通过贪婪优化模块化发现社区结构

此函数尝试通过直接优化模块化得分来查找密集子图，也称为图中的社区。

用法

cluster_fast_greedy(
  graph,
  merges = TRUE,
  modularity = TRUE,
  membership = TRUE,
  weights = NULL
)

参数

graph

输入图。它必须是无向的，并且不能有多重边。

merges

逻辑标量，是否返回合并矩阵。

modularity

逻辑标量，是否返回一个向量，其中包含每次合并后的模块化值。

membership

逻辑标量，是否计算与最大模块化得分相对应的成员向量，考虑沿合并的所有可能的社区结构。

weights

边的权重。它必须是正数值向量，NULL 或 NA。如果它是 NULL 并且输入图具有“weight”边属性，那么将使用该属性。如果为 NULL 并且不存在这样的属性，则边将具有相等的权重。如果图有一个“weight”边属性，但您不想将其用于社区检测，请将其设置为 NA。较大的边权重意味着此函数的连接更强。

值

cluster_fast_greedy() 返回一个 communities() 对象，有关详细信息，请参阅 communities() 手册页。

详细信息

此函数实现了快速贪婪模块化优化算法来查找社区结构，有关详细信息，请参见 A Clauset, MEJ Newman, C Moore: Finding community structure in very large networks, http://www.arxiv.org/abs/cond-mat/0408187 。

参考文献

A Clauset, MEJ Newman, C Moore: Finding community structure in very large networks, http://www.arxiv.org/abs/cond-mat/0408187

参见

communities() 用于提取结果。

另请参见 cluster_walktrap(), cluster_spinglass(), cluster_leading_eigen() 和 cluster_edge_betweenness(), cluster_louvain() cluster_leiden() 用于其他方法。

社区检测 as_membership(), cluster_edge_betweenness(), cluster_fluid_communities(), cluster_infomap(), cluster_label_prop(), cluster_leading_eigen(), cluster_leiden(), cluster_louvain(), cluster_optimal(), cluster_spinglass(), cluster_walktrap(), compare(), groups(), make_clusters(), membership(), modularity.igraph(), plot_dendrogram(), split_join_distance(), voronoi_cells()

作者

Tamas Nepusz ntamas@gmail.com 和 Gabor Csardi csardi.gabor@gmail.com 用于 R 接口。

示例

g <- make_full_graph(5) %du% make_full_graph(5) %du% make_full_graph(5)
g <- add_edges(g, c(1, 6, 1, 11, 6, 11))
fc <- cluster_fast_greedy(g)
membership(fc)
#>  [1] 3 3 3 3 3 1 1 1 1 1 2 2 2 2 2
sizes(fc)
#> Community sizes
#> 1 2 3 
#> 5 5 5