Topluluk Tespiti — Ağlarda Grafik Kümeleme
Community Detection (Louvain, Girvan-Newman, Leiden, Infomap) · Ayrıca şöyle bilinir: graph clustering, network partitioning, Topluluk Tespiti (Louvain, Girvan-Newman, Leiden)
Topluluk tespiti, bir ağ içinde yoğun bir şekilde bağlantılı alt grupları — toplulukları — keşfeden bir grafik bölümleme algoritmaları ailesidir. İlk olarak Girvan ve Newman (2002) tarafından modülerlik ölçüsü aracılığıyla formüle edilen bu alan, Louvain yöntemi (Blondel vd., 2008), Leiden iyileştirmesi (Traag vd., 2019) ve bilgi-teorik Infomap yaklaşımı ile hızla ilerlemiştir. Tüm varyantlar aynı soruyu yanıtlar: hangi düğümler kendi aralarında ağın geri kalanından daha sıkı bir şekilde kümelenir?
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+15 tane daha
Ne zaman kullanılır
Topluluk tespiti, bir ağınız olduğunda (minimum ~20 düğüm) ve grupları önceden belirtmeden gizli grup yapısını keşfetmek istediğinizde uygundur. Kesitsel ve boylamsal ağ verileri dahil olmak üzere ikili veya sürekli kenar ağırlıklı veriler üzerinde keşifsel, tanımlayıcı ve sınıflandırma hedefleri için uygundur. Düğüm nitelikleri veya normal dağılımlar gerektirmez. Yöntem, topluluk sayısı bilinmediğinde özellikle iyi sonuç verir. Ağ çok küçükse (20'den az düğüm), tanımlayıcı ağ istatistikleri tercih edilir. Sonuçlar kenar ağırlığı tanımlarına ve ağ yoğunluğuna duyarlıdır, bu nedenle bu seçimler dikkatlice düşünülmelidir.
Güçlü yönler & sınırlılıklar
- Topluluk sayısının önceden belirtilmesini gerektirmez — bölümlendirme boyutu veriler tarafından belirlenir.
- Büyük ağlara ölçeklenir: Louvain ve Leiden neredeyse doğrusal zamanda çalışır, bu da onları milyonlarca düğüme sahip ağlar için pratik hale getirir.
- Leiden, Louvain'in bağlantısız topluluk kusurunu düzelterek, iyi bağlantılı, dahili olarak uyumlu toplulukları garanti eder.
- Veriler üzerinde dağılımsal varsayımlar olmaksızın hem ağırlıksız hem de ağırlıklı ağlara uygulanabilir.
- Modülerlik maksimizasyonu yerel optimumlara duyarlıdır; sonuçlar çalıştırmalar arasında değişebilir ve birden çok çalıştırmanın en iyisi olarak rapor edilmelidir.
- Çözünürlük sınırı, büyük ağlardaki çok küçük toplulukların bir araya getirilerek ince taneli yapıyı maskeleyebileceği anlamına gelir.
- Sonuçlar, kenar ağırlıklarının nasıl tanımlandığına duyarlıdır; farklı ağırlıklandırma şemaları anlamlı derecede farklı bölümlendirmeler verebilir.
- Girvan-Newman O(m²n) karmaşıklığına sahiptir ve büyük ağlarda pratik değildir; ölçek için Louvain veya Leiden tercih edilmelidir.
SSS
Hangi algoritmayı seçmeliyim — Louvain, Leiden, Girvan-Newman veya Infomap?
Louvain, büyük ağlar için hızlı, yaygın olarak kullanılan bir temeldir. Leiden, doğruluk önemli olduğunda tercih edilen seçenektir, çünkü dahili olarak bağlı toplulukları garanti eder ve genellikle daha yüksek modülerlik elde eder. Girvan-Newman, hiyerarşik keşif için yararlı bir dendrogram üretir ancak büyük ağlar için çok yavaştır. Infomap, rastgele bir yürüyüşçünün izlediği yolun anlamlı olduğu yönlü veya akış tabanlı ağlar için çok uygundur.
Topluluk sayısını önceden belirtmem gerekiyor mu?
Hayır. Louvain, Leiden ve Infomap, topluluk sayısını ağ yapısından otomatik olarak belirler. Girvan-Newman, herhangi bir sayıda topluluğun okunabileceği tam bir dendrogram üretir; genellikle Q'yu maksimize eden bölümlendirme seçilir.
Bulunan toplulukların anlamlı olup olmadığını nasıl anlarım?
Modülerlik puanı Q, veriye içsel bir kalite ölçüsü sağlar; yaklaşık 0.3-0.5'in üzerindeki değerler önemsiz olmayan topluluk yapısını gösterir. Bunun ötesinde, topluluklar alan bilgisi, düğüm nitelikleri veya harici etiketlerle doğrulanmalıdır. Yüksek Q tek başına sosyolojik veya biyolojik önemi kanıtlamaz.
Çalıştırmalar arasında sonuçlar farklılık gösterirse ne olur?
Modülerlik optimizasyonu bir sezgiseldir ve farklı çalıştırmalar, özellikle Louvain'de, biraz farklı bölümlendirmeler verebilir. Algoritmayı birden çok kez çalıştırın (büyük ağlarda en az 10-100 çalıştırma) ve en yüksek Q'ya sahip bölümlendirmeyi rapor edin. Leiden, iyileştirme adımı daha kapsamlı olduğu için Louvain'den daha kararlıdır, ancak tekrarlanan çalıştırmalar iyi bir uygulama olmaya devam eder.
Kaynaklar
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Community Detection (Louvain, Girvan-Newman, Leiden, Infomap). ScholarGate. https://scholargate.app/tr/network-analysis/community-detection
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Merkeziyet AnaliziAğ analizi↔ karşılaştır
- Üstel Rastgele Grafik Modeli (ERGM / p*)Ağ analizi↔ karşılaştır
- Hiyerarşik KümelemeMakine öğrenmesi↔ karşılaştır
- Ağ Yayılım ModelleriAğ analizi↔ karşılaştır
- Stokastik Blok ModeliAğ analizi↔ karşılaştır