论文探讨了在网络科学中，如何在时间依赖、多尺度和多层网络上检测社区结构。提出了结合Laplacian动力学和‘空模型’思想的新方法，解决了传统方法在处理动态网络时的不足。通过实例展示了方法的有效性，尤其是在美国大选数据上的应用，揭示了政党社区随时间的变化趋势。
这篇论文相比之前一篇读起来有点吃力，一是生词有点多，二是牵扯到过多的专业知识，很多框架结构多是其他论文中提到的，对于论文的实现细节无法深究，但能大概明白文章做了什么事。
网络科学（Network Science）是一门跨专业的学科，一个重要的问题就是网络节点中社区（community）的检测，就是将网络中关系密切的一些节点归为一个集合，称为community。本文提出了一种方法可以解决在以时间为分片的多尺度网络上检测community的问题。
之前的检测方法是使用一个quality function来比较community内节点的边与随机节点的差别。而这种方法需要一个特别的“空模型”（null model），我的理解是使用这样的一个“空模型”，然后按照一定的规则，对每个节点进行分析，得出这个节点应该属于哪个community，就将该节点分配过去，直到所有节点都分配完成。
但是这样的模型对于时间依赖（time-dependent）的网络就不适用了，因为在这样的网络中，不仅每个分片中网络节点存在联系，同一个节点在不同的时间分片中也存在着联系。本文利用了“空模型”的思想和Laplacian dynamics得出了一种检测方法。
论文的具体实现细节和公式实在是有难度，我想谈谈我对论文中的几张图的理解：
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
