ovirt社群

社群發現演算法(三)

派系過濾CPM方法(clique percolation method)用於發現重疊社群,派系(clique)是任意兩點都相連的頂點的集合,即完全子圖。 在社群內部節點之間連線密切,邊密度高,容易形成派系(clique)。因此,社群內部的邊有較大可能形成大的完全子圖,而社群之間的邊卻幾乎不可能形成較 […]

社群劃分的標準–模組度

在社群發現演算法中,幾乎不可能先確定社群的數目,於是,必須有一種度量的方法,可以在計算的過程中衡量每一個結果是不是相對最佳的結果。 模組度(Modularity)用來衡量一個社群的劃分是不是相對比較好的結果。一個相對好的結果在社群內部的節點相似度較高,而在社群外部節點的相似度較低。 全域性模組度  […]

社群發現演算法中模組化度量值Q(Modularity)的計算

 社群發現演算法中模組化度量值Q(Modularity)的計算 Modularity Measure(模組化度量值),由Newman等人提出,是目前常用的一種衡量網路中社群穩定度的方法。         如上圖所示的圖中,我們將這個圖以圖中兩根橫線為方式進行劃分,共得三個社群(community), […]