2. 类似的，对于社团检测（复杂网络上做聚类），我们有三个关键问题： ·希望得到什么样的社团 2. 计算相似度矩阵S N为一个字典，“节点id—邻接点id集合

利用邻接矩阵A来存储网络，其中A_{ij}表示第i个节点与第j个节点的是否有边相互链接， 1表示有，0表示没有步骤二、根据网络结构特征给出节点相似性度量指标；给

复杂网络社团发现的聚类算法研究.pdf

实验报告 聚类技术——复杂网络社团检测.docx

本实验利用两类数据：模拟数据与真实数据。模拟数据有著名复杂网络学者Mark Newmann所提出，该网络包括128个节点，每个节点的度为16，网络包含4个社团结构，每个社团包含32个节点，每个节点与社团内部节点有k1个节点相互链接，与社团外部有k2个节点相互链接 （k1+k2=16）。通过调节参数k2 (k2=1,2,3,4,5,6,7,8)增加社团构建检测难度。http://www-personal.umich.edu/~mejn/ 真实数据集：跆拳道俱乐部数据由34个节点组成，由于管理上的分歧，俱乐部分解成两个社团。 包括代码和文档

Newman写的最初的C语言社团发现算法，里面包括了相应的数据。

复杂网络社团发现算法，对于研究复杂网络及复杂网络社团特性的同学，进行聚类分析识别社团结构有较大的参考价值。

复杂网络中最具影响力节点的识别对网络动力学如加速信息的扩散或抑制流言的传播都具有重要影响意义。为了对节点影响力给出具体排序，在已有的各种最具影响力节点识别方法的基础上，提出了一种基于社团结构和k-shell节点法的节点影响力识别方法。其基本思想是利用某个节点处于不同社团的邻居节点的ks值判断节点影响力（称为Nc值），以识别ks值相同的节点的不同影响力。通过单感染源传染的SIR模型进行仿真，发现Nc值较高的节点不仅最终节点的影响范围较大，传播速度也快于其他节点。

复杂网络社团划分算法： 包括EO，快速算法等7-8种算法，还有响应的网络数据转换工具，用于算法对比非常方便

复杂网络中Newman提出的GN算法，算法思想删除网络中边介数最大的边从而把网络划分为社团，算法的主要缺点算法的时间复杂度很高