R igraph 手册页

cluster_louvain {igraph}

R 文档

通过模块化度的多层优化寻找社群结构

描述

此函数实现多层模块化度优化算法，用于寻找社群结构，请参阅下面的参考资料。它基于模块化度度量和分层方法。

用法

cluster_louvain(graph, weights = NULL, resolution = 1)

参数

图	输入图。
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，则将其设置为 NA。 对于此函数，较大的边权重意味着更强的连接。
resolution	可选的分辨率参数，允许用户调整算法内部使用的模块化度函数的分辨率参数。较低的值通常产生较少、较大的集群。 当分辨率参数设置为 1 时，将恢复模块化度的原始定义。

详细信息

此函数实现多层模块化度优化算法，用于寻找社群结构，详情请参阅 VD Blondel, J-L Guillaume, R Lambiotte 和 E Lefebvre: 大型网络中社群层次结构的快速展开，https://arxiv.org/abs/0803.0476。

它基于模块化度度量和分层方法。 最初，每个顶点都被分配到自己的社群中。 在每个步骤中，顶点以局部贪婪的方式重新分配到社群：每个顶点都被移动到它对模块化度贡献最大的社群。 当没有顶点可以重新分配时，每个社群都被视为自己的顶点，并且该过程从合并的社群再次开始。 当只剩下一个顶点或在某个步骤中无法再增加模块化度时，该过程停止。 自 igraph 1.3 起，顶点以随机顺序处理。

此函数由 Tom Gregorovic 贡献。

值

cluster_louvain 返回一个 communities 对象，有关详细信息，请参阅 communities 手册页。

作者

Tom Gregorovic, Tamas Nepusz ntamas@gmail.com

参考

Vincent D. Blondel, Jean-Loup Guillaume, Renaud Lambiotte, Etienne Lefebvre: 大型网络中社群的快速展开。 J. Stat. Mech. (2008) P10008

参见

有关从结果中提取成员关系、模块化分数等信息，请参见 communities。

其他社群检测算法： cluster_walktrap, cluster_spinglass, cluster_leading_eigen, cluster_edge_betweenness, cluster_fast_greedy, cluster_label_prop cluster_leiden

示例

# This is so simple that we will have only one level
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_louvain(g)

---