R igraph 手册页

cluster_walktrap {igraph}

R 文档

通过短随机游走进行社群结构检测

描述

此函数尝试通过随机游走查找密集连接的子图，也称为图中的社群。其思想是短随机游走倾向于停留在同一社群中。

用法

cluster_walktrap(
  graph,
  weights = NULL,
  steps = 4,
  merges = TRUE,
  modularity = TRUE,
  membership = TRUE
)

参数

图	输入的图，在有向图中忽略边的方向。
weights	边的权重。它必须是正数值向量、NULL 或 NA。如果它是 NULL 并且输入图具有“weight”边属性，则将使用该属性。如果 NULL 并且不存在这样的属性，则边将具有相等的权重。如果图具有“weight”边属性，但您不想将其用于社群检测，请将其设置为 NA。较大的边权重会增加随机游走者选择边的概率。换句话说，较大的边权重对应于更强的连接。
steps	要执行的随机游走的长度。
merges	逻辑标量，是否在结果中包含合并矩阵。
modularity	逻辑标量，是否在结果中包含模块化分数的向量。如果 membership 参数为 true，则始终会计算它。
membership	逻辑标量，是否计算对应于最高模块化值的拆分的成员向量。

详细信息

此函数是 Walktrap 社群发现算法的实现，请参见 Pascal Pons, Matthieu Latapy: Computing communities in large networks using random walks, https://arxiv.org/abs/physics/0512106

值

cluster_walktrap 返回一个 communities 对象，有关详细信息，请参见 communities 手册页。

作者

Pascal Pons (http://psl.pons.free.fr/) 和 Gabor Csardi csardi.gabor@gmail.com 用于 R 和 igraph 接口

参考

Pascal Pons, Matthieu Latapy: Computing communities in large networks using random walks, https://arxiv.org/abs/physics/0512106

参见

请参见 communities 以获取实际的成员向量、合并矩阵、模块化分数等。

modularity 和 cluster_fast_greedy, cluster_spinglass, cluster_leading_eigen, cluster_edge_betweenness, cluster_louvain, 和 cluster_leiden 用于其他社群检测方法。

示例

g <- make_full_graph(5) %du% make_full_graph(5) %du% make_full_graph(5)
g <- add_edges(g, c(1,6, 1,11, 6, 11))
cluster_walktrap(g)

---