网络社区检测（社群发现）分析女性参加社交活动和社区节点着色可视化

plot(g)

我使用数据集，代表了观察到的 18 位女性参加 14 场社交活动的情况。

不考虑这个图是二向图，让我们尝试将图划分为社区。有自然的分界线吗？让我们根据节点所属的社区为节点着色：

community(g)

col 

plot

正如我们所看到的，该算法找到了2个社区，乍一看，这种划分似乎是合理的。无论如何，还有一种自然的划分是算法无法找到的：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"。让我们用不同的方式来描述这个图的特征。我们有14个事件。对于这些，我们改变它们的形状。

shape 

shape 

plot(g)

如何从给定的网络中提取社区？

在网络中寻找社区是复杂系统范式下的一项常见任务。有几种方法可以使用非常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接的子图。这个想法是随机游走将倾向于留在社区内，而不是跳到其他社区。

边缘.中间.社区

这个算法就是Girvan-Newman算法。它是一种分割算法，在每一步中，具有最高间性的边被从图中移除。对于每一次划分，你都可以计算出图的模块化程度。最后，在这个过程给你带来最高模块化值的地方选择切割树状图。

Newman快速算法(fast greedy)")

该算法是纽曼算法。在这种情况下，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。这是一种快速算法，但有一个贪婪算法的缺点。因此，虽然我发现它有用且准确，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

该算法使用自旋玻璃模型和模拟退火来查找网络内的社区。

# 首先我们加载ipgrah软件包

# 让我们生成两个网络并将其合并为一个图。

graph.union

# 让我们删除多线和循环

simplify

# 让我们用Grivan-Newman算法看看这里是否有社区。

# Grivan-Newman算法

# 首先，我们计算边缘间性、合并等。

edge.betweenness.community

# 现在我们有了合并/拆分，我们需要计算模块化。

# 对于每个合并，我们将使用一个函数，对于每个边被删除，将创建第二个图，检查其成员资格并使用该成员资格来计算模块化程度

membership

# -在原图g上计算模块化

modularit

# 我们现在可以绘制所有模块化的图

plot

# 现在，让我们根据节点的成员资格为其着色

removed.edges

color=membership

# 让我们为图选择一个布局

layout

# 绘制

plot

# 使用 fastgreedy.community 算法

plot