社区发现算法--GN算法

最新推荐文章于 2024-09-16 09:09:56 发布

jeremyyl

最新推荐文章于 2024-09-16 09:09:56 发布

阅读量2.5k

点赞数

分类专栏： CommunityDetection 文章标签：算法人工智能

本文链接：https://blog.csdn.net/yjt1325/article/details/120424405

版权

GN算法是一种用于社区发现的方法，基于边介数的概念，通过移除高边介数的边来分割社区。算法流程包括计算边介数、移除最大边介数边，直至所有边移除。优点在于能精确划分社团，揭示网络层次结构，但计算复杂度过高，且对社区数量的预知有依赖。适合已知社区数量的中型网络分析。

摘要由CSDN通过智能技术生成

复杂网络发展
1998年Watts和Strogtz提出了WS小世界模型(Small-world network)
1999年Barabasi和Albert提出无标度网络模型(Scale-free network)
人们发现复杂网络具有一定的社区结构。相同类型节点之间连接较多，构成一个一个的小社区，不同类型节点之间连接较少，但成为沟通不同社区的重要通道，这种连接的不均匀性表明，网络内部存在一定的自然分化

社区定义：
对于社区（community），目前没有明确的定义，常见的是Newman和Gievan提出的：社区是图的一个子图，相比于图的其他部分，其中包含着密集的节点，或者等价地说，如果图一个子图内部的链接数量高于这些子图之间的链接数，我们就可以说这个图含有社区
GN算法的思想很直接，按定义来分割：因为社区内部边连接较多，节点比较紧密，而社区之间边连接比较少，GN算法思想就是直接去除社区之间的边来分割社区；这里的关键问题是怎么识别社区之间的边呢？或者说有什么指标能指示边是社区之间边的可能性？
GN算法提出了边介数的概念来解决该问题，
边介数：某条边的边介数是指网络中通过这条边的最短路径的数目
GN算法的基本流程如下：
1)计算网络中各条边的边介数；
2)找出边介数最大的边，并将它移除(如果最大边介数的边不唯一，那么既可以随机挑选一条边断开也可以将这些边同时断开)；
3)重新计算网络中剩余各条边的边介数；
4)重复第2)、3)步,直到网络中所有的边都被移除。
优点：
1、在知道划分社