Consensus clustering in complex networks.
Consensus clustering in complex networks.
复制标题
DOI：
10.1038/srep00336
复制
发表时间：
2012
影响因子：
4.6
通讯作者：
Fortunato, Santo
中科院分区：
文献类型：
--
作者：
Lancichinetti, Andrea;Fortunato, Santo
复杂网络的社区结构揭示了其组织结构和其组成部分之间的隐藏关系。目前可用的大多数社区检测方法都不是确定性的，它们的结果通常取决于特定的随机种子，初始条件和执行时采用的平局规则。共识聚类用于数据分析，从随机方法提供的一组分区中生成稳定的结果。在这里，我们表明，共识聚类可以结合任何现有的方法在一个自我一致的方式，大大提高了稳定性和准确性的分区。该框架也特别适合于监测时序网络中社区结构的演化。共识聚类的一个大型的引用网络的物理论文的应用程序表明，它的能力，以跟踪出生，死亡和多样化的主题。
The community structure of complex networks reveals both their organization and hidden relationships among their constituents. Most community detection methods currently available are not deterministic, and their results typically depend on the specific random seeds, initial conditions and tie-break rules adopted for their execution. Consensus clustering is used in data analysis to generate stable results out of a set of partitions delivered by stochastic methods. Here we show that consensus clustering can be combined with any existing method in a self-consistent way, enhancing considerably both the stability and the accuracy of the resulting partitions. This framework is also particularly suitable to monitor the evolution of community structure in temporal networks. An application of consensus clustering to a large citation network of physics papers demonstrates its capability to keep track of the birth, death and diversification of topics.
登录
查看更多内容
DOI：
10.1088/1742-5468/2005/09/p09008
发表时间：
2005-09-01
影响因子：
2.4
作者：
Danon, L;Díaz-Guilera, A;Arenas, A
通讯作者：
Arenas, A
DOI：
10.1073/pnas.0605965104
发表时间：
2007-01-02
影响因子：
11.1
作者：
Fortunato, Santo;Barthelemy, Marc
通讯作者：
Barthelemy, Marc
影响因子：
2.4
作者：
Clauset, A
通讯作者：
Clauset, A
DOI：
10.1073/pnas.122653799
发表时间：
2002-06-11
影响因子：
11.1
作者：
Girvan, M;Newman, MEJ
通讯作者：
Newman, MEJ
影响因子：
64.8
作者：
Clauset, Aaron;Moore, Cristopher;Newman, M. E. J.
通讯作者：
Newman, M. E. J.