网络社区划分方法及评价
静态和动态网络社区检测与嵌入算法在大规模社交网络中的应用研究
静态和动态网络社区检测与嵌入算法在大规模社交网络中的应用研究第一章：引言社交网络的快速发展使得人们在日常生活中能够更加方便地连接和交流。
随着大规模社交网络的兴起，研究者开始对社交网络进行深入的研究和分析。
其中，网络社区的检测和嵌入是社交网络研究的重要方向。
本文将以静态和动态网络社区检测与嵌入算法的应用研究为主题，介绍其在大规模社交网络中的应用及其价值。
第二章：静态网络社区检测算法静态网络社区检测算法是指将网络中的节点划分为不同的社区，使得社区内的节点之间具有相似的特征和联系。
目前，常用的静态社区检测算法有基于聚类的算法，基于模块化性的算法和基于图划分的算法等。
2.1 基于聚类的算法基于聚类的算法是将网络中的节点分为不同的簇，每个簇代表一个社区。
这类算法常用的方法有谱聚类、k-means算法和DBSCAN算法等。
这些算法通过计算节点之间的相似度或距离，将相似的节点聚集在一起。
2.2 基于模块化性的算法基于模块化性的算法是通过最大化社区内节点的连接强度和最小化社区之间的连接强度，将网络划分为不同的社区。
这类算法常用的方法有GN算法、Louvain算法和模拟退火算法等。
这些算法可以有效地找到网络中的社区结构，提高社交网络的分析效果。
2.3 基于图划分的算法基于图划分的算法是将网络图分割成多个互不重叠的子图，每个子图代表一个社区。
这类算法常用的方法有k-means算法、谱聚类算法和深度学习算法等。
这些算法通过最小化网络中的边界节点数和最大化社区内节点之间的连接强度，实现对社区的检测。
第三章：动态网络社区检测算法动态网络社区检测算法是指在网络拓扑和节点属性发生变化时，实时地检测网络社区的变化。
动态网络社区检测算法在大规模社交网络中具有重要的应用价值。
3.1 基于时间窗口的算法基于时间窗口的算法是将网络的变化划分为多个时间窗口，每个时间窗口内的网络被视为静态网络进行社区检测。
这类算法常用的方法有WindowScan算法和LANMF算法等。
基于LFM算法的改进社区发现算法
基于LFM算法的改进社区发现算法肖永嘉;朱征宇【摘要】由于能够反映网络内部结构,重叠社区划分在各领域有着越来越重要的作用.LFM算法是其中较为流行的一种社区划分方法.但其存在一些缺点,例如在网络变得庞大和复杂的时候,时间消耗会变得巨大.为了解决这一问题,提出核心区域的概念,并藉此对LMF算法进行改进.最后通过实验验证,发现该算法能够减小时间消耗,同时能够得到更为可靠的社区划分.【期刊名称】《现代计算机（专业版）》【年(卷),期】2017(000)014【总页数】6页(P21-25,48)【关键词】重叠社区划分;LFM;核心区域【作者】肖永嘉;朱征宇【作者单位】重庆大学计算机学院,重庆 400000;重庆大学计算机学院,重庆400000【正文语种】中文由于能够反映网络内部结构，重叠社区划分在各领域有着越来越重要的作用。
LFM算法是其中较为流行的一种社区划分方法。
但其存在一些缺点，例如在网络变得庞大和复杂的时候，时间消耗会变得巨大。
为了解决这一问题，提出核心区域的概念，并藉此对LMF算法进行改进。
最后通过实验验证，发现该算法能够减小时间消耗，同时能够得到更为可靠的社区划分。
重叠社区划分；LFM；核心区域现实世界的很多复杂的相互作用的系统往往被抽象成网络来表示，用来让人们更好地理解复杂系统的全部特性，更好地应对现实的变化。
例如互联网环境下的社交网络、电子商务；流行病传播学中的疾病预防控制过程，生物学网络中蛋白质组织构造等。
随着人们对复杂网络的研究日益深入，社区结构作为复杂网络存在的普遍特征，由于能有效地揭示网络系统中群体的共性规律，是解决复杂系统的基础，又能推进相关应用的发展，已经成为网络研究的一个重要分支。
