8、网络分析：聚类、比较、传播及曲率应用

网络分析：聚类、比较、传播及曲率应用

1. 顶点聚类算法

在网络分析中，有多种顶点聚类算法，这些算法与 k-means 不同，用户无需指定聚类的数量，算法会在寻找最优解的过程中自行确定聚类数量。
- walktrap 和 spinglass ：这两种算法找到了相同的三个聚类，分别是医学院的个体（包括 Farrelly 的顶点 V7），以及退伍军人组个体被分为两部分。这种三分聚类在这些算法找到的解决方案中产生了最高的模块化得分。
- Louvain ：该算法得到的得分次之，结果与前面的类似，但对退伍军人组的划分略有不同，将两个顶点从一个聚类重新分配到另一个聚类。
- 快速贪心算法 ：模块化得分略低于 Louvain，最终只得到两个聚类，即包含 Farrelly 的医学院社区和退伍军人组社区。该算法的贪心特性使其未能发现通过划分退伍军人组社区可以获得更高的模块化得分。不过，这种两聚类解决方案描述了数据的原始背景，即 Farrelly 将她的两个独立社区合并在一起。

此外，igraph 中还实现了其他一些顶点聚类算法：
- cluster_edge_betweenness() ：该函数以更直接的方式使用介数度量。介数得分高的顶点被视为桥梁，该函数揭示的社区是由这些桥梁分隔开的。
- cluster_infomap() ：使用信息理论来寻找信息易于流动的社区，这也可以从网络上随机游走的行为来解释。

2. 网络比较

有时候，一个网