iGraph库中Community Detection方法比较

最新推荐文章于 2025-03-22 08:00:00 发布

mousever

最新推荐文章于 2025-03-22 08:00:00 发布

阅读量1.1w

点赞数

分类专栏： DM R

DM 同时被 2 个专栏收录

107 篇文章

订阅专栏

14 篇文章

订阅专栏

本文对比了几种复杂网络社区发现算法的性能，包括边介数、随机游走、特征向量、快速贪婪、多层次和标签传播等方法，并在Zachary空手道俱乐部数据集上进行了实验验证。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

复杂网络的使用中，有这么几个库：

表格来自：http://bbs.sciencenet.cn/blog-404069-297233.html

库名称	原始开发语言	可用某语言调用
BGL	C++	C++/ Python（通过boost-python）
QuickGraph	C#	支持.NET平台的任何语言(Python程序员可用IronPython)
igraph	C	C/C++/R/Python（理论上至少有50种语言可直接或间接调用C程序）
NetworkX	Python	Python

=========
别的没有尝试过，igraph还是比较好用的，里面的社区发现经典算法很全面。直接贴对比几种方法的R代码吧，相关论文以及算法的复杂度都在代码中，自己体验体验吧，multilevel.community（算法可以称作：Louvain或者BGLL）算法感觉是稳定、准确而且快速的，特别是稀疏图的时候：没时间细说原理了，其实原理都很简单。

 
          library(igraph) 
         
          layout(matrix(c(1,2,3, 
         
          4,5,6),nr = 2, byrow = T)) 
         
          ########################################################## 
         
          #经典的“Zachary 空手道俱乐部”（Zachary‟s Karate Club）社 
         
          #会网络[26]。20 世纪70 年代，Zachary 用了两年的时间观察美国一所大学的空手道 
         
          #俱乐部内部成员间关系网络。在Zachary 调查的过程中，该俱乐部的主管与校长因 
         
          #为是否提高俱乐部收费的问题产生了争执，导致该俱乐部最终分裂成了两个分别 
         
          #以主管与校长为核心的小俱乐部。就模块度优化而言，当前学者们已经广泛认为， 
         
          #该网络的最优划分是模块度Q=0.419 的4 个社团划分。 
         
          ########################################################## 
         
          g <- graph.famous( 
          "Zachary" 
          ) 
         
          ## 
         
          #• Community structure in social and biological networks 
         
          # M. Girvan and M. E. J. Newman 
         
          #• New to version 0.6: FALSE 
         
          #• Directed edges: TRUE 
         
          #• Weighted edges: TRUE 
         
          #• Handles multiple components: TRUE 
         
          #• Runtime: |V||E|^2 ~稀疏:O(N^3) 
         
          ## 
         
          system 
          . 
          time 
          (ec <- edge.betweenness.community(g)) 
         
          print(modularity(ec)) 
         
          plot(ec, g) 
         
          #• Computing communities in large networks using random walks 
         
          # Pascal Pons, Matthieu Latapy 
         
          #• New to version 0.6: FALSE 
         
          #• Directed edges: FALSE 
         
          #• Weighted edges: TRUE 
         
          #• Handles multiple components: FALSE 
         
          #• Runtime: |E||V|^2 
         
          system 
          . 
          time 
          (wc <- walktrap.community(g)) 
         
          print(modularity(wc)) 
         
          #membership(wc) 
         
          plot(wc , g) 
         
          #• Finding community structure in networks using the eigenvectors of matrices 
         
          # MEJ Newman 
         
          # Phys Rev E 74:036104 (2006) 
         
          #• New to version 0.6: FALSE 
         
          #• Directed edges: FALSE 
         
          #• Weighted edges: FALSE 
         
          #• Handles multiple components: TRUE 
         
          #• Runtime: c|V|^2 + |E| ~N(N^2) 
         
          system 
          . 
          time 
          (lec <-leading.eigenvector.community(g)) 
         
          print(modularity(lec)) 
         
          plot(lec,g) 
         
          #• Finding community structure in very large networks 
         
          # Aaron Clauset, M. E. J. Newman, Cristopher Moore 
         
          #• Finding Community Structure in Mega-scale Social Networks 
         
          # Ken Wakita, Toshiyuki Tsurumi 
         
          #• New to version 0.6: FALSE 
         
          #• Directed edges: FALSE 
         
          #• Weighted edges: TRUE 
         
          #• Handles multiple components: TRUE 
         
          #• Runtime: |V||E| log |V| 
         
          system 
          . 
          time 
          (fc <- fastgreedy.community(g)) 
         
          print(modularity(fc)) 
         
          plot(fc, g) 
         
          #• Fast unfolding of communities in large networks 
         
          # Vincent D. Blondel, Jean-Loup Guillaume, Renaud Lambiotte, Etienne Lefebvre 
         
          #• New to version 0.6: TRUE 
         
          #• Directed edges: FALSE 
         
          #• Weighted edges: TRUE 
         
          #• Handles multiple components: TRUE 
         
          # Runtime: “linear” when |V| \approx |E| ~ sparse; (a quick glance at the algorithm \ 
         
          # suggests this would be quadratic for fully-connected graphs) 
         
          system 
          . 
          time 
          (mc <- multilevel.community(g, weights=NA)) 
         
          print(modularity(mc)) 
         
          plot(mc, g) 
         
          #• Near linear time algorithm to detect community structures in large-scale networks. 
         
          # Raghavan, U.N. and Albert, R. and Kumara, S. 
         
          # Phys Rev E 76, 036106. (2007) 
         
          #• New to version 0.6: TRUE 
         
          #• Directed edges: FALSE 
         
          #• Weighted edges: TRUE 
         
          #• Handles multiple components: FALSE 
         
          # Runtime: |V| + |E| 
         
          system 
          . 
          time 
          (lc <- label.propagation.community(g)) 
         
          print(modularity(lc)) 
         
          plot(lc , g)