我有大约10K到100K节点的网络都已连接。这些节点通常被分组为社区集群，这些集群与它们之间的许多边缘紧密连接，并且存在集线器等。在社区之间存在具有少量边缘的节点桥接 / 连接社区在一起。这些数据集在邻接矩阵中
我已经尝试了谱聚类（Ding et al 2001），但它在大型数据集上确实很慢，并且在存在很多歧义时似乎停止工作（桥梁不是通往另一个群集的唯一桥接路径 - 其他社区可以作为替代代理路线）。
我尝试了martelot中的一些方法，例如用于模块化优化的Newman算法，但没有将稳定性优化函数纳入该工作中（这可能是至关重要的吗？）。在通过随机图（ER图）创建聚类的合成数据集上，这些方法可以工作，但是在存在嵌套层次结构的实际数据集中，结果是分散的。使用独立的可视化应用程序/工具，桥梁显而易见。
您会推荐/建议尝试哪些方法？我正在使用MATLAB。
答案 0 :(得分：6)
你想做什么，确切地说？检测社区或它们之间的桥梁？这是两个不同的问题。一旦拥有了社区，就可以直接识别连接两个不同社区的节点的边缘。所以，我猜你想要探测社区。
实际上有数千种方法用于此目的，其中一些方法在Matlab中实现，例如您引用的方法，或generalized Louvain algorithm（也基于模块化优化）。但是，它们中的大多数可以作为C或C ++程序使用，例如InfoMap（基于数据压缩范例），WalkTrap（使用基于随机游走的距离进行聚类），{{3} }（模拟一些传播机制），列表继续......
这些工具将社区结构的概念或多或少地形式化，在应用于同一网络时可能导致不同的（估计的）社区结构。当然，不同的社区也意味着不同的桥梁。所以问题是要知道如何为数据选择合适的方法。您似乎拥有关于您正在学习的网络的先验知识，因此您应该使用它来做出选择（而不是编程语言）。例如，即使您没有明确说明，您似乎也在寻找一种分层的社区结构：并非所有工具都能够检测到这种结构。同样，如果您认为一个节点可以同时属于多个社区，那么您应该考虑寻找重叠社区，例如使用Markov Cluster（基于clique percolation）。
我建议您查看社区检测的这篇优秀评论，您可能会发现一些有趣的信息，可以让您选择一种方法：CFinder。另外，从编程的角度来看，我建议你使用Community Detection in Graphs（适用于C，R和Python）：它包含几个标准的社区检测工具。您可以尝试使用他们的数据，看看你得到了什么。