Leiden算法论文地址Leiden算法是近几年的SOTA算法之一。Louvain 算法有一个主要的缺陷：可能会产生任意的连接性不好的社区(甚至不连通)。为了解决这个问题，作者引入了Leiden算法。证明了该算法产生的社区保证是连通的。此外证明了当Leiden算法迭代应用时，它收敛于一个划分，其中所有社区的所有子集都是局部最优分配的。并且算法速度比Louvain算法更快。通常社区划分的网络结构是未

Louvain 算法原始论文为：《Fast unfolding of communities in large networks》。所以又被称为Fast unfolding算法。Louvain算法是一种基于模块度的社区发现算法。其基本思想是网络中节点尝试遍历所有邻居的社区标签，并选择最大化模块度增量的社区标签。在最大化模块度之后，每个社区看成一个新的节点，重复直到模块度不再增大。首先复习下模块度：

目录CommDGI: Community detection oriented deep graph infomaxGraph Infomax LayerTrainable Clustering Layer and Community-oriented ObjectivesDisentangled LearningJoint OptimizationDEEP GRAPH INFOMAX2019IC

论文地址本文提出了一种新的分类框架，包括基于深度神经网络、深度非负矩阵分解和深度稀疏滤波的深度学习模型，并进一步将深度神经网络模型细分为卷积网络，图注意网络，生成对抗网络和自编码器。对于一些小型的网络和简单的场景，研究人员已经提出了一系列基于谱聚类、统计推断等传统技术的社区发现方法。然而，由于计算及存储空间成本巨大，这类方法并没有扩展到大型网络或具有高维特征的网络上。在现实世界的网络中，大量的非线

论文地址本文提出了一种新的分类框架，包括基于深度神经网络、深度非负矩阵分解和深度稀疏滤波的深度学习模型，并进一步将深度神经网络模型细分为卷积网络，图注意网络，生成对抗网络和自编码器。对于一些小型的网络和简单的场景，研究人员已经提出了一系列基于谱聚类、统计推断等传统技术的社区发现方法。然而，由于计算及存储空间成本巨大，这类方法并没有扩展到大型网络或具有高维特征的网络上。在现实世界的网络中，大量的非线

这里使用Elsevier’s CAS LaTeX Double-Column模板，model5-names参考文献样式。部分期刊投稿需要参考文献APA格式，并且正文引用需要(作者,年)形式。，那么正文文献引用会是——作者,(年) 这种形式。设置到现在，参考文献正确了。但如果正文的文献使用的是。......

归一化的拉普拉斯(The unnormalized graph Laplacian):L=D−WL = D - WL=D−W其中D为对角度矩阵，W为权重邻接矩阵。1.矩阵L满足以下性质：对于任一向量f∈Rnf \in \mathbb{R}^nf∈Rn,有f′Lf=12∑i,j=1nwij(fi−fj)2f'Lf = \frac{1}{2}\sum\limits_{i,j=1}^n w_{ij}(f

LFM算法LFM算法是来源于论文《Detecting the overlapping and hieerarchical community structure in complex networks》原文的abstract对算法做了个大概的总结：Here, we present the first algorithm that finds both overlapping communities

论文出处：Computing Communities in Large Networks Using Random Walks本文有以下贡献:新的基于随机行走的算法称为Walktrap，它计算给定图的社区结构。它在最坏情况下的复杂度是O(mn2)时间和O(n2)空间，而在大多数情况下是O(n2log n)时间和O(n2)空间基于随机游动的顶点之间(和社区之间)相似性的新度量®。 与之前的方法相比，

Louvain 算法原始论文为：《Fast unfolding of communities in large networks》。所以又被称为Fast unfolding算法。Louvain算法是一种基于模块度的社区发现算法。其基本思想是网络中节点尝试遍历所有邻居的社区标签，并选择最大化模块度增量的社区标签。在最大化模块度之后，每个社区看成一个新的节点，重复直到模块度不再增大。首先复习下模块度：