楠姐技术漫话：接着唠唠社区发现
💡
原文中文，约4900字，阅读约需12分钟。
📝
内容提要
本文介绍社区发现算法中的层次编码及其最小熵目标，可以压缩编码长度并确定节点所属社区。同时介绍了其他社区发现算法，如标签传播、图分割和广义社区发现。社区发现算法是图计算中的重要分支，可揭示事物结构和本质，为风控技术提供重要工具。
🎯
关键要点
- 社区发现算法是图计算中的重要分支，能够揭示事物结构和本质。
- 社区反映网络中个体行为的局部性特征，用户之间的紧密关联形成社区。
- 社区发现的目标是识别潜在的节点集合及其关系，广泛应用于电商、医学等领域。
- 社区发现与聚类相似，但社区发现强调节点间的关联性而非距离。
- 社区分为非重叠社区和重叠社区，前者每个节点只属于一个社区，后者允许多个社区。
- 模块度是评估社区发现算法好坏的重要指标，越高表示社区内部密集度越高。
- Louvain算法是基于模块度的社区发现算法，适用于大规模网络。
- 基于节点表达的社区发现方法结合传统聚类算法，灵活性高但计算开销大。
- Infomap算法通过最小化节点的平均编码长度实现社区发现，采用层次编码。
- 社区发现算法在风控技术中不可或缺，提供微观视角，揭示复杂网络结构。
➡️
