遗传算法在社区发现中的应用与实践指南
机器学习算法在社区发现中的应用研究
机器学习算法在社区发现中的应用研究1.引言社区发现是社交网络分析中的重要研究领域之一。
它的目标是通过分析给定网络中的节点和边的连接模式来识别出隐含的社区结构。
传统的社区发现方法依赖于手工定义的规则或启发式算法，这种方法在大规模网络中效果有限。
近年来，机器学习算法开始在社区发现领域展示出巨大的潜力。
本文将探讨机器学习算法在社区发现中的应用研究进展，并讨论其优势和局限性。
2.机器学习算法在社区发现中的优势2.1 数据驱动机器学习算法可以利用海量的网络数据进行训练，从而克服传统方法中的主观性和人为偏差。
通过学习数据中的模式和规律，机器学习模型可以自动地挖掘社区结构，提高发现效果。
2.2 自适应性机器学习算法可以根据不同的网络特征和任务需求进行自适应调整。
它可以学习适应于不同网络的特征提取方法，从而提高社区发现的准确性和鲁棒性。
2.3 高效性机器学习算法可以通过并行计算和优化算法来提高社区发现的效率。
例如，基于聚类的机器学习算法可以通过分布式计算和并行处理来加速社区发现过程，使得算法能够应对大规模网络分析的需求。
3.机器学习算法在社区发现中的应用研究进展3.1 基于图表示学习的社区发现图表示学习是机器学习在社区发现中的重要应用方向之一。
通过将节点和边表示为低维向量，图表示学习可以从网络中学习到节点之间的相似性和关联性。
这些表示可以作为输入特征用于社区划分算法。
一些典型的图表示学习算法包括DeepWalk、Node2Vec和GraphSAGE等。
3.2 基于深度学习的社区发现深度学习在社区发现中也得到了广泛应用。
深度学习模型可以通过多层神经网络实现对网络中复杂模式的学习和建模。
例如，基于卷积神经网络（CNN）的方法可以从节点的邻居关系中提取局部特征，并用于社区发现。
另外，递归神经网络（RNN）和长短期记忆网络（LSTM）等循环神经网络也可以用于学习网络中的长期时间依赖关系，以获得更准确的社区结构。
3.3 基于强化学习的社区发现强化学习在社区发现中的应用目前还相对较少，但也显示出了潜力。
遗传算法中常见的编码方式
遗传算法中常见的编码方式
遗传算法是一种基于进化原理的优化算法，其中最重要的一步是对问题进行编码。
编码方式的选择会直接影响算法的效率和求解质量。
在遗传算法中，常见的编码方式有以下几种：
1. 二进制编码
二进制编码是最常见的编码方式，将每个个体表示为一串由0和1组成的二进制字符串。
这种编码方式简单易懂，容易实现，但是当问题的解空间较大时可能会导致编码长度过长。
2. 编码浮点数
编码浮点数是将问题中的实数变量编码成二进制数。
这种编码方式的优点是可以直接映射到问题的实际值，但是也因此可能导致精度问题。
3. 排列编码
排列编码是将问题中的离散变量编码成一个排列。
这种编码方式适用于需要考虑变量之间相对位置的问题，如旅行商问题。
4. 树形编码
树形编码是将问题转换成树形结构进行编码，这种编码方式适用于需要考虑变量之间的依赖关系的问题。
5. 重组编码
重组编码是将问题中的变量按照一定的规则进行编码。
这种编码方式适用于具有局部结构的问题，如图着色问题和社区发现问题。
以上是遗传算法中常见的编码方式，不同的问题需要选择适合的
编码方式才能获得最优的求解结果。
演化算法（EA）在社区发现方面的进展
演化算法（EA）在社区发现方面的进展展开全文社区（Community）结构在复杂网络中普遍存在，整个网络由许多个社区组成，同一社区内的节点与节点之间连接紧密，而社区与社区之间的连接比较稀疏。
为了发现及分析复杂网络中的社区结构，许多社区发现（Community Detection）算法被提出。
一般而言，复杂网络中的社区发现是一个NP 难问题，而多数现有社区发现算法都是基于贪婪算法，因此，当面临大规模复杂网络时，这类算法的性能有时不能达到使用者的要求与期望。
与此同时，很多社区发现算法需要关于社区结构的先验信息，而在实际社会网络中，很难获得此类信息。
为此，越来越多的研究者们开始关注基于演化算法的社区发现算法。
