基于GN算法的20人网络社区分析。

图2

UCINET分析20人的网络

图3

可视化实验数据

图4

具有11个子图的社区结构

数据转换成本程序的数据定义文件。

该程序以文本格式保存网络顶点和边定义。

顶点定义为每行的垂直位置

位置y的形状为v1251636表示顶点1在X轴251和Y轴636上。

边缘定义为每条线的极重形状,例如a1234,代表从第一顶点到第二顶点的边缘,权重为34。

在此数据上测试了GN算法。

在数据的开头,图中的子图数为5,如果您使用N步查找边界数并删除边界,则子图数子图的社区结构为11。

图4显示了整体性能。

实验结果表明,社交网络可以分解较大的凝聚力社区和两个较小的社区。一个大型社区由六个顶点组成。六个顶点之间的连接更紧密,并且所有节点均已连接,但是中间顶点为2。

两个小社区都由两个顶点组成。

大型社区的六个顶点都是原始图像的所有节点,并且可以解释社交网络中活动用户之间的联系接近程度。

两个小的社区成员由高度相关的节点组成,几乎没有外部联系,并且具有很高的局部凝聚力。这可以解释一小部分原型。

从边缘切割过程来看,在上一步中获得的最大边缘点是所有悬架节点(只有一个节点连接到整个网络),并且该节点高度依赖或更紧密地连接到该节点的节点通常集成到社区中,并且通常不参与社区形成。

您可以使用GN算法来检测网络社区的结构。该算法在隔离节点,完全连接的社区,未经授权的图形和高级的内聚网络等特殊形式上具有出色的强度。

需要社区进行进一步的研究以确定社区中各个方面的平等使用是否可以用作取消边界,小社区的前提和重要性以及发现中悬挂节点的存在的条件。