而重叠社区的发现可以更为准确地理解网络内部的拓扑结构信息，在近些年的研究中得到了越来越多的关注。
社区并没有一个严格意义上的定义，较为广泛接受的是Newman和Gievan提出的“同一社区内的点与点之间的链接更紧密，不同社区之间的点的链接更稀疏[1，2]。
基于边密度的复杂网络社区结构划分方法
第３ ０卷 第 １ ２期 ２ ０ １ ３年 １ ２月
计 算机 应 用与软 件
Ｃｏ ｍｐｕ ｔ ｅ ｒ Ａｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎｓ ａ ｎ ｄ Ｓ ｏ ｆ ｔ ｗａ ｒ ｅ
Ｖ０ １ ． ３ ０ Ｎｏ ． １ ２
Ｄｅ ｅ ．２ ０１ ３
基 于 边 密 度 的 复 杂 网络 社 区 结构 划 分 方 法
Ｔ Ｐ ３ ０ １ ． ６
文献标识码
Ｐ ＡＲＴＩ ＴＩ ＯＮ Ｍ ＥＴＨＯ Ｄ ＦｏＲ ＣＯＭ Ｍ ＵＮＩ ＴＹ Ｓ Ｔ ＲＵＣＴＵＲＥ
Ｉ Ｎ ＣｏＭ ＰＬＥＸ ＮＥＴＷ ｏ ＲＫＳ ＢＡＳ ＥＤ ｏＮ ＥＤＧＥ ＤＥＮＳＩ ＴＹ
Ｚ ｈ ｏ ｕ Ｌ ｉ ｎ Ｙ ａ ｎ Ｌ ｉ Ｓ ｈ ｅ ｎ Ｘ ｉ ａ ｎ ｇ ｊ ｕ ｎ
周 林 晏 立 沈项军
（ 江苏大学计算机科 学与通信５ １ ２ 程学院 江苏 镇江 ２ １ ２ ０ １ ３ ）
摘
要
针对基于模块度最优 的社 区结构探 测算法会产生分辨率 限制、 时 间复杂度高等 问题 ， 提 出一种基 于边 密度 的社 区结构探
测算法。该算法不仅可 以对 网络进行社 区结构 的划分 ， 而且 不会 产生分辨率 限制 的问题 ， 算法 的运行复 杂度是 ０ （ ｋ・ ｍ） ， 其 中 ｍ为 网络 中的边数 ， ｋ为 网络 中节 点的最大 节点度 。为 了验证该算法 的正确性和性 能， 与著名 的社 团探测 算法——Ｇ Ｎ算法和 Ｎ Ｆ算法进
动态演化网络中的社区检测与识别
动态演化网络中的社区检测与识别一、引言今天，互联网上的信息量与用户数量不断增长，这使得对网络网络社区和社交网络的研究变得尤为重要。
在许多应用程序中，识别网络社区是一项关键的任务，这包括推荐系统、信息传递和安全性分析。
因此，动态演化网络中的社区检测和识别是一个重要且热门的研究领域。
二、动态演化网络动态演化网络可以定义为一个具有节点和边的集合，并且这些节点和边的状态在时间上是不断变化的。
例如，在社交网络中，节点是用户，边是它们之间的关系，例如好友关系等。
这些关系可能会因时间而变化，例如两个用户之间的关系可能由好友变成仇敌。
因此，动态演化网络可以看作是静态网络的演化，它们能够反映网络内部节点和边的变化。
三、动态社区检测社区检测是指将网络中的节点和边按照它们的相关性划分成不同的集合。
动态社区检测是一个更加复杂的任务，因为节点和边经常变化。
在动态社区检测中，我们需要考虑到网络的演化和变化。
例如，在社交网络中，人们可能会加入或离开社交平台。
此外，已经被列入一个给定的社交圈子的人可能会与其他人形成新的社交关系。
这些变化造成的挑战就是在网络上寻找动态社区并保持该社区的一致性。
四、网络社区的评价方法社区的评价方法又称为评估方法，是用于查检社区检测算法执行效果的一种方法。
以下是一些广泛使用的网络社区的评估方法：1.模块度模块度是衡量社区结构的一个重要指标。
它表示网络的社区中节点间连接的密度与节点之间本来应该连接的密度的比率。
一般认为，模块度值越高，则社区检测算法效果越好。
2.重叠度重叠度是衡量多社区间交叉程度的一种方法。
它可以用于各种多社区检测算法的评估，尤其适合那些仅需要把每个节点划分为少量的社区的算法。
3.外部指标外部指标可以帮助衡量检测结果，它们可以使用与真实社区的比较来评估检测结果的性能。
包括F值、准确率和召回率等。
