Kapitel 6. Algorithmen zur Erkennung von Gemeinschaften
Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: translation-feedback@oreilly.com
Die Bildung von Gemeinschaften ist in allen Arten von Netzwerken üblich, und ihre Identifizierung ist für die Bewertung des Gruppenverhaltens und emergenter Phänomene von entscheidender Bedeutung. Das allgemeine Prinzip bei der Erkennung von Gemeinschaften ist, dass ihre Mitglieder mehr Beziehungen innerhalb der Gruppe haben als zu Knoten außerhalb ihrer Gruppe. Die Identifizierung dieser verwandten Gruppen offenbart Cluster von Knoten, isolierte Gruppen und die Netzwerkstruktur. Diese Informationen helfen dabei, auf ähnliches Verhalten oder Präferenzen von Peer-Gruppen zu schließen, die Widerstandsfähigkeit einzuschätzen, verschachtelte Beziehungen zu finden und Daten für andere Analysen vorzubereiten. Algorithmen zur Erkennung von Gemeinschaften werden auch häufig verwendet, um Netzwerkvisualisierungen für die allgemeine Überprüfung zu erstellen.
Wir stellen die repräsentativsten Algorithmen zur Erkennung von Gemeinschaften im Detail vor:
-
Anzahl der Dreiecke und Clustering-Koeffizient für die Gesamtbeziehungsdichte
-
Stark verbundene Komponenten und schwach verbundene Komponenten zum Auffinden von verbundenen Clustern
-
Label Propagation zum schnellen Erkennen von Gruppen anhand von Knotenkennzeichnungen
-
Louvain Modularität für die Betrachtung von Gruppierungsqualität und Hierarchien ...
Get Graph-Algorithmen now with the O’Reilly learning platform.
O’Reilly members experience books, live events, courses curated by job role, and more from O’Reilly and nearly 200 top publishers.
