python-igraph实现中community_edge_betweenness()的算法
Algorithm of community_edge_betweenness() in python-igraph implementation
由于community_fastgreedy()无法处理有向图（有向未加权图），我不得不从使用community_fastgreedy()转向community_edge_betweenness()。
我的理解是 community_fastgreedy() 是自下而上的方法，而 community_edge_betweenness() 是自上而下的方法，两者都基于寻找最大化模块化的社区的原则，一个通过合并社区，另一个通过去除边缘。
在M.Girvan和M.E.J.Newman "Community structure in social and biological networks",的原始论文中没有提到它能够处理有向图。这用于 community_edge_betweenness()。
我参考了 here and Link 文档以获取有关定向网络算法的更多信息。
我的问题是 -
是我的理解，community_fastgreedy() 和 community_edge_betweenness() 在 python-igraph 中的实现依赖于最大化模块化，正确。
你能指点我如何实现 community_edge_betweenness 来处理 python-igraph 中的定向网络的文档或 Girvan 和纽曼.
由于我是社区检测的新手，所以任何指示都是有用的。
我知道有更好的方法（Louvain、Infomap），但仍需要使用 CNM 或 GN 进行比较。
谢谢。
community_edge_betweenness() 不会尝试最大化模块化。如果用户坚持 "flat" 社区结构而不是扁平树状图，模块化仅用作决定 "cut" 算法生成的树状图的位置的经验法则。
community_edge_betweenness() "handles" 有向图在计算边的边介数分数（然后依次用于决定在特定步骤中删除哪条边）。据我所知，目前还没有人研究过这种方法是否科学合理和正确。
大多数社区检测方法（尤其是最大化模块化的方法）不适合有向图的原因是因为 "community" 的概念对于有向图没有明确定义 - 大多数算法在图中寻找 "denser than expected by chance" 的部分，但这个模糊的定义并没有说明应该如何使用边的方向。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 "formal" 处理有向网络中社区问题的方法是 InfoMap algorithm. InfoMap defines communities based on minimal encodings of random walks within graphs so it is able to take the edge directions into account accurately - roughly speaking, communities found by the InfoMap algorithm are groups of nodes for which a random walker has a small probability of "escaping" from the group. (The InfoMap homepage has a nice visual explanation)。所以，如果你真的需要在有向图中找到社区，我会建议使用 InfoMap 方法。
由于community_fastgreedy()无法处理有向图（有向未加权图），我不得不从使用community_fastgreedy()转向community_edge_betweenness()。
我的理解是 community_fastgreedy() 是自下而上的方法，而 community_edge_betweenness() 是自上而下的方法，两者都基于寻找最大化模块化的社区的原则，一个通过合并社区，另一个通过去除边缘。
在M.Girvan和M.E.J.Newman "Community structure in social and biological networks",的原始论文中没有提到它能够处理有向图。这用于 community_edge_betweenness()。
我参考了 here and Link 文档以获取有关定向网络算法的更多信息。
我的问题是 -
是我的理解，
community_fastgreedy()和community_edge_betweenness()在 python-igraph 中的实现依赖于最大化模块化，正确。你能指点我如何实现 community_edge_betweenness 来处理 python-igraph 中的定向网络的文档或 Girvan 和纽曼.
由于我是社区检测的新手，所以任何指示都是有用的。 我知道有更好的方法（Louvain、Infomap），但仍需要使用 CNM 或 GN 进行比较。
谢谢。
community_edge_betweenness()不会尝试最大化模块化。如果用户坚持 "flat" 社区结构而不是扁平树状图，模块化仅用作决定 "cut" 算法生成的树状图的位置的经验法则。community_edge_betweenness()"handles" 有向图在计算边的边介数分数（然后依次用于决定在特定步骤中删除哪条边）。据我所知，目前还没有人研究过这种方法是否科学合理和正确。
大多数社区检测方法（尤其是最大化模块化的方法）不适合有向图的原因是因为 "community" 的概念对于有向图没有明确定义 - 大多数算法在图中寻找 "denser than expected by chance" 的部分，但这个模糊的定义并没有说明应该如何使用边的方向。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 "formal" 处理有向网络中社区问题的方法是 InfoMap algorithm. InfoMap defines communities based on minimal encodings of random walks within graphs so it is able to take the edge directions into account accurately - roughly speaking, communities found by the InfoMap algorithm are groups of nodes for which a random walker has a small probability of "escaping" from the group. (The InfoMap homepage has a nice visual explanation)。所以，如果你真的需要在有向图中找到社区，我会建议使用 InfoMap 方法。