五、动态网络社区检测算法1.追踪算法追踪算法能够通过追踪节点的变化来有效地识别动态网络中的社区。
louvain团体识别方法
louvain团体识别方法Louvain团体识别方法是一种用于社交网络分析的算法，它能够将网络中的节点划分成不同的社区或团体。
这种方法被广泛应用于社交网络、通信网络和生物网络等领域，可以帮助我们理解网络结构、发现潜在的社区结构以及研究信息传播等重要问题。
Louvain团体识别方法的核心思想是最大化网络内部的连接强度，同时最小化网络之间的连接强度。
在这个过程中，节点会被不断地重新分配到不同的社区中，直到最优的社区结构被找到。
具体来说，Louvain算法的步骤如下：1. 初始化：将每个节点看作一个独立的社区。
2. 第一轮迭代：对于每个节点，计算将其移到相邻社区所带来的模块度增益（即社区内部连接强度与社区之间连接强度的差值），选择增益最大的移动方式，并更新社区划分。
3. 第二轮迭代：将第一轮迭代中的每个社区作为一个新的节点，重新构建网络。
计算每个新节点移动到相邻社区所带来的模块度增益，并选择增益最大的移动方式。
不断重复这个过程，直到社区划分不再改变。
Louvain团体识别方法的优点在于它具有较高的运行效率和良好的可扩展性。
通过将网络划分为多个层次的社区结构，Louvain算法能够在保持较高的划分质量的同时，减少计算复杂度。
这使得它能够处理大规模的网络数据，并在实际应用中取得良好的效果。
除了在社交网络分析中的应用，Louvain团体识别方法还可以用于其他领域的研究。
例如，在生物网络中，它可以帮助我们发现蛋白质相互作用网络中的功能模块，从而理解生物系统的结构和功能。
在交通网络中，它可以用于寻找交通拥堵的瓶颈区域，优化交通流量的分配。
总结来说，Louvain团体识别方法是一种有效的社交网络分析算法，能够帮助我们理解网络结构、发现潜在的社区结构以及研究信息传播等重要问题。
它的优势在于高效的运行速度和良好的可扩展性，使得它能够处理大规模的网络数据，并在不同领域的研究中发挥重要作用。
通过应用Louvain算法，我们可以更好地理解和利用社交网络的特点，为实际应用提供更好的支持。
s区p区d区划分标准
s区p区d区划分标准在中国，s区、p区、d区的划分标准是根据城市的规模和功能来确定的。
这种划分标准主要是根据城市的人口数量、经济发展水平以及城市规划的需求来确定的。
下面将介绍s区、p区、d区的划分标准及其相关参考内容。
1. S区划分标准：S区是城市划分的最小单位，通常是指一个街道或一个社区。
s区的划分主要参考以下内容：- 人口数量：s区的人口一般较少，通常在几千人到几万人之间。
- 功能定位：s区的功能主要涵盖居住、商业和公共服务等基本功能。
- 基础设施：s区的基础设施包括公园、学校、医院、市场等，能够满足居民日常生活和工作的需求。
2. P区划分标准：P区是城市划分的中等单位，通常是指一个片区或一个镇。
p区的划分主要参考以下内容：- 人口数量：p区的人口一般在几万人到几十万人之间。
- 经济发展水平：p区的经济发展水平相对较高，具有一定的产业基础和经济实力。
- 基础设施：p区的基础设施包括商业中心、工业园区、教育设施等，能够满足较大范围内居民和企业的需要。
- 自然资源：p区的划分还考虑了自然资源的分布情况，比如水源、土地利用等。
3. D区划分标准：D区是城市划分的最大单位，通常是指一个区县或一个城市的主要区域。
d区的划分主要参考以下内容：- 人口数量：d区的人口一般在几十万人到几百万人之间。
- 经济规模：d区的经济规模相对较大，具有一定的经济实力和较高的产业发展水平。
- 基础设施：d区的基础设施包括交通网络、商业中心、产业集聚区等，能够满足大范围内居民和企业的需求。
- 行政管理：d区的划分还考虑了行政管理的需要，比如政府机关的分布、行政区划划分等。
