论文阅读心得一~ Finding and evaluating community structure in networks

老师说，写论文就像生孩子，可是对现在的我来说，读论文就像怀孩子，连婚都没结，怎么怀孩子？

关于社区发现，其实就是一个笼统的概念，把一个网络，现阶段都是复杂网络和重叠的大型网络了，划分成小的团体和组合。内部联系越紧密越好，社区和社区之间的联系尽可能少。

万丈高楼平地起，必须从开头开始做。先把newman 的一套算法思想搞通再说吧。

Newman 的经典之作当然是 Finding and evaluating community structure in networks 了，介绍了社团发现的两种基本思想：

1.agglomerative methods，凝聚算法，这类方法从一个个孤立的节点开始，计算每两个节点的相似度（按照一定的算法，本文没有介绍），相似度高则这两个节点在同一个社团。这种方法的问题在与社团中核心节点往往具有很高的相似度，但是边缘节点则容易被忽略。

2. divisive methods，分裂算法，算法步骤：

   （1）计算网络中所有边的betweenness 

   （2）移除betweenness最大的边。这里 删除边并不是要在真实的网络中切断节点之间的已存在的联系，而是为了寻找图中的社区。

   （3）重新计算所有边的betweenness

   （4）重复步骤2直到没有边剩余。

算法的第三步，即每删除一天betweenness最大的边后，要重新计算剩下的图的所有边的betweenness，计算量很大，但可以提高结果的准确性。

那么问题来了，我们要删除哪些边？

A2：不同的算法会有不同的方式，基于社区的重要特征（社区内部联系紧密，社团之间联系松散），Newman提出删除具有最大"betweenness"的边。

Newman将‘betweenness’解释为连接社团之间（而不是社团内部）节点的度量。我们要做的是找到betweenness最大的边，删除它，直到找出所有community，这是一个循环迭代的过程。

怎么计算betweenness呢？

Newman提出3种计算betweenness的方法：1.找出网络中每两个节点之间的最短路径，最短路径会有重合的边，那么经过某条边的最短路径重合次数就代表它的betweenness。2和3方法一种是randomwalk betweenness，一种是current-flow betweenness，本质上是一样的，相较于第一种方法，2,3复杂度大而且精确度低，后面对该论文的引用也大多是对第一种方法的改进和使用。

酝酿...