《表4 模型拟合汇总：面向新浪微博的情感社区检测算法》

  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

《面向新浪微博的情感社区检测算法》

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

实验抽取了两个比较活跃的话题进行了模块度计算，最后的模块度值是对5次结果求平均值取得的．结果如表4所示，可以看出SMB-LPA算法是6个算法中模块度值最大的，同时每次计算的模块度值差别不大，这也说明SMB-LPA算法具有很好的稳定性．LPA的模块度值差异较大，这是由标签传播算法的随机性造成的．SCD与GEMSEC算法的模块度值较小，这是由于聚类算法没有种子集作为起始标签，仅由节点的特征来进行聚类，而且节点的特征矩阵又较为稀疏，所以聚类的结果中很多社区只有单一一个节点，这样的原因也导致了算法检测出的社区数量非常多，算法的模块度与规范化互信息都很低．而Edmot算法通过边增强的方法，增强了输入网络的原始连接结构以生成重新连接的网络，从重新连接的网络中获得的社区数量较少，所以其模块度较高．虽然Edmot算法的模块度高，但是其规范化互信息较低，原因是虽然其划分出的社区数量少，但是划分的准确度低，与标注值的差异依然很大，所以其模块度高但是规范化互信息低．且由图9可知，SMB-LPA算法的规范化互信息高于其他的算法．