Modülerlik Analizi

Yaklaşık 0.3'ün üzerindeki Q, anlamlı topluluk yapısını gösterdiği yaygın olarak belirtilir, ancak bu eşik ağ türüne ve boyutuna bağlıdır. Zayıf yapıya sahip çok büyük ağlar 0.1'e yakın Q'ya sahip olabilir ve yine de yorumlanabilir kümeler ortaya çıkarabilirken, küçük yoğun ağlar 0.5'in üzerinde Q'ya ulaşabilir. Yalnızca Q'ya güvenmek yerine toplulukları her zaman esaslı bir şekilde inceleyin.

Leiden algoritması (Traag vd., 2019) şu anda önerilen varsayılandır: orijinal Louvain yönteminden daha hızlıdır ve zayıf bağlantılı topluluklar üretme eğilimini düzeltir. Çok büyük grafikler için Louvain pratik bir seçenek olmaya devam etmektedir. Daha küçük ağlarda tekrarlanabilir, deterministik sonuçlara ihtiyacınız olduğunda spektral yöntemler tercih edilebilir.

Standart modülerlik optimizasyonu, her düğümü tam olarak bir topluluğa atar ve çakışmayı tespit edemez. Düğümlerin aynı anda birden fazla gruba ait olmasını bekliyorsanız, bunun yerine klik-sızma yöntemi veya negatif olmayan matris çarpanlara ayırma yaklaşımları gibi çakışan-topluluk yöntemlerini kullanın.

Modülerlik optimizasyonu, yaklaşık sqrt(m) kenardan daha küçük toplulukları daha büyük olanlarla birleştirme eğilimindedir. Bu, ağ büyük olduğunda gerçek küçük kümelerin görünmez olabileceği anlamına gelir. Bunu hafifletmek için çözünürlük parametresini (Leiden ve bazı Louvain uygulamalarında mevcuttur) değiştirin ve birkaç çözünürlük değeri boyunca bölümlemeleri karşılaştırın.

Evet, igraph gibi araçlarda uygulandığı gibi hem iç hem de dış derece dizilerini koruyan uyarlanmış bir boş modelle. Yönlü bir grafiğe safça uygulanan yönsüz modülerlik, ilişkilerin asimetrisini göz ardı eder ve yanıltıcı bölümlemeler üretebilir.