Taxonomies of networks from community structure.
Taxonomies of networks from community structure.
复制标题
DOI：
10.1103/physreve.86.036104
复制
发表时间：
2012-09
期刊：
影响因子：
--
通讯作者：
Jones NS
中科院分区：
文献类型：
--
作者：
Onnela JP;Fenn DJ;Reid S;Porter MA;Mucha PJ;Fricker MD;Jones NS
网络研究已成为一项重要的跨学科工作，涵盖自然科学、社会科学和信息科学的众多学科。在这里，我们介绍一个基于网络结构相似性构建网络分类的框架。这些网络可以来自多种来源：它们可以是经验的或合成的，它们可以来自单个过程的多种实现（经验的或合成的），它们可以代表不同学科中完全不同的系统，等等。因为网络的介观属性被假设对网络功能很重要，所以我们将我们的比较基于网络社区结构的总结。尽管我们使用特定的方法来发现网络社区，但引入的大部分框架都与该选择无关。介绍该框架后，我们应用它来构建 746 个网络的分类法，并证明我们的方法可以有效地识别类似的网络。我们还在各个网络类别中构建分类法，从而揭示了不平凡的结构。例如，我们为根据政治投票数据和金融数据构建的相似性网络创建分类法。我们还构建了网络分类法来比较 100 个 Facebook 网络的社会结构和不同类型真菌产生的生长结构。
The study of networks has become a substantial interdisciplinary endeavor that encompasses myriad disciplines in the natural, social, and information sciences. Here we introduce a framework for constructing taxonomies of networks based on their structural similarities. These networks can arise from any of numerous sources: they can be empirical or synthetic, they can arise from multiple realizations of a single process (either empirical or synthetic), they can represent entirely different systems in different disciplines, etc. Because mesoscopic properties of networks are hypothesized to be important for network function, we base our comparisons on summaries of network community structures. Although we use a specific method for uncovering network communities, much of the introduced framework is independent of that choice. After introducing the framework, we apply it to construct a taxonomy for 746 networks and demonstrate that our approach usefully identifies similar networks. We also construct taxonomies within individual categories of networks, and we thereby expose nontrivial structure. For example, we create taxonomies for similarity networks constructed from both political voting data and financial data. We also construct network taxonomies to compare the social structures of 100 Facebook networks and the growth structures produced by different types of fungi.
登录
查看更多内容
影响因子：
3.3
作者：
Arenas, A.;Borge-Holthoefer, J.;Zamora-Lopez, G.
通讯作者：
Zamora-Lopez, G.
影响因子：
0.4
作者：
Gleiser, PM;Danon, L
通讯作者：
Danon, L
影响因子：
56.9
作者：
Barabási, AL;Albert, R
通讯作者：
Albert, R
DOI：
10.1088/1742-5468/2008/10/p10008
发表时间：
2008-10-01
影响因子：
2.4
作者：
Blondel, Vincent D.;Guillaume, Jean-Loup;Lefebvre, Etienne
通讯作者：
Lefebvre, Etienne
DOI：
10.1007/978-3-642-01284-6_4
发表时间：
2009-01-01
期刊：
ADAPTIVE NETWORKS: THEORY, MODELS AND APPLICATIONS
影响因子：
--
作者：
Fricker, Mark D.;Boddy, Lynne;Bebber, Daniel P.
通讯作者：
Bebber, Daniel P.