总结起来，s区、p区、d区的划分标准主要是根据人口数量、经济发展水平以及城市规划的需求来确定的。
这种划分标准不仅能够有效管理城市的经济、社会和环境资源，也能够提高城市的发展效率和居民的生活质量。
三种经典复杂网络社区结构划分算法研究
（ｒｕ ）或“ ｃ ｓ ｒ” ｇ ｐ ” 团（ｌ ｔ ）构成的。 ｏ ｕｅ 每个群内部的节点之 间的连接相对非常紧密 ， 但是各个群之间的连接相对
来说却 比较稀疏 ， 如图 １ 所示 。 图中的网络包含三个社 团， 分别对应 图中三个 圆圈包 围的部分。 在这些社团内
部， 节点之间的联系非常紧密 ， 而社 团之间的联系就稀
ｕ ｅｕ ｅ ｅｅ ｃ ｏ ｏ ｓｆ ｌｒ ｆｒ ｎ ｅ ｆ ｒ ｃ ｍ
ｕ ｉ ｅｅ ｔ ｎ ａ ｏ ｔ ｍ ｅｅ ｔ ｎ ｉ ｃ ａ ａ ｐｉ ａ ｏ ｓ ｎ ｔ ｄ ｔｃ ｏ ｌ ｒ ｈ ｓｌ ｃｉ ｎ ａ ｔ ｌ ｐ ｌ ｔ ｎ ． ｙ ｉ ｇｉ ｏ ｕ ｃｉ
出现一个更大的 Ｐ 。 值 当交换完毕后 ， 便找到上述交换 过程 中所记录的最大的 Ｐ值。这时对应的社团结构就 认为是该 网络实际的社 团结构。 １２ 基 于 Ｌ ｐａ ｅ图特征 值 的谱二 分法 ． ａ ｌｃ 该算法利用网络结构的 Ｌｐ ｃ 矩 阵中不为 ０的 ａｌ ｅ ａ
Ｇ Ｎ算法是一种分裂方法［ ８ １ 。其基本思想是不 断的
现实生活 中、 交通运输 网、 计算机 网等。网络模型 是描述这些 复杂系统的最 有效模型 。通过对现实系 统 网络模型 的研究 ，人们 发现许多现实系统 的网络 模型是介 于完全规则 和完 全随机之间 的。由于这种
网络是 真实 复杂系统的拓扑抽象 ，因此它被称为复 杂 网络 。
每一 列 的和 均为 ０ 因 而 ， ， 向量 Ｉ（ ， ，， ，） Ｌ相 ＝ １１ｌ… １ 是
２ 三种算 法的对 比分析
从上述三种算 法 的过程来 看 ，ａｌ ｅ图特 征值 Ｌｐ ｃ ａ 谱二分法 ， ｅ ｇａ— ｉ 算法 和 Ｇ Ｋ ｍｉ ｎ Ｌ ｈ ｎ Ｎ算法计算 简洁 ， 都易于程序实现。 ｅ ｇａ— ｉ 算法的时间复杂度相 Ｋ ｍｉ ｎ Ｌ ｈ ｎ 对于其他两种算法较小些 ， 但该算法对 网络中社 区划 分 的准确度不 高 ，适用于小规模 网络社 区划 分 。而
网络社区划分方法及评价
网络社区划分方法及评价【摘要】网络社区结构是社会网络最普遍和最重要的拓扑属性之一，其特点是，同一社区内的节点连接密集，不同社区间的节点连接稀疏。
揭示网络社区结构对分析复杂网络拓扑结构、理解其功能、发现其隐含模式、预测其行为都具有十分重要的理论意义，在社会网、生物网和万维网中具有广泛应用。
本文主要从网络社区划分的起源、常见的社区划分方法及社区评价准则等三个方面介绍网络社区划分研究的相关工作。
【关键词】复杂网络；网络社区；社区划分；社会网络分析；社区的评价；局部社区划分0.引言网络科学将系统内部的各个元素作为节点，元素之间的关系视为连接，那么系统就构成了一个具有复杂连接关系的网络。
然而，近几年的实证研究表明，这些看似毫不相干的且形态各异的真实系统的拓扑抽象都具有某些共同的拓扑性质，如小世界与无标度特性等等。
由于它们所表现出来的拓扑性质与随机网络、规则网络等有着天壤之别，且节点众多，因此被称为复杂网络。
目前，复杂网络成为技术、生物乃至社会各类复杂系统的非常一般的抽象方法与描述骨架，相关研究成为重要的学科交叉研究前沿。
所谓社区(community)即指网络的内聚子图，其基本特征表现为子图内部链接丰富，不同子图之间连接相对稀少。
1.常见网络社区划分方法1.1基于优化思想的算法基于优化思想的算法将复杂网络社区划分转化为优化问题，通过最优化预定义的目标函数来计算复杂网络的社区结构。
比如K-L算法、谱平分法、随机游走(Random Walks)算法和派系过滤(CMP)算法等。
