在得克萨斯州中部的深峡谷中发现了孤立的宏（（Acer grandidentatum）（大齿枫，d科）的遗存种群。 在山顶上与之相关的是杜松Juniperus ashei（灰杜松）。 我们确定了遗物A. grandidentatum种群的结构，并将其与邻近的J. ashei种群进行了比较。 使用quadrat方法对两个群落中所有木本物种的上层和下层密度进行计数，并确定其基础面积。 宏communities枫木是峡谷群落中最高的密度物种（788±964或52％）和基础面积（29±35或52％）超故事种，而J. ashei的密度最高（1589±146或92％）和基础面积（51±13或88％）在山顶社区。 在峡谷群落的林下，有五种幼树物种，其中包括A. grandidentatum，它们的密度第四高（13％或176±110株/公顷）。 在山顶社区，A。eiei是高密度的林下树种（52％或994±400株/公顷）。 在山顶的朱尼普鲁斯（Juniperus）社区中，没有A. Grandidentatum的上层或下层植物。 Acer grandidentatum具有倒数的二次大小分布，幼体很少。 尽

三种经典复杂网络社区结构划分算法研究_GN算法.doc

电影摄制是团队合作的成果，因为它将众多创意工作者聚集在一起。 此外，创意工作者对电影项目的贡献取决于从事该项目的其他创意人才。 电影的发展的特点是，在逐个电影的基础上，创造性人才的流动性建设和解体，其中导演和演员的声誉和相互依存对于电影的成功至关重要。 例如，当宝莱坞专业人士Karan Johar，Amitabh Bachchan和Hrithik Roshan合作制作了一部电影《 Kabhie Khushi Kabhie Gham》时，就建立了三个联系。 卡兰·乔哈尔（Karan Johar）–阿米塔布·巴尚（Amitabh Bachchan），卡兰·乔哈尔（Karan Johar）–赫里西克·罗尚（Hrithik Roshan）和阿米塔布·巴赫查（Amitabh Bachchan）–赫里西克·罗尚（Hrithik Roshan）。 随后，由于这些专业人员与其他演员和导演一起从事不同的电影项目，因此建立了更多的链接。 这导致了加权协作网络的形成，其中两个人之间的联系权重指示了这两个人进行协作的电影数量。网络中的群体或社区的存在一直是一个经过深入研究的问题。 此外，在与小组动力学有关的先前研究中，已经发现网络内的小组成员的能力与总体表现成正相关。 这促使我们发现和分析印度电影业原始合作网络“宝莱坞”中的介观结构（通常称为社区）。 宝莱坞合作网络中社区的识别可以帮助制片人和电影制片厂组建电影，以便在票房制作商业上可行的内容。 这项工作展示了演员和导演网络中社区的属性和组织，这些演员和导演在2001年1月至2018年6月期间成功发行的成功电影中进行了合作。由于21世纪的空前崛起，我们特别关注2001-2018年的这段时间为了揭示加权网络中的社区结构，我们提出了一种基于相对连通性的度量来计算节点之间的相似性，并提出了一种基于粗糙集的社区检测方法。

提供了Fast unfolding of communities in large networks 的源件以及其matlab代码

社交媒体网络在人们的日常生活中发挥着越来越重要的作用。 社区结构是社交媒体网络的显着特征之一，已经被应用到推荐系统和网络营销等实际应用中。 随着社交媒体规模的Swift扩大和信息量的激增，如何在大数据场景中识别社区已成为一个挑战。 基于我们以前的工作和地图方程（来自社区挖掘信息理论的方程），我们开发了一种新颖的分布式社区结构挖掘框架。 在框架中，（1）我们提出了一种新的链接信息更新方法，以试图避免数据写入相关的操作并试图加快该过程。 （2）我们使用来自节点及其邻居的本地信息而不是pagerank来计算节点的概率分布。 （3）我们从先前的工作中排除了网络分区过程，并尝试直接在MapReduce上运行map方程。 在现实世界中的社交媒体网络和人工网络上的经验结果表明，新框架在准确性，速度和可伸缩性方面优于我们以前的工作和一些著名的算法，例如Radetal，FastGN。

社区结构不明确的网络中基于随机游动的种子扩展社区检测方法

含有人工数据集和真实网络数据集。人工数据集是LFR工具直接生成的包含muw=[0.1,0.8],节点数有500，1000，1500，2500，3500。时间片共20片。人工数据集中有4个数据集。都有真实划分的社区结构。