什么是社区检测会员？
What is membership in community detection?
我发现很难理解什么是成员资格和模块化 returns 以及为什么要使用它。
wc <- walktrap.community(karate)
modularity(wc)
membership(wc)
plot(wc, karate)
对于上面的代码，我在执行 membership 时得到以下结果：
[1] 1 1 2 1 5 5 5 1 2 2 5 1 1 2 3 3 5 1 3 1 3 1 3 4 4 4 3 4 2 3 2 2 3
对于上面的代码，当我执行 modularity:
时得到以下结果
[1] 0.3532216
我阅读了文档，但仍然有点困惑。
walktrap.community 的结果是将您的图表划分为社区，在您的案例中，这些社区的 ID 编号为 1 到 5。 membership 函数为图中的每个节点提供一个社区 ID 向量。因此，在您的情况下，节点 1 属于社区 1，节点 3 属于社区 2。
将图划分为社区是基于优化所谓的模块化函数。当您调用 modularity 时，您会在优化过程完成后获得该函数的最终值。 modularity 的高值表示将图很好地划分为清晰的社区，而低值则相反。
我发现很难理解什么是成员资格和模块化 returns 以及为什么要使用它。
wc <- walktrap.community(karate)
modularity(wc)
membership(wc)
plot(wc, karate)
对于上面的代码，我在执行 membership 时得到以下结果：
[1] 1 1 2 1 5 5 5 1 2 2 5 1 1 2 3 3 5 1 3 1 3 1 3 4 4 4 3 4 2 3 2 2 3
对于上面的代码，当我执行 modularity:
[1] 0.3532216
我阅读了文档，但仍然有点困惑。
walktrap.community 的结果是将您的图表划分为社区，在您的案例中，这些社区的 ID 编号为 1 到 5。 membership 函数为图中的每个节点提供一个社区 ID 向量。因此，在您的情况下，节点 1 属于社区 1，节点 3 属于社区 2。
将图划分为社区是基于优化所谓的模块化函数。当您调用 modularity 时，您会在优化过程完成后获得该函数的最终值。 modularity 的高值表示将图很好地划分为清晰的社区，而低值则相反。