R语言网络社区检测（社群发现）分析女性参加社交活动和社区节点着色可视化数据挖掘深度学习人工智能算

原文链接：http://tecdat.cn/?p=24886 在网络上进行社区检测时，有时我们不仅拥有实体之间的联系。这些实体代表了我们可能也想在网络可视化中代表的现实事物。

plot(g)

文章图片

我使用数据集，代表了观察到的 18 位女性参加 14 场社交活动的情况。
【R语言网络社区检测（社群发现）分析女性参加社交活动和社区节点着色可视化】不考虑这个图是二向图，让我们尝试将图划分为社区。有自然的分界线吗？让我们根据节点所属的社区为节点着色：

community(g) col <- membership + 1 plot

文章图片

正如我们所看到的，该算法找到了2个社区，乍一看，这种划分似乎是合理的。无论如何，还有一种自然的划分是算法无法找到的：事件/女性的二元关系。每个节点都有这样的属性："是女性 "或 "是事件"。让我们用不同的方式来描述这个图的特征。我们有14个事件。对于这些，我们改变它们的形状。

shape <- "squa" shape <- "cice" plot(g)

文章图片

如何从给定的网络中提取社区？在网络中寻找社区是复杂系统范式下的一项常见任务。有几种方法可以使用非常不同的包对图进行社区分区。
网络社区检测算法 walktrap.community 该算法通过执行随机游走找到密集连接的子图。这个想法是随机游走将倾向于留在社区内，而不是跳到其他社区。
边缘.中间.社区这个算法就是Girvan-Newman算法。它是一种分割算法，在每一步中，具有最高间性的边被从图中移除。对于每一次划分，你都可以计算出图的模块化程度。最后，在这个过程给你带来最高模块化值的地方选择切割树状图。
Newman快速算法(fast greedy)") 该算法是纽曼算法。在这种情况下，算法是凝聚的。在每一步，两组合并。合并是通过优化模块化决定的。这是一种快速算法，但有一个贪婪算法的缺点。因此，虽然我发现它有用且准确，但它可能不会产生最佳的整体社区划分。
自旋玻璃社群发现该算法使用自旋玻璃模型和模拟退火来查找网络内的社区。

# 首先我们加载ipgrah软件包 # 让我们生成两个网络并将其合并为一个图。 graph.union # 让我们删除多线和循环 simplify # 让我们用Grivan-Newman算法看看这里是否有社区。 # Grivan-Newman算法 # 首先，我们计算边缘间性、合并等。 edge.betweenness.community # 现在我们有了合并/拆分，我们需要计算模块化。 # 对于每个合并，我们将使用一个函数，对于每个边被删除，将创建第二个图，检查其成员资格并使用该成员资格来计算模块化程度 membership # -在原图g上计算模块化 modularit # 我们现在可以绘制所有模块化的图 plot # 现在，让我们根据节点的成员资格为其着色 removed.edges color=membership # 让我们为图选择一个布局 layout # 绘制它 plot # 如果我们想使用 fastgreedy.community agorithm，我们会这样做 fastgreedy.communityplot

文章图片

文章图片

最受欢迎的见解
1.采用spss-modeler的web复杂网络对所有腧穴进行分析
2.用R语言和python进行社交网络中的社区检测
3.R语言文本挖掘NASA数据网络分析，tf-idf和主题建模
4.在R语言中使用航空公司复杂网络对疫情进行建模
5.python隶属关系图模型基于模型的网络中密集重叠社区检测
6.使用Python和SAS Viya分析社交网络
7.关联网络分析：已迁离北京外来人口的数据画像
8.情感语义网络：游记数据感知旅游目的地形象
9.用关联规则数据挖掘探索药物配伍中的规律