通过短随机游走发现社群结构

此函数尝试通过随机游走在图中找到密集连接的子图，也称为社群。其思想是短随机游走倾向于停留在同一个社群中。

用法

cluster_walktrap(
  graph,
  weights = NULL,
  steps = 4,
  merges = TRUE,
  modularity = TRUE,
  membership = TRUE
)

参数

graph

输入的图。在有向图中，边的方向被忽略。

weights

边的权重。它必须是一个正数值向量、NULL 或 NA。如果它是 NULL 并且输入图具有 ‘weight’ 边属性，则将使用该属性。如果为 NULL 且不存在此类属性，则边将具有相等的权重。如果该图具有 ‘weight’ 边属性，但您不想将其用于社群检测，请将其设置为 NA。较大的边权重会增加随机游走者选择边的概率。换句话说，较大的边权重对应于更强的连接。

steps

要执行的随机游走的长度。

merges

逻辑标量，是否在结果中包含合并矩阵。

modularity

逻辑标量，是否在结果中包含模块化分数的向量。如果 membership 参数为 true，则始终会计算它。

membership

逻辑标量，是否计算对应于最高模块化值的分割的成员向量。

值

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

详细信息

此函数是 Walktrap 社群发现算法的实现，请参见 Pascal Pons, Matthieu Latapy: Computing communities in large networks using random walks, https://arxiv.org/abs/physics/0512106

参考文献

Pascal Pons, Matthieu Latapy: Computing communities in large networks using random walks, https://arxiv.org/abs/physics/0512106

参见

请参见 communities() 以获取实际的成员向量、合并矩阵、模块化分数等。

参见 modularity() 和 cluster_fast_greedy(), cluster_spinglass(), cluster_leading_eigen(), cluster_edge_betweenness(), cluster_louvain(), 和 cluster_leiden() 以获取其他社群检测方法。

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

作者

Pascal Pons (http://psl.pons.free.fr/) 和 Gabor Csardi csardi.gabor@gmail.com 用于 R 和 igraph 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))
cluster_walktrap(g)
#> IGRAPH clustering walktrap, groups: 3, mod: 0.58
#> + groups:
#>   $`1`
#>   [1] 11 12 13 14 15
#>   
#>   $`2`
#>   [1]  6  7  8  9 10
#>   
#>   $`3`
#>   [1] 1 2 3 4 5
#>