Recursive filtration method for detecting community structure in networks
Recursive filtration method for detecting community structure in networks
复制标题
检测网络社区结构的递归过滤方法
DOI：
10.1016/j.physa.2008.08.029
复制
发表时间：
2008-11
影响因子：
3.3
通讯作者：
Li, Tao
中科院分区：
文献类型：
--
作者：
Pei, Wenjiang;Wang, Shaoping;Wang, Kai;Shen, Yi;Li, Tao
社区检测是复杂网络中最近备受关注的话题，但迄今为止提出的大多数方法都是分裂和凝聚的方法，每次只删除一条边来分裂网络，或者每次只凝聚一个节点，直到没有单个节点剩余。与之不同的是，我们提出了一种方法来分裂网络并行删除许多边在每个过滤操作，并提出了一个社区递归系数（CRC）表示为M而不是Q（模块性），以量化的分裂结果的影响在本文中。我们证明了局部M的递归优化等价于获得最大的整体Q值对应于良好的划分。对于一个具有m条边、c个社团和任意拓扑的网络，该方法最多分裂c+1次，在O（m2+（c+1）m）时间内检测出社团结构.我们给出了几个例子的应用程序，并表明该方法可以检测本地社区，特别是在大型网络的外部链接的密度，以增加的顺序。
Community detection is a topic of considerable recent interest within complex networks, but most methods proposed so far are divisive and agglomerative methods which delete only one edge each time to split the network, or agglomerating only one node each time until no individual node remains. Unlike those, we propose a method to split networks in parallel by deleting many edges in each filtration operation, and propose a community recursive coefficient (CRC) denoted by M instead of Q (modularity) to quantify the effect of the splitting results in this paper. We proved that recursive optimizing of the local M is equivalent to acquiring the maximal global Q value corresponding to good divisions. For a network with m edges, c communities and arbitrary topology, the method split the network at most c+1 times and detected the community structure in time O(m2+(c+1)m). We give several example applications, and show that the method can detect local communities according to the densities of external links to them in increasing order especially in large networks.
登录
查看更多内容
影响因子：
5.8
作者：
Holme, P;Huss, M;Jeong, HW
通讯作者：
Jeong, HW
DOI：
10.4018/978-1-7998-6713-5.ch008
发表时间：
2021
期刊：
Advances in Human Resources Management and Organizational Development
影响因子：
--
作者：
Yuh-Wen Chen
通讯作者：
Yuh-Wen Chen
影响因子：
1.6
作者：
C. Streeter;D. F. Gillespie
通讯作者：
C. Streeter;D. F. Gillespie
DOI：
10.1007/978-3-319-32010-6_187
发表时间：
2022-05
期刊：
Encyclopedia of Big Data
影响因子：
--
作者：
Magdalena Bielenia-Grajewska
通讯作者：
Magdalena Bielenia-Grajewska
DOI：
--
发表时间：
2004
期刊：
--
影响因子：
--
作者：
通讯作者：
--