今天我们将与大家分享5 篇基于演化算法的社区发现相关论文，由于笔者能力有限，因此，如果分享过程中疏漏了重要工作，还请大家不吝赐教与指正。
GECCO 2008■论文| Community Detection in Social Networks with Genetic Algorithms■ 链接 | /papers/1775■ 作者 | Clara Pizzuti本文发表在GECCO 2008，作者提出了一种用以在社交网络中发现社区的遗传算法。
算法基于构成社区的节点中存在的链路数量和拓扑来定义社区中网络划分的质量度量，并且通过运行遗传算法来优化这些社区。
在算法结束时，网络结构中的所有密集社区都是通过选择性地探索搜索空间获得的，而不需要事先知道社区数的确切数量。
算法在实际网络中进行实验，结果表明遗传算法能够正确的检测社区，并且结果与当时最好的社区发现算法相当。
LION 2012■论文| Community Detection in Social and Biological Networks using Differential Evolution■ 链接 | /papers/1776■ 作者 | Guanbo Jia / Zixing Cai / Mirco Musolesi / Yong Wang / Dan A. Tennant / Ralf. J. M. Weber / John K. Heath / Shan He本文提出了一种基于差分进化的社区发现算法DECD。
复杂网络社区发现算法研究与应用
复杂网络社区发现算法研究与应用随着互联网的高速发展，复杂网络已经成为人们研究的热点领域之一。
互联网、社交媒体、科学合作网络等各种网络形式都具有复杂性，因此对于网络的研究和分析显得尤为重要。
其中，社区发现作为网络研究的一个分支，在实际应用中具有很大的潜力。
社区发现是指通过算法和技术，找到在网络中密切相关的节点集合，这些节点之间有着较高的内部联系，而与其他节点联系较弱。
社区发现算法旨在发现这样的节点集合，从而揭示网络的内在结构和组织。
实际应用中，社区发现可以用于社交网络中的用户分群、科学合作网络中的领域划分、互联网推荐系统的用户群体挖掘等。
在复杂网络的研究中，广泛应用的社区发现算法有许多种。
下面将重点介绍几种常见的社区发现算法及其应用。
1. 模块度优化算法（Modularity Optimization Algorithm）模块度优化算法是一种常用的社区发现算法，基于网络的内部联系和整体结构的均衡性。
该算法通过计算网络中节点的模块度，即节点与其他节点之间的连接强度与其在社区内的连接强度之差，来确定社区的划分。
模块度越高，社区内部联系越强，与其他社区之间的联系越弱。
模块度优化算法可以应用于社交网络中的用户分群。
通过分析用户之间的互动行为、兴趣爱好等信息，可以将用户划分为不同的社区。
这样，可以针对不同社区的用户，提供个性化的推荐服务，提高用户体验和推广效果。
2. 谱聚类算法（Spectral Clustering Algorithm）谱聚类算法是一种基于图论的社区发现方法，通过计算网络的拉普拉斯矩阵的特征向量，实现网络的划分。
该算法可以根据网络的布局和分布情况，将节点分成不同的社区。
谱聚类算法在科学合作网络中的领域划分中具有广泛的应用。
科学合作网络中的研究人员可以根据不同的研究方向和领域特点，将研究人员划分到不同的社区。
这有助于加强不同领域之间的合作和交流，推动科学研究的进展。
3. 社区行走算法（Community Walk Algorithm）社区行走算法是一种基于随机游走的社区发现方法，通过模拟节点的随机移动，找到具有高内部联系的节点集合。
社会网络中的社区发现算法
社会网络中的社区发现算法随着互联网的发展，社交网络的出现为人们提供了更广泛的交流渠道。
从最初的QQ、MSN开始，多种社交软件如今发展成为了我们生活中不可或缺的一部分。
从全球性的Facebook、Twitter到国内的微博、微信，围绕着这些社交网络产生了大量的社群，而如何在这个多元的社群中进行社区发现算法的研究和实现，成为了人们关注的焦点之一。
