社团结构 - 版本历史

思无涯咿呀咿呀：/* 编者推荐 */

2020-04-19T00:24:35Z

编者推荐

趣木木：/* 层次聚类 */

2020-04-13T04:27:44Z

层次聚类

2020年4月12日 (日) 13:29 Liushikang1992

2020-04-12T13:29:36Z

薄荷：/* 复杂网络中的社团结构 */

2020-04-11T16:06:48Z

复杂网络中的社团结构

薄荷：/* 模板度最大值 */

2020-04-11T14:50:27Z

模板度最大值

薄荷：/* 代码实现 */

2020-04-11T12:35:27Z

代码实现

薄荷：/* 代码实现 */

2020-04-11T12:34:24Z

代码实现

薄荷：/* 代码实现 */

2020-04-11T12:32:56Z

代码实现

薄荷：/* 基于团结构的社团检测算法 */

2020-04-10T18:42:46Z

基于团结构的社团检测算法

薄荷：/* 基于团结构的社团检测算法 */

2020-04-10T18:34:54Z

基于团结构的社团检测算法

@@ 第606行： / 第606行： @@
 ----
-本中文词条由[[用户:趣木木|趣木木]]参与编译，[[用户:苏格兰|苏格兰]]审校，[[用户:Meng莫|Meng莫]]、[[用户:薄荷|薄荷]]编辑，欢迎在讨论页面留言
+本中文词条由[[用户:趣木木|趣木木]]参与编译，[[用户:苏格兰|苏格兰]]审校，[[用户:Meng莫|Meng莫]]、[[用户:薄荷|薄荷]]编辑，代码由高飞提供，欢迎在讨论页面留言
 '''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''

←上一版本		2020年4月13日 (一) 04:27的版本
第116行：		第116行：


−	在网络中检测社团结构的另一种方法是[[层次聚类 Hierarchical clustering ]]。在这种算法中，定义了一种[[相似性度量 Similarity measure ]]，去量化节点对之间的某些(通常是拓扑的)相似性。常用的测量方法包括'''~~余弦距离健康指数~~ Cosine similarity '''、'''雅卡德指数 Jaccard index ''',以及'''~~汉明距离健康指数邻接矩阵~~ Hamming distance between rows of the adjacency matrix '''。然后根据该算法将相似的节点分组到同一个社团中。	+	在网络中检测社团结构的另一种方法是[[层次聚类 Hierarchical clustering ]]。在这种算法中，定义了一种[[相似性度量 Similarity measure ]]，去量化节点对之间的某些(通常是拓扑的)相似性。常用的测量方法包括'''余弦距离 Cosine similarity '''、'''雅卡德指数 Jaccard index ''',以及'''汉明距离邻接矩阵 Hamming distance between rows of the adjacency matrix '''。然后根据该算法将相似的节点分组到同一个社团中。

	有几种常见的分组方案，其中最简单的两种是单链接聚类和完全链接聚类。前者在不同群组中的所有节点对的相似度小于给定的阈值的情况下，将两个群组视为独立的社团; 后者则是在每个群组中的所有节点对的相似度大于给定的阈值的前提之下进行分组。一个有趣的方法是使用各种相似或不同的测度，通过'''凸和 convex sums '''来改进层次聚类的性能。<ref>{{Cite journal\|title = Weighting dissimilarities to detect communities in networks\|journal = Phil. Trans. R. Soc. A\|date = 2015-12-13\|issn = 1364-503X\|pmid = 26527808\|pages = 20150108\|volume = 373\|issue = 2056\|doi = 10.1098/rsta.2015.0108\|first = Alejandro J.\|last = Alvarez\|first2 = Carlos E.\|last2 = Sanz-Rodríguez\|first3 = Juan Luis\|last3 = Cabrera\|bibcode = 2015RSPTA.37350108A}}</ref>		有几种常见的分组方案，其中最简单的两种是单链接聚类和完全链接聚类。前者在不同群组中的所有节点对的相似度小于给定的阈值的情况下，将两个群组视为独立的社团; 后者则是在每个群组中的所有节点对的相似度大于给定的阈值的前提之下进行分组。一个有趣的方法是使用各种相似或不同的测度，通过'''凸和 convex sums '''来改进层次聚类的性能。<ref>{{Cite journal\|title = Weighting dissimilarities to detect communities in networks\|journal = Phil. Trans. R. Soc. A\|date = 2015-12-13\|issn = 1364-503X\|pmid = 26527808\|pages = 20150108\|volume = 373\|issue = 2056\|doi = 10.1098/rsta.2015.0108\|first = Alejandro J.\|last = Alvarez\|first2 = Carlos E.\|last2 = Sanz-Rodríguez\|first3 = Juan Luis\|last3 = Cabrera\|bibcode = 2015RSPTA.37350108A}}</ref>

