针对目前基于种子节点选择的社区发现算法在准确性和复杂度等方面存在的不足, 提出了一种基于Node2Vec的重叠社区发现算法. 首先, 使用Node2Vec算法学习到网络中每个节点的向量表示, 用以计算节点间的相似度, 其次, 利用节点影响力函数计算节点影响力并找出种子节点, 然后基于每个种子节点进行社区的扩展优化, 最终挖掘出高质量的重叠社区结构. 本文选取多个真实网络进行了对比实验, 结果表明, 本文所提出的算法能够在保证良好稳定性的前提下发现高质量的社区结构.

一种新的重叠社区发现算法.doc

基于标签传播概率的重叠社区发现算法

安全技术-网络信息-微博网络中的重叠社区发现算法研究.pdf

安全技术-网络信息-社会网络中的重叠社区发现算法研究.pdf

安全技术-网络信息-社会网络中基于标签传播的重叠社区挖掘研究.pdf

集团渗透法 Clique Percolation Method (CPM) 是一个用于查找重叠社区的 gephi 插件。 该方法用于寻找重叠社区，首先通过检测大小为 k 的社区，然后根据大小为 k 的团形成一个团图。 该插件旨在与 Gephi 一起使用，并将图转换为大小为 k 的集团图。 算法 算法很简单： 1- 首先在图中找到所有大小为 k 的团 2- 然后创建图，其中节点是大小为 k 的团 3- 如果两个节点（团）共享 k-1 个公共节点，则添加边。 4- 每个连接的组件都是一个社区 参考 Palla、Gergely、Imre Derényi、Illés Farkas 和 Tamás Vicsek。 “揭示自然界和社会中复杂网络的重叠社区结构。” 自然 435，没有。 7043 (2005)：814-818。

由于社区结构是复杂网络的重要特征，近年来对社区检测的研究越来越受到人们的关注。尽管大多数研究者致力于识别不相交的社区，但许多真实网络中的社区经常重叠。在本文中，我们提出了一种新颖的MCLC算法，该算法利用线形图上的随机游动和吸引力强度来发现重叠社区。 与传统的从节点开始的随机游走不同，我们的随机游走从链接开始。 首先，我们将无向网络图转换为加权线图，然后在该图上随机游走。线图可以与马尔可夫链相关联。 通过计算马尔可夫链的转移概率，我们获得了链对之间的相似性。 接下来，可以通过链接方法将链接聚类为“链接社区”，并且链接社区之间的这些节点可以是重叠节点。 在将“链接社区”转换为“节点社区”时，我们定义了吸引强度以控制重叠大小。 最终，允许将检测到的社区重叠。 在合成网络和一些真实世界的网络上进行的实验验证了该算法的有效性和有效性。将重叠模块Qov与其他相关算法进行比较，该算法的结果令人满意。

随着社区规模的不断扩大，基于标签传播思想的重叠社区发现算法得到较大发展。经典重叠社区发现算法虽然很好地利用了标签随机传播特性实现了重叠社区发现，但是也导致该算法输出结果很不稳定、社区生成质量较差。为克服采用最新的ClusterRank为所有节点排序降低随机性带来的结果稳定性差的弊端，引入最大社区节点数以控制最大社区节点数目，防止远大于其他社区的Monster出现。采用真实数据集和人工网络验证，结果证实，改良后算法可行有效。

计算重叠互信息NMI源码 linux环境 参考文献：Lancichinetti A Fortunato S Kertész J Detecting the overlapping and hierarchical community structure in complex networks[J] New Journal of Physics 2009 11 3 : 033015