欢迎来到 gcviz :dna: 该项目将相关的社区检测算法应用于基因交互网络。 Flask Web 应用程序可让您可视化应用的每个算法的分区结果。 您可以探索和合并社区，以及分析它们的底层基因。 目前支持的算法： 名称 描述 模块化 图书馆 鲁汶 贪婪的模块化最大化 0.69 python-louvain 流体C 流体社区检测 0.63 网络x 克劳塞特-纽曼-摩尔 模块化最大化 0.61 网络x 节点2向量 使用 kmeans 聚类的图节点嵌入。 0.65 节点2向量 Kernigan-Lin 对分法 最小化切割（递归应用） 0.06 网络x 光谱聚类 基于图拉普拉斯矩阵的幽灵 0.66 scikit-学习 格文-纽曼 基于边缘介数 0.04 网络x :whale: 码头工人 通过docker快速开始使用web应用： $ docker build -t gcviz:l

matlab多元参数非线性回归模型代码很棒的社区检测研究论文 包含实施的社区检测文件的集合。 关于，，和具有实现的论文的相似集合。 目录 因式分解 用于图聚类的Gromov-Wasserstein分解模型（AAAI 2020） 徐洪腾 具有自动聚类的图形嵌入（ASONAM 2019） Benedek Rozemberczki，Ryan Davies，Rik Sarkar和Charles Sutton 一致性遇到不一致：用于多视图集群的统一图学习框架（ICDM 2019） 梁有为，黄东和王昌东 GMC：基于图的多视图聚类（TKDE 2019） 王浩，杨艳，刘冰 基于嵌入的Silhouette社区检测（Arxiv 2019） 布拉兹·斯克里（BlažŠkrlj），扬·克拉里（Jan Kralj），纳达·拉夫拉奇（NadaLavrač） 知识图增强社区检测和表征（WSDM 2019） Shreyansh Bhatt，Swati Padhee，Amit Sheth，Keke Chen，Valerie Shalin，Derek Doran和Brandon Minnery 离散最优图聚类（IEEE

莱德纳尔格 该软件包在C++实现了Leiden算法，并将其公开给python 。 它依靠(python-)igraph来起作用。 除了实现的相对灵活性外，它还可以很好地扩展，并且可以在数百万个节点的图形上运行（只要它们可以容纳在内存中即可）。 核心功能是find_partition ，它使用Leiden算法查找最佳分区，它是Louvain算法对于许多不同方法的扩展。 当前实现的方法是（1）模块化 ，（2）使用配置无效模型和Erdös-Rényi无效模型Reichardt和Bornholdt模型，（3）恒定Potts模型（CPM） ， （4）重要性 ，最后（5）惊奇 。 另外，它支持多路复用分区优化，允许在例如负面链接或多个时间片上进行社区检测。 有可能仅部分优化分区，以使某些社区分配保持固定 。 它还为二分图上的社区检测提供了一些支持。 有关更多信息，请参见。 安装 简而言之： pi

社区发现 使用属性和结构相似性进行社区检测。 安装： pip install community_detect 依存关系： NetworkX Matplotlib 用法： Import: from community_detect import Community 初始化： com = Community(alpha_weight = 0.5) #You can add your own value for Alpha 职能： Main method: get_communities(Graph, #Your Graph Vertices, #List of Vertices Similarity Matrix, #Similarity

鲁汶社区检测 正在安装 要从源代码构建和安装，请运行 python setup.py install 您也可以从pip安装 pip install python-louvain pip上的软件包名称是python-louvain但已作为community导入到python中。 有关此模块的更多文档，请参见 用法 用作Python库 import community as community_louvain import matplotlib . cm as cm import matplotlib . pyplot as plt import networkx as nx # load the karate club graph G = nx . karate_club_graph () # compute the best partition partition = communit