明这个方法。
这篇文章论证了模块度可以用特征矩阵的特征向量来表示网络（称之为“模块性矩阵”），且在较短的运行时间，通过特征向量的社团检测算法返回的结果质量明显高于同类算法，并通过数据集的应用程序来说明这个方法。
*[http://arxiv.org/abs/1908.04653 使用多层网络上的模块化 信念传播检测显著的社区结构]
基于模块度的社团检测包含许多被广泛使用的、有效的启发式方法来识别单层和多层网络中的结构。最近，一种用于模块度优化的传播方法为非平凡结构的识别提供了一种有用的指导，而其他优化方法则没有这种方法，这篇文章将模块度传播扩展到多层网络中。
===集智文章推荐===
[[File:课程推荐.png|300px|right]]
[[File:课程推荐.png|300px|right]]
*[https://mp.weixin.qq.com/s/ZOI-ItIstrqTCHs1QKWUUg Nature通讯：科学家兴趣转移愈发频繁，但对科研生涯可能不利一文中社团结构分析——基于模块度优化的快速展开算法（fast unfolding algorithm）]
*[https://mp.weixin.qq.com/s/ZOI-ItIstrqTCHs1QKWUUg Nature通讯：科学家兴趣转移愈发频繁，但对科研生涯可能不利一文中社团结构分析——基于模块度优化的快速展开算法（fast unfolding algorithm）]
近期，一个由北京师范大学、中国科学院、美国波士顿大学、以色列巴伊兰大学多位学者组成的研究团队，在Nature Communications上发表文章，以1893年至2010年间发表在美国物理学会（APS）期刊上的482566篇为例，通过书目耦合方法建立共引网络，描述了科学家文章之间的关系，并运用社团结构分析的方法将不同的研究兴趣具体化，进一步研究了科学家兴趣转移的趋势及动力学问题，提出了一个能解释科研兴趣转移机制主要特征的开发-探索模型。
*[https://mp.weixin.qq.com/s/iQvylNg58X0sJSf-WUU1Lw 网络科学的黄金时代”：中国科学家大放异彩 研究人员还用模块最大化社群发现算法 ，找到了几个主要的、内部联系紧密的社群]
*[https://mp.weixin.qq.com/s/iQvylNg58X0sJSf-WUU1Lw 网络科学的黄金时代”：中国科学家大放异彩 研究人员还用模块最大化社群发现算法 ，找到了几个主要的、内部联系紧密的社群]
这篇文章的重点是网络科学家的合著网络，两个科学家共同发表过至少一篇论文，他们之间就形成了合著关系。在此之前，只有Newman的团队分析过网络科学家的合著关系网络，但他们当时网络只包含1589位科学家，而这篇文章的研究涵盖了20年内的52406位科学家以及329181个合著关系。
----
----