LPA（Label Propagation Algorithm）LPA算法是2002年由zhu等提出的，在2007年被Usha、Nandini、Raghavan应用到了社区发现领域，提出了RAK算法。但是大部分研究者称RAK算法为LPA算法。LPA是一种基于标签传播的局部社区划分。对于网络中的每一个节点，在初始阶段，Label Propagation算法对于每一个节点都会初始化一个唯一的一个标签。

GN算法本算法的具体内容请参考Finding and evaluating community structure in networks（Newman and Girvan）。重要概念边介数（betweenness）：网络中任意两个节点通过此边的最短路径的数目。GN算法的思想：在一个网络之中，通过社区内部的边的最短路径相对较少，而通过社区之间的边的最短路径的数目则相对较多。GN算法是一个基于删除

InfoMap算法详细原文地址了解InfoMap算法之前，需要先了解最小熵原理最小熵原理是一个无监督学习的原理，“熵”就是学习成本，而降低学习成本是我们的不懈追求，所以通过“最小化学习成本”就能够无监督地学习出很多符合我们认知的结果，这就是最小熵原理的基本理念。H(P)=−∑i=1npilog2piH(P) = -\sum_{i=1}^{n}p_ilog_2p_iH(P)=−i=1∑n​pi​lo

论文地址该算法用于检测网络中的社区、桥节点和离群点。它基于结构相似性度量对顶点进行聚类。该算法特点是：速度快，效率高，每个顶点只访问一次。主要贡献是能够识别出桥节点和离群点两种特殊点。前面提到的大多数方法倾向于社区网络，这样每个社区中都有一组密集的边，而社区之间的边很少。基于模块的和归一化切割算法是典型的例子。然而，这些算法并不区分网络中顶点的角色。有些顶点是集群的成员；有些顶点是桥接许多集群但不

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

在github提出issues后，开发者很友好的帮助解决了这个问题。

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

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