0. 社区划分简介 0x1：非重叠社区划分方法 在一个网络里面，每一个样本只能是属于一个社区的，那么这样的问题就称为非重叠社区划分。 在非重叠社区划分算法里面，有很多的方法： 1. 基于模块度优化的社区划分 基本思想是将社区划分问题转换成了模块度函数的优化，而模块度是对社区划分算法 ...

，如此往复，直到每个节点标签不再发生变化，那么持有相同标签的节点就归为一个社区。 算法优点：思路简单，时间复 ...

AP聚类算法是基于数据点间的"信息传递"的一种聚类算法。与k-均值算法或k中心点算法不同，AP算法不需要在运行算法之前确定聚类的个数。AP算法寻找的"examplars"即聚类中心点是数据集合中实际存在的点，作为每类的代表。 算法描述： 假设$\{ {x_1},{x_2 ...

社区（community）定义：同一社区内的节点与节点之间关系紧密，而社区与社区之间的关系稀疏。 设图G=G(V,E),所谓社区发现是指在图G中确定nc(>=1)个社区C={C1,C2,...,Cnv},使得各社区的顶点集合构成V的一个覆盖。 若任意两个社区的顶点集合的交际均为空，则称C ...

Louvain算法主要针对文献[1]的一种实现，它是一种基于模块度的图算法模型，与普通的基于模块度和模块度增益不同的是，该算法速度很快，而且对一些点多边少的图，进行聚类效果特别明显，本文用的画图工具是Gephi，从画图的效果来说，提升是很明显的。 文本没有权威，仅是个人工 ...

在做东西的时候用到了社区发现的算法，因此查找了好多人的文章，发现一个不错的总结，先转载过来 原文出处http://blog.csdn.net/aspirinvagrant/article/details/45577033 在社区发现算法中，几乎不可能先确定社区的数目，于是，必须有一种度量 ...

原文出处 http://blog.csdn.net/aspirinvagrant/article/details/45823329 派系过滤CPM方法(clique percolation method)用于发现重叠社区，派系(clique)是任意两点都相连的顶点的集合，即完全子图 ...

众所周知，机器学习可以大体分为三大类：监督学习、非监督学习和半监督学习。监督学习可以认为是我们有非常多的labeled标注数据来train一个模型，期待这个模型能学习到数据的分布，以期对未来没有 ...