本文将探讨社会网络中的社区发现算法，并且让大家了解什么是社区发现算法以及社区发现算法的研究价值，以及社区发现算法的应用。
什么是社区发现算法？社区发现算法是指识别一个网络中存在的独立的知识群体，通常被称为“社区”，并检测与这些社区有关联的其他群体的方法。
在社会网络分析的背景下，社区发现算法是一种重要的人类行为分析和社会网络分析方法，旨在发现群体之间存在的关系和连接。
社区发现算法的研究价值社区发现算法的研究价值主要体现在以下几个方面:1. 社区发现算法能够检测社会网络中的社群，提高社会网络的传播效率和社会参与度。
2. 社区发现算法能够为社区管理员提供相关数据，在比如创建更加健康的社群规则、增加或减少特定类型的人员等方面提供帮助。
3. 社区发现算法能够在大数据时代背景下提供可靠的信息分析，为社会政策决策提供依据。
社区发现算法的应用社区发现算法在社交网络中具有广泛的应用。
目前，社区发现算法主要应用于：1.社交网络：社区发现算法被广泛应用于社交网络，用于推荐好友、找到相同兴趣爱好的人以及解决基于人际关系的问题。
2.金融交易：社区发现算法可以发现金融交易网络的组织结构，并从中识别出可能存在的欺诈行为。
3.科学研究：社区发现算法可以帮助科学家识别出同一领域的科学家，并且发现潜在的研究领域。
4.机器学习：社区发现算法可以被用作机器学习中的一个工具，用于聚类和分类。
总之，社会网络中的社区发现算法是一项广泛关注的研究领域，在人们日常生活中具有重要的实用价值和研究价值。
通过社区发现算法的研究和应用，可以更好地理解和管理社交网络以及其他网络社区，促进社会网络的发展，提高其传播效率和社会参与度。
大型社交网络的社区发现算法研究
大型社交网络的社区发现算法研究社交网络的飞速发展已经成为了人们日常生活中不可或缺的一部分。
通过社交网络，人们可以方便快捷地与远在天边的亲友联系，也可以结交一大批志同道合的朋友。
社交网络上的社区是其中最为重要的组成部分。
社区发现算法则是确定特定社区的算法，有着广泛的应用价值。
本文将介绍一些主流的大型社交网络社区发现算法，并探讨其特点和实际应用。
一、社区发现算法的定义与意义社区发现算法是指一种寻找社交网络中特定社区的方法。
社交网络是一个巨大的网络系统，其中包括了各种人际关系，包括了朋友、同事、同学等等。
在每个社区中，人们有着共同的兴趣爱好、职业领域以及文化背景等等，形成了一个独立于整个社交网络的局部网络系统。
社区发现算法的作用是可以根据网络图和节点联系分析，将各节点聚集成不同的社区，并给每个社区赋予合适的标记。
通过这种方式，可以使得大量社交网络的信息变得更加清晰、易于理解和处理。
社区发现算法的实际应用非常广泛。
例如，在社交网络网站上，社区发现算法可以为用户提供更加详细、精准的个性化推荐服务，从而更好地满足用户需求。
此外，社区发现算法也可以为网络营销、反垃圾邮件等领域提供重要的支持，使得相关的应用系统更加高效。
二、大型社交网络社区发现算法1. 基于图论的社区发现算法基于图论的社区发现算法是最早被提出的算法之一。
它的基本原理是利用图分割的思想，将网络划分为不同的社区。
其中，最为典型的算法就是Louvain算法。
该算法的特点是通过高效的模块化优化算法，将社区发现问题转化成模块化优化问题，再运用模块化优化算法求解最优解。
该算法的高效性和准确性备受社区发现研究者们的青睐，被广泛应用于各类社交网络领域。
2. 基于社团发现的社区发现算法基于社团发现的社区发现算法主要是利用社团发现思想，结合图形论和聚类分析等方法，寻找 social network 中的社区。
其中，最典型的算法就是GN算法和CFinder算法。
两个算法都是基于多层次社群结构的，其基本原理是先进行社区划分，然后在子社区中找到社区，在不断进行层次聚类的基础上，最终得到全局社区结构。
遗传算法在智能推荐系统中的实际应用
遗传算法在智能推荐系统中的实际应用智能推荐系统是近年来兴起的一种应用，它利用计算机技术和算法来分析用户的行为和偏好，从而向用户推荐个性化的信息、产品或服务。
