我有一个大约100个igraph对象的列表，其中一个典型的对象有大约700个顶点和3500个边。
我想识别更有可能是关系的顶点组。我的计划是使用混合模型来预测使用顶点和组属性的顶点组内关系的数量。
有些人可能想要回应我的项目的其他方面，这将是伟大的，但我最感兴趣的是有关igraph的功能的信息，用于分组顶点。我遇到过这些community detection algorithms，但我不确定它们的优点和缺点，或者其他功能对我的情况是否更好。我也看到了链接here，但它们并不是特定于igraph的。谢谢你的建议。
答案 0 :(得分：177)
以下是目前在igraph中实施的社区检测算法的简短摘要：
edge.betweenness.community是层次分解过程，其中边缘以其边缘中介度分数（即，通过给定边缘的最短路径的数量）的降序被移除。这是因为连接不同组的边缘更可能包含在多个最短路径中，这仅仅是因为在许多情况下它们是从一个组到另一个组的唯一选择。由于边缘中介性计算的计算复杂性，并且因为在每次边缘移除之后必须重新计算中间性得分，因此该方法产生良好的结果但是非常慢。具有~700个顶点和~3500个边缘的图形大约是可以使用此方法分析的图形的上限大小。另一个缺点是edge.betweenness.community构建了一个完整的树形图，并没有给出任何关于在何处削减树形图以获得最终组的指导，因此您必须使用其他一些方法来决定（例如，树形图每个级别的分区的模块性得分。）
fastgreedy.community是另一种分层方法，但它是自下而上而不是自上而下。它试图以贪婪的方式优化称为模块化的质量功能。最初，每个顶点属于一个单独的社区，并且迭代地合并社区，使得每个合并是局部最优的（即，产生模块化的当前值的最大增加）。当不可能再增加模块性时，算法停止，因此它为您提供分组和树形图。该方法很快，并且它通常作为第一近似尝试的方法，因为它没有要调整的参数。但是，众所周知，它存在分辨率限制，即低于给定大小阈值的社区（取决于节点和边缘的数量，如果我没记错的话）将始终与邻近社区合并。
walktrap.community是一种基于随机游走的方法。一般的想法是，如果您在图表上执行随机游走，那么步行更有可能保持在同一社区内，因为在给定社区之外只有少数边缘。 Walktrap运行3-4-5步骤的短随机游走（取决于其中一个参数），并使用这些随机游走的结果以自下而上的方式合并单独的社区，如fastgreedy.community。同样，您可以使用模块化分数来选择剪切树形图的位置。它比快速贪婪方法慢一点，但也更准确一些（根据原始出版物）。
spinglass.community是一种来自统计物理学的方法，基于所谓的波茨模型。在这个模型中，每个粒子（即顶点）可以处于 c 自旋状态之一，并且粒子之间的相互作用（即图的边缘）指定哪些顶点对将更喜欢保留相同的自旋状态和哪些更喜欢具有不同的自旋状态。然后针对给定数量的步骤模拟模型，并且最终粒子的自旋状态定义社区。结果如下：1）最终永远不会有 c 社区，尽管你可以将 c 设置为高达200，这很可能是足够你的目的。 2）最终可能少于 c 社区，因为一些自旋状态可能变空。 3）不能保证网络中完全远程（或不连接）部分的节点具有不同的自旋状态。对于断开连接的图形，这更可能是一个问题，所以我不担心这一点。该方法不是特别快且不具有确定性（因为模拟本身），但具有可调整的分辨率参数，用于确定簇大小。 spinglass方法的一个变体也可以考虑负链接（即端点更喜欢在不同社区中的链接）。
leading.eigenvector.community是一种自上而下的分层方法，可以再次优化模块化功能。在每个步骤中，图表被分成两部分，分离本身会使模块性显着增加。通过评估所谓的模块化矩阵的前导特征向量来确定分裂，并且还存在阻止紧密连接的组进一步分裂的停止条件。由于涉及特征向量计算，它可能不适用于ARPACK特征向量求解器不稳定的退化图。在非简并图上，它可能比快速贪婪方法产生更高的模块性分数，尽管速度稍慢。
label.propagation.community是一种简单的方法，其中为每个节点分配一个 k 标签。该方法然后迭代地进行并且以每个节点以同步方式获取其邻居的最频繁标签的方式将标签重新分配给节点。当每个节点的标签是其邻域中最频繁的标签之一时，该方法停止。它非常快，但根据初始配置（随机决定）产生不同的结果，因此应该多次运行该方法（例如，图表的1000次），然后建立共识标签，这可能是乏味的。
igraph 0.6还将包括最先进的Infomap社区检测算法，该算法基于信息理论原理;它尝试构建一个分组，为图形上的随机游走提供最短的描述长度，其中描述长度是通过编码随机游走路径所需的每个顶点的预期比特数来测量的。
无论如何，我可能会先使用fastgreedy.community或walktrap.community作为第一个近似值，然后在发现这两个方法由于某种原因不适合特定问题时评估其他方法。
答案 1 :(得分：13)
可在此处找到不同社区检测算法的摘要：http://www.r-bloggers.com/summary-of-community-detection-algorithms-in-igraph-0-6/
值得注意的是，InfoMAP算法是最近才有用的新手（它也支持有向图）。