←上一版本		2020年4月12日 (日) 13:29的版本
第77行：		第77行：


−	第二，由于社团通常与系统的功能单元相对应，因此单个社团也能阐明网络所代表的系统功能。如在代谢网络中，这些功能组对应于周期或路径；而在'''蛋白质相互作用网络 Protein interaction network '''中，社团对应于生物细胞内具有类似功能的蛋白质；在引用网络中，社团对应于研究主题。而识别网络中的子结构，有助于深入了解网络的功能以及拓扑效应之间是如何相互影响的。这种见解对于改进[[谱聚类 Spectral clustering ]]等图的数据处理算法有一定的参考价值。<ref>{{cite journal\|last=Zare\|first=Habil \|author2=P. Shooshtari \|author3=A. Gupta \|author4=R. Brinkman\|title=Data reduction for spectral clustering to analyze high throughput flow cytometry data\|journal=BMC Bioinformatics\|date=2010\|doi=10.1186/1471-2105-11-403\|pmid=20667133\|pmc=2923634\|volume=11\|pages=403\|issue=1}}</ref>	+	第二，由于社团通常与系统的功能单元相对应，因此单个社团也能阐明网络所代表的系统功能。如在代谢网络中，这些功能组对应于周期或路径；而在'''蛋白质相互作用网络 Protein-protein interaction network '''中，社团对应于生物细胞内具有类似功能的蛋白质；在引用网络中，社团对应于研究主题。而识别网络中的子结构，有助于深入了解网络的功能以及拓扑效应之间是如何相互影响的。这种见解对于改进[[谱聚类 Spectral clustering ]]等图的数据处理算法有一定的参考价值。<ref>{{cite journal\|last=Zare\|first=Habil \|author2=P. Shooshtari \|author3=A. Gupta \|author4=R. Brinkman\|title=Data reduction for spectral clustering to analyze high throughput flow cytometry data\|journal=BMC Bioinformatics\|date=2010\|doi=10.1186/1471-2105-11-403\|pmid=20667133\|pmc=2923634\|volume=11\|pages=403\|issue=1}}</ref>

@@ 第606行： / 第606行： @@
 ----
-本中文词条由[[用户:趣木木|趣木木]]参与编译，刘佩佩用户审校，[[用户:Meng莫|Meng莫]]、[[用户:薄荷|薄荷]]编辑，欢迎在讨论页面留言
+本中文词条由[[用户:趣木木|趣木木]]参与编译，[[用户:苏格兰|苏格兰]]审校，[[用户:Meng莫|Meng莫]]、[[用户:薄荷|薄荷]]编辑，欢迎在讨论页面留言
 '''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''

←上一版本		2020年4月11日 (六) 14:50的版本
第158行：		第158行：
	<source>([0, 1, 2, 3, 4], [5, 6, 7, 8, 9]) #输入Top-1的划分结果，为两个社团</source>		<source>([0, 1, 2, 3, 4], [5, 6, 7, 8, 9]) #输入Top-1的划分结果，为两个社团</source>

−	===~~模板度最大值~~===	+	===模板度最大化===

@@ 第466行： / 第466行： @@
 ====代码实现====
 利用网络科学工具包[https://networkx.github.io/ NetworkX], 可以调用基于[[渗流方法]]的K-clique社团检测算法。示例如下：
-<source>
+<syntaxhighlight lang="python">
 # 导入算法包
@@ 第479行： / 第479行： @@
 c = list(k_clique_communities(G, 4))
-</source>
+</syntaxhighlight>
 ==社团检测算法的评价标准==

@@ 第143行： / 第143行： @@
 ====代码实现====
 利用网络科学工具包[https://networkx.github.io/ NetworkX ], 可以轻松调用GN算法实现社团检测。示例如下：
-<syntaxhighlight>
+<syntaxhighlight lang="python">
 import networkx as nx

@@ 第232行： / 第232行： @@
 ====代码实现====
 利用网络科学工具包[https://networkx.github.io/ NetworkX], 可以轻松调用Clauset-Newman-Moore 贪婪模块度最大化算法，这是一种模块度最大化的近似算法。示例如下：
-<source>
+<syntaxhighlight lang="python">
 import networkx.algorithms.community as community
@@ 第241行： / 第241行： @@
 prin(sorted(c[0]))     #输出第一个社团中的节点
-</source>
+</syntaxhighlight>
 结果：
 <source>[8, 14, 15, 18, 20, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33]</source>

@@ 第437行： / 第437行： @@
   | pages = 49
 }}
-</ref>  这些算法通常在诸如 UCInet 这样的'''社交网络分析软件   social network analysis software  '''中实现。
+</ref>  这些算法通常在诸如 UCInet 这样的社交网络分析软件中实现。
 另一种方法是使用固定大小的团体，设大小为<math>k</math>。 这些图的重叠可以用来定义一类 <math>k</math>- 正则超图或一种团图（线图的一种推广，此时<math>k=2</math>）。<ref name="Evans2010">{{cite journal

@@ 第462行： / 第462行： @@
   | doi = 10.1038/nature03607
 |arxiv=physics/0506133|bibcode=2005Natur.435..814P}}
-</ref>将社团定义为 k-clique 的渗透集群。 为了做到这一点，需找到一个网络中的所有 <math>k</math>派系，即所有完整子图的 <math>k</math> 个节点。然后定义两个共享 <math>k-1</math>个节点的 '''k-cliques  <math>k</math> -团 '''为相邻的 k-cliques ，即用于定义团图中的边。然后将社团定义为k-clique的最大并集，其中任意k-clique 可以通过一系列 k-clique 邻接，从任意 k-clique 到达其他 k-clique 。也就是说，社团只是团图中的连通组件。 由于一个节点可以同时属于几个不同的 k-clique 渗透簇，故社团之间可以相互重叠。
+</ref>将社团定义为'''k-clique'''的渗透集群。 为了做到这一点，需找到一个网络中的所有 <math>k</math>派系，即所有完整子图的 <math>k</math> 个节点。然后定义两个共享 <math>k-1</math>个节点的 k-cliques 为相邻 k-cliques ，即用于定义团图中的边。然后将社团定义为 k-clique 的最大并集，其中任意k-clique 可以通过一系列 k-clique 邻接，从任意 k-clique 到达其他 k-clique 。也就是说，社团只是团图中的连通组件。 由于一个节点可以同时属于几个不同的 k-clique 渗透簇，故社团之间可以相互重叠。
 ====代码实现====