2

我发现很难理解成员资格和模块化的回报以及为什么要准确使用它。

wc <- walktrap.community(karate)
modularity(wc)
membership(wc)
plot(wc, karate)

对于上面的代码,我在执行时得到以下信息membership

[1] 1 1 2 1 5 5 5 1 2 2 5 1 1 2 3 3 5 1 3 1 3 1 3 4 4 4 3 4 2 3 2 2 3

对于上面的代码,我在执行时得到以下信息modularity

[1] 0.3532216

我阅读了文档,但仍然有点困惑。

4

1 回答 1

4

结果walktrap.community是将您的图表划分为社区,在您的情况下,这些社区的 id 编号为 1 到 5。该membership函数为图中的每个节点提供一个社区 ID 向量。因此,在您的情况下,节点 1 属于社区 1,节点 3 属于社区 2。

将图划分为社区是基于优化所谓的模块化函数。当您调用时,modularity您将在优化过程完成后获得该函数的最终值。较高的值modularity表示将图很好地划分为清晰的社区,而较低的值表示相反。

于 2016-11-07T09:29:19.910 回答