图2
UCINET分析20人的网络
图3
可视化实验数据
图4
具有11个子图的社区结构
数据转换成本程序的数据定义文件。
该程序以文本格式保存网络顶点和边定义。
顶点定义为每行的垂直位置
位置y的形状为v1251636表示顶点1在X轴251和Y轴636上。
边缘定义为每条线的极重形状，例如a1234，代表从第一顶点到第二顶点的边缘，权重为34。
在此数据上测试了GN算法。
在数据的开头，图中的子图数为5，如果使用N步查找边界数并删除边界，则该子图数的子图社区结构为11。
图4显示了整体性能。
实验结果表明，社交网络可以分解较大的凝聚力社区和两个较小的社区。一个大型社区由六个顶点组成。六个顶点之间的连接更紧密，节点之间都相互连接，但是中间顶点为2。
两个小社区都由两个顶点组成。
大型社区的六个顶点都是原始图像的所有节点，并且可以解释社交网络中活跃用户之间的联系程度。
两个小的社区成员由高度相关的节点组成，几乎没有外部联系，并且具有很高的局部凝聚力。这可以解释一小部分原型。
从边缘切割过程来看，上一步获得的最大边缘点都是悬架节点（只有一个节点连接到整个网络），并且这些节点高度依赖或与节点的连接程度更高节点通常集成到社区中，并且通常不参与社区形成。
您可以使用GN算法来检测网络社区的结构。该算法在抵抗特殊形式（例如孤立的节点，完全连接的社区，未授权的图和高级的内聚网络）方面具有出色的优势。
社区需要进一步研究，是否可以将社区各方平等的使用作为取消边界的条件，小社区的前提和重要性以及发现中悬挂节点的存在。
PD：感谢yangyangfuture修复了该算法必须属于除法算法的问题。