这些算法的突出优点是速度比较快，效率显著。
但是缺点也很突出，这一类算法都需要知道网络社区的数目，甚至KL算法还需要知道每个社区中各有多少节点，才能正确划分。
这显然不适于网络未知社区的探索。
1.2社会网络分析方法源于社会网络分析中寻找社区结构的传统算法，主要基于分级聚类思想，按照各个节点之间连接的相似性或者强度，把网络自然地划分为各个子群。
其具体实现方式又有两种：其一是往网络中添加边，即凝聚方法(agglomerative method)；其二是又从网络中移除边，即分裂方法(divisive method)。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
网络社区划分方法及评价
【摘要】网络社区结构是社会网络最普遍和最重要的拓扑属性之一，其特点是，同一社区内的节点连接密集，不同社区间的节点连接稀疏。
揭示网络社区结构对分析复杂网络拓扑结构、理解其功能、发现其隐含模式、预测其行为都具有十分重要的理论意义，在社会网、生物网和万维网中具有广泛应用。
本文主要从网络社区划分的起源、常见的社区划分方法及社区评价准则等三个方面介绍网络社区划分研究的相关工作。
【关键词】复杂网络；网络社区；社区划分；社会网络分析；社区的评价；局部社区划分
0.引言
网络科学将系统内部的各个元素作为节点，元素之间的关系视为连接，那么系统就构成了一个具有复杂连接关系的网络。
然而，近几年的实证研究表明，这些看似毫不相干的且形态各异的真实系统的拓扑抽象都具有某些共同的拓扑性质，如小世界与无标度特性等等。
由于它们所表现出来的拓扑性质与随机网络、规则网络等有着天壤之别，且节点众多，因此被称为复杂网络。
目前，复杂网络成为技术、生物乃至社会各类复杂系统的非常一般的抽象方法与描述骨架，相关研究成为重要的学科交叉研究前沿。
所谓社区(community)即指网络的内聚子图，其基本特征表现为子图内部链接丰富，不同子图之间连接相对稀少。
1.常见网络社区划分方法
1.1基于优化思想的算法
基于优化思想的算法将复杂网络社区划分转化为优化问题，通过最优化预定义的目标函数来计算复杂网络的社区结构。
比如K-L算法、谱平分法、随机游走(Random Walks)算法和派系过滤(CMP)算法等。
这些算法的突出优点是速度比较快，效率显著。
但是缺点也很突出，这一类算法都需要知道网络社区的数目，甚至KL算法还需要知道每个社区中各有多少节点，才能正确划分。
这显然不适于网络未知社区的探索。
1.2社会网络分析方法
源于社会网络分析中寻找社区结构的传统算法，主要基于分级聚类思想，按照各个节点之间连接的相似性或者强度，把网络自然地划分为各个子群。
其具体实现方式又有两种：其一是往网络中添加边，即凝聚方法(agglomerative method)；其二是又从网络中移除边，即分裂方法(divisive method)。
凝聚方法的基本思想是基于网络中节点某种相似性分层进行聚类的。
初始时，每个节点为一个社区，然
后从相似性最高的节点对开始，往一个节点数为n而边的数目为0的原始空网络中添加边。
这个过程可以中止于任何一点，此时这个网络的组成就认为是若干个社团。
节点间的相似度，由网络拓扑结构决定，如快速FN算法中采用基于模块度的相似度；还有基于随机行走相似度；基于结构等价性的相似度,；基于边独立路径数的相似度；基于节点聚类中心度(clustering centrality)的相似度。
相反地，在分裂算法中，一般是从所关注的整个网络着手，试图找到已连接的相似性最低的节点对，然后删除它们的连接。
重复这个过程，就逐步把整个网络分成越来越小的各个部分，直到每个节点均为一个独立的社区。
同样地，可以在任何情况下中止，并且把此状态下的网络看作若干网络社团的集合。
最著名的GN算法就是以不断删除网络中边介数最大的连接，来逐步划分社区的。