而在智能推荐系统的背后，遗传算法作为一种优化算法，发挥着重要的作用。
遗传算法是模拟生物进化过程的一种优化算法，它通过模拟自然界中的遗传、交叉和变异等过程，来搜索最优解。
在智能推荐系统中，遗传算法可以用于优化推荐算法的参数，提高推荐系统的性能和准确度。
首先，遗传算法可以用于优化推荐系统的特征权重。
在智能推荐系统中，每个用户和物品都有一系列的特征，比如用户的年龄、性别、地理位置等，物品的类别、价格、评分等。
而这些特征对于推荐系统的推荐结果有不同的重要性。
通过遗传算法，可以根据用户的反馈数据，对特征权重进行优化，使得推荐系统更加关注用户感兴趣的特征，从而提高推荐准确度。
其次，遗传算法可以用于优化推荐系统的推荐规则。
推荐规则是推荐系统中的核心，它决定了系统如何根据用户的行为和偏好来进行推荐。
而推荐规则的优化是一个复杂的问题，涉及到多个参数的调整和权衡。
通过遗传算法，可以对推荐规则的参数进行优化，找到最佳的参数组合，从而使得推荐系统的推荐结果更加符合用户的需求。
此外，遗传算法还可以用于推荐系统的个性化排序。
在大规模的推荐系统中，存在着大量的用户和物品，如何对这些用户和物品进行排序，是一个重要的问题。
通过遗传算法，可以对用户和物品进行编码，然后通过遗传算法的选择、交叉和变异等操作，得到一个个体的适应度值，从而确定个体在排序中的位置。
最后，遗传算法还可以用于推荐系统的动态调整。
推荐系统的环境是动态变化的，用户的行为和偏好也在不断演变。
通过遗传算法，可以根据用户的反馈数据，动态地调整推荐系统的参数和规则，使得系统能够适应不断变化的环境，提供更好的推荐结果。
综上所述，遗传算法在智能推荐系统中的实际应用是多方面的。
它可以用于优化推荐系统的特征权重、推荐规则和个性化排序，从而提高推荐系统的性能和准确度。
复杂网络社区挖掘-基于聚类融合的遗传算法
复杂网络社区挖掘-基于聚类融合的遗传算法何东晓;周栩;王佐;周春光;王喆;金弟【期刊名称】《自动化学报》【年(卷),期】2010(0)8【摘要】针对当前研究复杂网络社区挖掘的热点问题,提出了一种基于聚类融合的遗传算法用于复杂网络社区挖掘.该算法将聚类融合引入到交叉算子中,利用父个体的聚类信息辅以网络拓扑结构的局部信息产生新个体,避免了传统交叉算子单.纯交换字符块而忽略了聚类内容所带来的问题.为使聚类融合的作用得以充分发挥,本文提出了基于马尔科夫随机游走的初始群体生成算法,使初始群体中的个体具有一定聚类精度并有较强的多样性.初始群体生成算法与基于聚类融合的交叉算子互相配合,有效地增强了算法的寻优能力.此外,算法将局部搜索机制用于变异算子,通过迫使变异节点与其多数邻居在同一社区内,有针对性地缩小了搜索空间,从而加快了算法收敛速度.在计算机生成网络和真实世界网络上进行了测试,并与当前具有代表性的社区挖掘算法进行比较,实验结果表明了该算法的可行性和有效性.【总页数】11页(P1160-1170)【作者】何东晓;周栩;王佐;周春光;王喆;金弟【作者单位】吉林大学计算机科学与技术学院,长春,130012;吉林大学符号计算与知识工程教育部重点实验室,长春,130012;吉林大学计算机科学与技术学院,长春,130012;吉林大学符号计算与知识工程教育部重点实验室,长春,130012;吉林大学计算机科学与技术学院,长春,130012;吉林大学符号计算与知识工程教育部重点实验室,长春,130012;吉林大学计算机科学与技术学院,长春,130012;吉林大学符号计算与知识工程教育部重点实验室,长春,130012;吉林大学计算机科学与技术学院,长春,130012;吉林大学符号计算与知识工程教育部重点实验室,长春,130012;吉林大学计算机科学与技术学院,长春,130012;吉林大学符号计算与知识工程教育部重点实验室,长春,130012【正文语种】中文【相关文献】1.基于遗传算法的复杂网络社区结构探测 [J], 宋超;范昊2.动态复杂网络社区挖掘—选择性聚类融合算法 [J], 张震;梁永全;张行林3.复杂网络社区挖掘——改进的层次聚类算法 [J], 郑浩原;黄战4.基于边聚类方法的复杂网络社团挖掘研究 [J], 李翔;李仕强;赵青虎5.基于边聚类方法的复杂网络社团挖掘研究 [J], 李翔; 李仕强; 赵青虎因版权原因，仅展示原文概要，查看原文内容请购买。
