《表3 karate网络社区划分》
对karate网络,本算法GGCSCA模块度Q取得了0.419 8的值,优于其他算法(仅有CCGA也取得0.419 8),高于karate真实社区网络社区结构对应的Q值0.371 5,从模块度优化的角度来说本方法取得了很好的结果。从另外一点来看,对有些网络,数学方法衡量的模块度相对于人为划定的真实网络社区结构是有偏差的,karate网络真实的社区结构为2个社区,对应于局部Q最大值而非全局最大值[3],但按文献[18]说法这也是合理的,本算法将网络划分为4个社区,而这4个社区正好是2个真实社区的更紧凑细分。GGCSCA算法产生的社区划分情况如图5和表3所示。
图表编号 | XD0035709300 严禁用于非法目的 |
---|---|
绘制时间 | 2019.02.01 |
作者 | 王小刚、闫光辉、周宁 |
绘制单位 | 兰州交通大学电子与信息工程学院、兰州交通大学电子与信息工程学院、兰州交通大学电子与信息工程学院 |
更多格式 | 高清、无水印(增值服务) |