《表5 在Football网络上4种算法移除的边数》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《节点局部Fiedler向量中心性差值社区发现算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

较前两个网络而言，Football网络规模更大，真实社区数更多。GCDN算法对该网络进行划分没有产生孤立节点。表5展示了4种算法划分出同样数量社区时所需移除的最小边数。由表5可知，当划分出相同数量社区时，CDDN算法所移除的边数略多于GN算法，且远远小于GCDN算法与CNE算法所移除的边数。这说明CDDN算法显著提升了图分割效率。图13、图14给出了实验对比4种算法在发现4～12个社区时的NMI与Acc。表6给出了4种算法对Football网络进行社区发现时，发现各个数量的社区所需的运算时间。由图13、图14可知，在发现各数量的社区时，CDDN算法的NMI值和准确率Acc均明显优于GCDN算法与CNE算法，略优于GN算法。结合表6可得，虽然CDDN算法的准确率与GN算法大致相同，但算法花费时间远少于GN算法，效率上明显优于GN算法。此外值得注意的是，GCDN算法与CNE算法至多只能发现该网络中的9个社区，无法发现全部社区，而CDDN与GN算法却可以获得全部社区结构。图15展示了使用CDDN算法划分Football网络所获得的12个社区。