大规模网络中的社区发现算法研究
大规模网络中的社区发现算法研究社区发现（Community Detection）算法在大规模网络研究中扮演了重要角色，它能够揭示出网络中存在的潜在社区结构，帮助我们更好地理解网络的组织和功能。
在本文中，我们将探讨大规模网络中社区发现算法的研究现状、挑战以及前景。
一、社区发现算法的定义与分类社区发现是指从复杂网络中挖掘出具有相似性、串联性或相关性的节点子集。
社区发现算法根据不同的原理和方法可以分为以下几类：1. 基于图的社区发现算法基于图的算法通常使用网络图的拓扑结构来识别社区。
其中，Modularity优化算法是最为常见的一种。
该算法通过最大化网络内部的连边权重和最小化网络外部的连边权重，以达到找到最佳社区分割的目标。
此外，Louvain算法和Leiden算法也是较为流行的算法，它们在计算效率和模块性之间取得了较好的平衡。
2. 基于模型的社区发现算法基于模型的算法假设网络的社区结构满足某种统计模型。
典型的例子是基于概率图模型的算法，如Latent Dirichlet Allocation（LDA）和Stochastic Block Model （SBM）。
这些算法通过建模节点和边的概率分布，推断出网络中潜在的社区结构。
3. 基于谱聚类的社区发现算法谱聚类是一种基于图分解的聚类方法，通过将节点的特征映射到低维空间，并在低维空间中聚类来发现社区结构。
类似于图拉普拉斯矩阵、邻接矩阵的特征向量和特征值来刻画网络的结构，并通过K-means等聚类算法对低维空间中的点进行聚类。
4. 基于深度学习的社区发现算法近年来，深度学习在社区发现领域取得了重要的进展。
基于深度学习的方法能够通过网络节点的特征信息自动学习网络的表示，并利用这些表示来发现网络中的社区结构。
例如，DeepWalk和Node2Vec算法通过从网络中随机游走来捕捉节点的邻居关系，然后使用Word2Vec等算法将节点嵌入到低维空间中进行聚类。
二、大规模网络中的社区发现挑战在大规模网络中，社区发现算法面临着许多挑战，主要包括以下几点：1. 规模问题大规模网络通常包含着巨大的节点和边数，导致社区发现算法的计算复杂度非常高。
大规模社交网络的社区发现算法设计与分析
大规模社交网络的社区发现算法设计与分析随着互联网的快速发展，社交网络已经成为人们日常生活中不可或缺的一部分。
随着用户数量的不断增加，构建一个高效且准确的社区发现算法变得尤为重要。
本文将介绍大规模社交网络的社区发现算法的设计与分析，旨在解释如何有效划分社交网络中的社区群体。
1. 引言社交网络的社区发现旨在将网络中相似性较高的节点划分为一个个社区，以便于研究者和企业根据社区结构进行精准的推荐、营销和分析等工作。
社区发现的算法设计既需要考虑算法的效率，又需要确保结果的准确性和可解释性。
2. 社区划分方法在大规模社交网络中，社区划分的方法可以分为两大类：基于图的算法和基于模型的算法。
2.1 基于图的算法基于图的算法通过分析网络中节点之间的连接关系，将相似性较高的节点划分为一个社区。
2.1.1 Girvan-Newman算法Girvan-Newman算法是一种基于边界介数的图划分算法。
该算法逐步移除社交网络中的边，直到网络中的社区断开为止。
算法通过计算边的边界介数，从而确定哪些边对社区划分最为重要，从而划分社区。
2.1.2 Modularity优化算法Modularity优化算法是一种基于模块度的图划分算法。
模块度是衡量网络社区结构的重要指标，该算法通过最大化网络的模块度来划分社区。
通过在社区划分过程中调整节点的归属，从而优化模块度。
2.2 基于模型的算法基于模型的社区划分算法主要将社交网络建模为概率图模型，然后通过参数估计的方法，计算每个节点属于每个社区的概率。
2.2.1 LDA模型LDA模型是一种基于概率图模型的社区划分算法。
