【发布时间】：2016-05-24 02:07:00
【问题描述】：
我正在尝试以自上而下的方式寻找网络社区。大多数可用的算法（例如在 igraph 包中）都是自下而上的——也就是说，它们首先假设所有节点都是单例社区，然后将它们组合成更大的社区。我想换一种方式，类似于构建决策树的方式：从整个网络开始，然后找到一个改进某些“信息度量”的拆分，等等。
有人知道这样的算法或这样的措施吗？我在文献中找不到这样的东西，但也许我遗漏了一些东西。
此外，模块化的一些措施让我感到困扰的是，如果您将整个网络视为一个模块，那么所有边都在模块内，并且不存在模块外边，所以这似乎是一个完美的模块划分.有没有克服这个限制的措施？
【问题讨论】：
-
你可以近似最稀疏的切割。
-
您似乎误解了模块化的概念 - 它不仅计算模块模块中的边数，而且还会将其与预期的边数进行比较，如果一个随机网络同时保持度分布。如果社区内的边缘比预期多得多，则认为社区结构是好的（即具有高模块化）。如果将每个节点都放在同一个模块中，则模块性将为零，因为无论您如何随机化网络，边仍将位于模块内。
-
谢谢，@Tamas。我其实很了解这一点。我只是没有找到算法。但是，正如您已经提出这个问题，我将争辩说，在社交网络中，通过随机化将边数与预期数进行比较是不现实的。社交网络数据中的边缘往往不遵循完全随机的结构。相反，分布是不同的，所以你会期望集群中有更多的边，因为它是一个社交网络。所以模块化可能会低估随机基线，从而高估“真实”的模块化分数。
标签： algorithm social-networking igraph modularity