Fællesskabsdetektion — Grafklyngedannelse i netværk
Fællesskabsdetektion er en familie af grafpartitioneringsalgoritmer, der opdager tæt forbundne undergrupper — fællesskaber — inden for et netværk. Først formaliseret gennem modularitetsmålet af Girvan og Newman (2002), udviklede feltet sig hurtigt med Louvain-metoden (Blondel et al., 2008), Leiden-forfiningen (Traag et al., 2019) og den informationsteoretiske Infomap-tilgang. Alle varianter besvarer det samme spørgsmål: hvilke knuder klynger sig tættere sammen indbyrdes end med resten af netværket?
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
+15 more
Kilder
- Blondel, V.D., Guillaume, J.-L., Lambiotte, R. & Lefebvre, E. (2008). Fast Unfolding of Communities in Large Networks. Journal of Statistical Mechanics, 2008(10), P10008. DOI: 10.1088/1742-5468/2008/10/P10008 ↗
- Traag, V.A., Waltman, L. & van Eck, N.J. (2019). From Louvain to Leiden: Guaranteeing Well-Connected Communities. Scientific Reports, 9, 5233. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 1). Community Detection (Louvain, Girvan-Newman, Leiden, Infomap). ScholarGate. https://scholargate.app/da/network-analysis/community-detection
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- CentralitetsanalyseNetværksanalyse↔ compare
- Exponential Random Graph Model (ERGM / p*)Netværksanalyse↔ compare
- Hierarkisk grupperingMaskinlæring↔ compare
- NetværksdiffusionsmodellerNetværksanalyse↔ compare
- Stokastisk blokmodelNetværksanalyse↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →