由于community_fastgreedy()无法处理有向图（定向未加权图），我不得不从使用community_edge_betweenness()转为community_fastgreedy()。
我的理解是community_fastgreedy()是自下而上的方法，而community_edge_betweenness()是自上而下的，并且都遵循找到最大化模块性的社区的原则，一个是通过合并社区而另一个是通过去除边缘
M.Girvan和M.E.J.Newman的原始论文＆＃34;社会和生物网络中的社区结构＆＃34; ，没有提及它能够处理有向图。这用于community_edge_betweenness()。
我提到了here和Link文档，以获取有关定向网络算法的更多信息。
我的问题是 -
我对python-igraph中的community_fastgreedy()和community_edge_betweenness()实现的理解取决于最大化模块化，正确。
您能否请指出如何实施community_edge_betweenness以处理python-igraph中的定向网络或Girvan和Newman撰写的更新版本的文档。
由于我是社区检测新手，因此任何指针都很有用。 我知道更好的方法（Louvain，Infomap），但仍然需要使用CNM或GN进行比较。
感谢。
答案 0 :(得分：3)
community_edge_betweenness() 不尝试最大化模块化。模块化仅用作经验法则来决定在哪里切割＆＃34;如果用户坚持使用算法生成的树形图，那么该算法会产生一个＆＃34;平面＆＃34;社区结构而不是平坦的树状图。
community_edge_betweenness()＆＃34;处理＆＃34;当计算边缘的边缘间隙分数（然后依次用于决定在特定步骤中移除哪个边缘）时，简单地通过寻找有向路径而不是无向路径来定向图。据我所知，没有研究过这种方法在科学上是否正确和正确。
大多数社区检测方法（尤其是模块化程度最大化的方法）不能满足有向图的原因是因为社区的概念和＃34;对于有向图没有明确的定义 - 大多数算法在图中寻找的部分比偶然的预期密度更高，但是这个模糊的定义并没有说明边缘的方向应该如何用过的。此外，有向图的模块化分数有多个（冲突的）扩展。
据我所知，igraph中唯一具有＆＃34;正式＆＃34;有针对性的网络中社区问题的处理是InfoMap algorithm。 InfoMap基于图表中随机游走的最小编码来定义社区，因此它能够准确地考虑边缘方向 - 粗略地说，InfoMap算法找到的社区是随机游走者的概率很小的节点组。 34;逸出＆＃34;来自小组。 （InfoMap主页有一个很好的visual explanation）。所以，如果你真的需要在有向图中找到社区，我建议使用InfoMap方法。