python-igraph实现中community_edge_betweenness()的算法

Question

由于community_fastgreedy() 无法处理有向图（有向未加权图），我不得不从使用community_fastgreedy() 转换为community_edge_betweenness()。

我的理解是，community_fastgreedy() 是自下而上的方法，而 community_edge_betweenness() 是自上而下的方法，两者的工作原理都是找到最大化模块化的社区，一个是通过合并社区，另一个是通过去除边缘。

在 M.Girvan 和 M.E.J.Newman “社会和生物网络中的社区结构”的原始论文中，没有提到它能够处理有向图。这用于community_edge_betweenness()。

我参考了here 和Link 文档以获取有关定向网络算法的更多信息。

我的问题是 -

1. 我的理解是，community_fastgreedy() 和 community_edge_betweenness() 在 python-igraph 中的实现依赖于最大化模块化，正确的。

2. 能否请您指出关于如何在 python-igraph 中实现 community_edge_betweenness 以处理有向网络的文档或 Girvan 和 Newman 的论文的更新版本。

由于我是社区检测的新手，因此任何指针都是有用的。 我知道更好的方法（Louvain、Infomap），但仍需要使用 CNM 或 GN 进行比较。

谢谢。

Answer 1

1. community_edge_betweenness() 不尝试最大化模块化。如果用户坚持使用“扁平”社区结构而不是扁平树状图，模块化仅用作经验法则​​来决定在哪里“切割”算法生成的树状图。

2. community_edge_betweenness() “处理”有向图只需在计算边的边介数分数时寻找有向路径而不是无向路径（然后依次用于决定在特定位置删除哪条边）步）。据我所知，目前还没有研究过这种方法是否科学合理和正确。

大多数社区检测方法（尤其是那些最大化模块化的方法）不适合有向图的原因是因为“社区”的概念对于有向图没有明确定义 - 大多数算法都在寻找部分在图中“比偶然预期的更密集”，但这个模糊的定义并没有说明应该如何使用边缘的方向。此外，有向图的模块化分数有多个（冲突的）扩展。

据我所知，igraph 中唯一对有向网络中的社区问题进行“正式”处理的方法是InfoMap algorithm。 InfoMap 基于图中随机游走的最小编码来定义社区，因此它能够准确地考虑边缘方向——粗略地说，InfoMap 算法找到的社区是随机游走者“逃逸”概率很小的节点组“来自小组。 （InfoMap 主页有一个很好的visual explanation）。所以，如果你真的需要在有向图中找到社区，我建议使用 InfoMap 方法。