GN算法准确度比以往的算法要高，但是，由于要不断计算边介数，其效率比较低。
因此，出现了一些改进型的GN算法和新算法，比如：Tyler等提出的采用节点集的GN算法；Radicchi等人提出的自包含GN算法(self-contained GN algorithm)和基于边聚类系数的快速分裂算法；基于相异性指数(dissimilarity index)的算法；基于信息中心度(information centrality)的算法；以及多种极值优化(extremal optimization, EO)算法。
2.网络社区社区发现方法的评价
如此众多的社区发现算法，如何评价算法的性能就成为一个问题。
这里涉及三个方面。
第一个方面是网络社区的定义。
最初，Newman等人对于网络社区，都只是给出一个定性的解释，并没有做出一个精确的定义。
直到Radicchi等在00年首次明确量化定义了强社区(strong community)结构和弱社区(weak community)结构。
第二个方面是网络社区结构的评价标准，比如，分多少个社区比较合适？那种社区划分方案更合理？对此，Newman等给出了一个模块度(modularity)评价指标；此后，Aaron Clauset等针对局部社区挖掘问题，又进一步给出了局部模块度(local modularity)概念；针对权重网络,00年Fan等人定义了含权模块度。
最后一个方面就是测试基准网络。
不同算法的性能只有在相同的条件下才有可比性，因此选择合适的基准网络，就显得十分重要了。
其中最有代表性的就是Girvan和Newman于00年提出的GN基准网络，模型有四个参数RN(C,N,k,pin)，其中C为社区数目，N为每个社区的节点数目，k为节点的平均度，pin为社区内部链接比例；在此基础上，Fan等人设计了一个加权的GN基准网络；真实网络中的社区规模往往是不相等的，因此，Brandes等人提出了一个社区规模服从高斯分布的基准网络模型；进一步来说，真实世界网络的社区规模一般服从幂律分布,，因此，00年Bagrow基于BA模型生成的初始网络，随机分为几个社区，在不同两个社区间选择一对边，引入重连接机制，从而可以生成一个新的基准网络，该方法随着重连接次数的增大，社区结构愈加显著。
同年，Andrea Lancichinetti 等进一步设计了一个社区数目和社区规模都呈幂律分布的LFR基准网络模型，00年有进一步扩展到具有重叠社区的有向加权网络。
3.结论与展望
复杂网络的核心研究内容是揭示复杂网络功能和结构之间的内在联系。
目前主要的一些社区发现算法如谱分析方法, 、著名的GN算法及其改进、MFC(maximum flow community)算法、HITS(hyperlink induced topic search)算法和派系过滤(CPM, clique percolation method)算法等大都是基于网络全局信息进行社区划分的。
尽管KL(Kernighan-Lin)算法,、FN(Fast Newman)算法和GA(Guimera-Amaral)算法等是基于局部搜索的方法实现的，但是仍需要在不同分簇间进行节点交换或分解合并，所以，其依赖的仍是网络全局信息。
一方面，随着信息技术的迅速发展，映射和探索大规模社会和通信网络的结构，揭示与理解人类社会通信模式与演化规律，已经成为社会网研究的一个重要内容，借助高性能计算机，构建0规模以上的网络模型已不足为奇。
因此随着网络规模的日益扩大，依赖全局信息进行网络社区的探索和划分无疑是一个巨大的挑战。
另一方面，社区结构本身所体现的是网络的一种局域化特征，理论上应该可以利用局部信息进行社区的划分和提取。
因此，利用局部信息进行社区划分和搜索局部网络社区将是一个值得进一步探索的研究方向。
■。