7,129
个编辑
更改
→层次聚类
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。
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>
===Girvan-Newman 社团检测算法===
===Girvan-Newman 社团检测算法===