该算法将社交网络建模为一个隐含主题模型，通过对每个节点的主题进行推断，从而划分节点的社区。
2.2.2 随机游走模型随机游走模型是一种基于随机游走的社区划分算法。
该算法通过定义节点的随机游走过程，然后计算每个节点属于每个社区的概率。
最终将具有最高概率的节点划分到相应的社区中。
3. 算法分析在设计大规模社交网络的社区发现算法时，需要考虑算法的效率、准确性和可解释性。
- 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)。
遗传算法在社区发现中的应用与实践指南引言
社区发现是社交网络分析中的重要任务之一，它可以帮助我们理解社交网络中的群体结构和组织形式。
近年来，随着大数据和机器学习的发展，遗传算法作为一种优化算法被广泛应用于社区发现任务中。
本文将介绍遗传算法在社区发现中的应用，并提供一些实践指南。
一、遗传算法概述
遗传算法是一种模拟自然进化过程的优化算法，它通过模拟“选择、交叉、变异”等遗传操作，不断迭代搜索最优解。
在社区发现任务中，遗传算法可以将社交网络中的节点划分为不同的社区，使得社区内部的联系紧密，而社区之间的联系相对较弱。
二、遗传算法在社区发现中的应用
1. 个体表示
在遗传算法中，个体表示了可能的解决方案。
在社区发现中，个体可以表示为一个节点划分的向量，每个节点被分配到一个社区中。
通过遗传算法的遗传操作，个体不断进化，最终找到最优的节点划分方案。
2. 适应度函数
适应度函数用于评估个体的适应度，即其在解决问题中的优劣程度。
在社区发现中，适应度函数可以根据社区内部节点之间的连接紧密程度和社区之间的连接稀疏程度来定义。
通常，我们希望社区内部的联系紧密度高，而社区之间的联系稀疏度高。
3. 遗传操作
遗传算法的核心是遗传操作，包括选择、交叉和变异。
选择操作通过选择适应
度较高的个体作为父代，用于产生下一代个体。
交叉操作通过交换个体的基因信息，产生新的个体。
变异操作通过随机改变个体的基因信息，引入新的解决方案。
在社区发现中，这些遗传操作可以模拟社交网络中节点之间的联系和变化。
三、遗传算法在社区发现中的实践指南
1. 数据预处理
在使用遗传算法进行社区发现之前，需要对社交网络数据进行预处理。
这包括
去除噪声数据、处理缺失值和异常值等。
同时，还需要将社交网络数据转化为适合遗传算法处理的形式，例如邻接矩阵或邻接表。
2. 参数设置
遗传算法中的参数设置对于算法的性能和收敛速度至关重要。
在社区发现中，
需要合理设置种群大小、迭代次数、交叉概率和变异概率等参数。
通过试验和调整，找到最优的参数组合，以获得更好的社区发现结果。
3. 结果评估
社区发现的结果评估是判断算法性能的重要指标。
常用的评估指标包括模块度、归一化互信息和NMI等。
通过对不同算法结果的比较和评估，可以选择最优的社
区发现算法。
4. 算法改进
遗传算法在社区发现中仍然存在一些挑战和问题，例如算法收敛速度慢、易陷
入局部最优等。
因此，可以通过改进遗传算法的选择、交叉和变异操作，引入新的遗传操作，或与其他优化算法结合等方式来提高算法的性能。
结论
遗传算法作为一种优化算法，在社区发现中具有广泛的应用前景。
通过合理的个体表示、适应度函数设计和遗传操作，可以高效地发现社交网络中的社区结构。
然而，仍然需要进一步研究和改进，以提高算法的性能和适用性。
参考文献：
1. Newman, M. E. J. (2004). Fast algorithm for detecting community structure in networks. Physical Review E, 69(6), 066133.
2. Blondel, V. D., Guillaume, J. L., Lambiotte, R., & Lefebvre, E. (2008). Fast unfolding of communities in large networks. Journal of Statistical Mechanics: Theory and Experiment, 2008(10), P10008.。