0. 社區划分簡介 0x1：非重疊社區划分方法 在一個網絡里面，每一個樣本只能是屬於一個社區的，那么這樣的問題就稱為非重疊社區划分。 在非重疊社區划分算法里面，有很多的方法： 1. 基於模塊度優化的社區划分 基本思想是將社區划分問題轉換成了模塊度函數的優化，而模塊度是對社區划分算法 ...

，如此往復，直到每個節點標簽不再發生變化，那么持有相同標簽的節點就歸為一個社區。 算法優點：思路簡單，時間復 ...

AP聚類算法是基於數據點間的"信息傳遞"的一種聚類算法。與k-均值算法或k中心點算法不同，AP算法不需要在運行算法之前確定聚類的個數。AP算法尋找的"examplars"即聚類中心點是數據集合中實際存在的點，作為每類的代表。 算法描述： 假設$\{ {x_1},{x_2 ...

社區（community）定義：同一社區內的節點與節點之間關系緊密，而社區與社區之間的關系稀疏。 設圖G=G(V,E),所謂社區發現是指在圖G中確定nc(>=1)個社區C={C1,C2,...,Cnv},使得各社區的頂點集合構成V的一個覆蓋。 若任意兩個社區的頂點集合的交際均為空，則稱C ...

Louvain算法主要針對文獻[1]的一種實現，它是一種基於模塊度的圖算法模型，與普通的基於模塊度和模塊度增益不同的是，該算法速度很快，而且對一些點多邊少的圖，進行聚類效果特別明顯，本文用的畫圖工具是Gephi，從畫圖的效果來說，提升是很明顯的。 文本沒有權威，僅是個人工 ...

在做東西的時候用到了社區發現的算法，因此查找了好多人的文章，發現一個不錯的總結，先轉載過來 原文出處http://blog.csdn.net/aspirinvagrant/article/details/45577033 在社區發現算法中，幾乎不可能先確定社區的數目，於是，必須有一種度量 ...

原文出處 http://blog.csdn.net/aspirinvagrant/article/details/45823329 派系過濾CPM方法(clique percolation method)用於發現重疊社區，派系(clique)是任意兩點都相連的頂點的集合，即完全子圖 ...

眾所周知，機器學習可以大體分為三大類：監督學習、非監督學習和半監督學習。監督學習可以認為是我們有非常多的labeled標注數據來train一個模型，期待這個模型能學習到數據的分布，以期對未來沒有 ...