Community Detection — Graph Clustering in Netzwerken
Community Detection ist eine Familie von Graphen-Partitionierungsalgorithmen, die dicht verbundene Untergruppen – Gemeinschaften – innerhalb eines Netzwerks entdecken. Das Feld wurde erstmals durch das Modularitätsmaß von Girvan und Newman (2002) formalisiert und entwickelte sich mit der Louvain-Methode (Blondel et al., 2008), der Leiden-Verfeinerung (Traag et al., 2019) und dem informationstheoretischen Infomap-Ansatz rasant weiter. Alle Varianten beantworten dieselbe Frage: Welche Knoten gruppieren sich enger untereinander als mit dem Rest des Netzwerks?
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
+15 more
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 1). Community Detection (Louvain, Girvan-Newman, Leiden, Infomap). ScholarGate. https://scholargate.app/de/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.
- ZentralitätsanalyseNetzwerkanalyse↔ compare
- Exponential Random Graph Model (ERGM / p*)Netzwerkanalyse↔ compare
- Hierarchische ClusteranalyseMaschinelles Lernen↔ compare
- Netzwerk-DiffusionsmodelleNetzwerkanalyse↔ compare
- Stochastic Block ModelNetzwerkanalyse↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →