《表5 两种社群划分算法6月和7月数据验证比较》

  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

《基于社交网络分析的流量红包客户挖掘与传播模式》

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

通过运行结果来看，6种算法的分群数比较相近，在大样本中，Fast-Greedy算法、Walktrap算法和Multi-Level算法模块化指标Q值为0.97，表现较好，反映出这3种算法划分的社群内部节点的连接比较紧密，社群之间的连接相对较稀疏；从运行时间看，Fast-Greedy算法和Walktrap算法花费时间较长，Multi-Level计算速度较快。在小样本中，Fast-Greedy算法、Leading Eigenvector算法、Walktrap算法和Multi-Level算法模块化指标Q值均在0.991以上，运行时间在0.10 s及以内，Label Propagation算法和InfoMap算法模块化Q值相对较低。由此可知，在小样本中，Fast-Greedy算法的群体划分准确性相对更好，而在大样本中，Multi-Level算法的模块化Q值和计算时间表现更好。针对这两种社群算法，进一步选取6月和7月的流量红包数据进行验证比较，两种社群划分算法6月和7月数据验证比较见表5，由表5可知，7月的Multi-Level算法模块化指标Q值更高，计算迭代时间更短，且更适用于实际生产的大规模社交网络，因此这里选择Multi-Level算法对流量红包客户进行社交分群。