复杂网络社区划分方法综述

摘 要：复杂网络在现实网络表现为多种形式，本文将从2002年以来经典社区划分方法入手，对复杂网络社区划分的研究现状进行一个综合简单的描述和概括，试图为社区划分研究描绘出一个较为全面和清晰的轮廓，为该领域的后续研究提供有益的参照。 
　　关键词：复杂网络；社区划分；形式；综述 
　　中图分类号：TU984.12 文献标识码：A 文章编号：1674-7712 （2014） 12-0000-02 
　　复杂网络在现实网络表现为多种形式，如社会系统中的科学合作网、人际关系网，生物系统中的基因调控网、蛋白质大分子之间交互网和流行病传播网、蛋白质交互网，科技系统中的电话网、因特网和万维网等等。同时，复杂网络更加普遍存在一些统计特征，如表达复杂网络中节点服从幂律分布特征的“无标度特性”，反映网络短路径长度和高聚类系数特点的“小世界效应”和反映网络中普遍在的同一社区中节点连接紧密、不同社区节点连接稀疏特征的“社区结构”等等 。一般认为社区结构（簇）是指复杂网络中由具有相同或相似属性构成的社区，不同的社区结构在特定的网络中具有不同的性质和特征，如：人际关系网络中由相同的兴趣而形成的人群，蛋白质网络中具有相似功能的蛋白质群等。 
　　自从2002年，Girvan和Newman提出著名的社区挖掘GN（Girvan-Newman）算法[1]，此后很多复杂网络社区挖掘方法相继被提出，在新的理论、方法层出不穷，新的应用领域也不断涌现的背景下。如何发现复杂网络中的社区结构，已经成为最具挑战的多学科交叉研究课题之一，吸引了来自生物、社会、物理、计算机、数学等多领域的研究者。 
　　本文将从2002年以来经典社区划分方法入手，对复杂网络社区划分的研究现状进行一个综合简单的描述和概括，本文试图为社区划分研究描绘出一个较为全面和清晰的轮廓，为该领域的后续研究提供有益的参照。 
　　一、社区挖掘方法 
　　（一）基于模块度的社区划分 
　　2002年，Girvan和Newman基于启发式规则提出著名的社区挖GN（Girvan-Newman）算法[1]，该算法从社区间的连接边介数入手，根据社区间边介数应大于社区内部链接的边介数，通过反复计算边介数，移除边介数最大的边，自顶向下的方式建立一颗层次聚类树的方法来划分社区。其中边介数定义为：网络中经过每条边的最短路径的数目。通过在实际网络中的应用发现该方法的划分的结果精度高，但是计算速度较慢；对于一个具有m条边，n个节点的网络时间复杂度为O（mn2），并且该算法没有对于社区在什么时候进行划分提出一个有效的方法。 
　　2003年，Tyler等人将采用蒙特卡洛方法[3]引入GN算法中，引入统计方法来估算其中部分节点的链接的近似边介数，提出了一种近似的Gn算法，