共计 1495 个字符，预计需要花费 4 分钟才能阅读完成。
原文链接：http://tecdat.cn/?p=24886
在网络上进行社区检测时，有时咱们不仅领有实体之间的分割。这些实体代表了咱们可能也想在网络可视化中代表的事实事物。
plot(g)
我应用数据集，代表了察看到的 18 位女性加入 14 场社交活动的状况。
不思考这个图是二向图，让咱们尝试将图划分为社区。有天然的分界线吗？让咱们依据节点所属的社区为节点着色：
community(g)
col <- membership + 1
plot
正如咱们所看到的，该算法找到了 2 个社区，乍一看，这种划分仿佛是正当的。无论如何，还有一种天然的划分是算法无奈找到的：事件 / 女性的二元关系。每个节点都有这样的属性：” 是女性 “ 或 “ 是事件 ”。让咱们用不同的形式来形容这个图的特色。咱们有 14 个事件。对于这些，咱们扭转它们的形态。
shape <- "squa"
shape <- "cice"
plot(g)
如何从给定的网络中提取社区？
在网络中寻找社区是简单零碎范式下的一项常见工作。有几种办法能够应用十分不同的包对图进行社区分区。
网络社区检测算法
walktrap.community
该算法通过执行随机游走找到密集连贯的子图。这个想法是随机游走将偏向于留在社区内，而不是跳到其余社区。
边缘. 两头. 社区
这个算法就是 Girvan-Newman 算法。它是一种宰割算法，在每一步中，具备最高间性的边被从图中移除。对于每一次划分，你都能够计算出图的模块化水平。最初，在这个过程给你带来最高模块化值的中央抉择切割树状图。
Newman 疾速算法(fast greedy)”)
该算法是纽曼算法。在这种状况下，算法是凝聚的。在每一步，两组合并。合并是通过优化模块化决定的。这是一种疾速算法，但有一个贪心算法的毛病。因而，尽管我发现它有用且精确，但它可能不会产生最佳的整体社区划分。
自旋玻璃社群发现
该算法应用自旋玻璃模型和模拟退火来查找网络内的社区。
# 首先咱们加载 ipgrah 软件包
# 让咱们生成两个网络并将其合并为一个图。graph.union
# 让咱们删除多线和循环
simplify
# 让咱们用 Grivan-Newman 算法看看这里是否有社区。# Grivan-Newman 算法
# 首先，咱们计算边缘间性、合并等。edge.betweenness.community
# 当初咱们有了合并 / 拆分，咱们须要计算模块化。# 对于每个合并，咱们将应用一个函数，对于每个边被删除，将创立第二个图，查看其成员资格并应用该成员资格来计算模块化水平
membership
# - 在原图 g 上计算模块化
modularit
# 咱们当初能够绘制所有模块化的图
plot
# 当初，让咱们依据节点的成员资格为其着色
removed.edges
color=membership
# 让咱们为图抉择一个布局
layout
# 绘制它
plot
# 如果咱们想应用 fastgreedy.community agorithm，咱们会这样做
fastgreedy.community
plot
最受欢迎的见解
1. 采纳 spss-modeler 的 web 简单网络对所有腧穴进行剖析
2. 用 R 语言和 python 进行社交网络中的社区检测
3.R 语言文本开掘 NASA 数据网络剖析，tf-idf 和主题建模
4. 在 R 语言中应用航空公司简单网络对疫情进行建模
5.python 附属关系图模型 基于模型的网络中密集重叠社区检测
6. 应用 Python 和 SAS Viya 剖析社交网络
7. 关联网络分析：已迁离北京外来人口的数据画像
8.情感语义网络 ： 游记数据感知游览目的地形象
9. 用关联规定数据挖掘摸索药物配伍中的法则
