图1：社团结构示意图
社团结构普遍存在于信息网络、社会网络、生物网络等各类网络中。这些网络中的社团内部连接紧密，常对应某种特点或功能，而社团外部的连接则相对稀疏，即“内紧外松”。根据这个特点，人们可以设计算法来探测网络中的社团结构，从而更好地理解网络中蕴含的信息。
图2：社团结构可视化
二、社团结构应用
社团结构对研究复杂系统有重要价值：在人际关系网络中，社团可表示具有相似特点（如职业、年龄）的群体；在生物网络中，社团与功能模块密切相关；在论文引用网络中，社团代表了某一的研究领域等等。下面介绍几个社团结构应用实例。
领英（Linkedin）职业网络
为了研究劳动力在公司间流动的特点，学者使用领英用户的就业数据构建了一个职业网络，见下图。在网络中，节点为公司，如果职员从一个公司跳槽到另一公司，则在两公司间形成边。图中每个社团对应一种颜色。通过分析社团结构发现，劳动力的流动受地缘位置和行业特点两因素共同影响。
图3：领英职业网络中的社团结构
Global labor flow network reveals the hierarchical organization and dynamics of geo-industrial clusters
蛋白质相互作用网络
图4：蛋白质相互作用网络中的社团结构
论文题目：Community detection in graphs
论文地址：https://arxiv.org/abs/0906.0612
论文引用网络
在科学研究中，思想交流非常重要。为了描述科学家之间交流的痕迹，可以观察期刊论文之间的相互引用，构建论文引用网络。为突出论文所属的科学领域，可围绕论文引用网络中的社团构建如下科学图谱。图谱中，节点代表社团所属的领域，边为领域间的引用，箭头代表引用方向（即谁引用谁）。根据图谱，应用领域论文大多引用基础科学领域论文。
图5：基于论文引用的图谱
论文题目：Community detection in graphs
论文地址：https://arxiv.org/abs/0906.0612
三、社团结构发现算法
检测社团结构是个相对困难的任务， 因为网络中的社团数目通常是未知的，且社团的大小、密度不尽相同。尽管如此，还是不断有学者发明了大量检测社团的方法，使这个领域取得了长足发展。下面列举一些经典社团检测算法。
层次聚类（Hierarchical clustering）
层次聚类是一种传统且有效的方法。它通过一种相似性度量（如欧氏距离），来计算节点间拓扑结构的相似性。然后每次找到距离最短的两个社团，然后进行合并成一个大的社团，直到全部合并为一个社团，形成一个树结构。根据需要可自行决定社团数目，得到最终结果。
Girvan-Newman 社团检测算法
模块度最大值法 （Modularity maximization）
模板度最大值法是用于使用最为广泛的社团检测算法之一。 模块度（Modularity）是一种衡量社团划分质量的标准。模块度最大值法通过搜索所有可能的分组，找到使模块度最大的分组方式作为结果。由于穷举所有可能的分组十分困难，所以实际的算法都采用近似优化方法，如贪婪算法等。
图6：模板度最大值法检测社团结构
注：使用网络科学工具包NetworkX , 可以轻松调用上述三种算法，实现社团检测。
四、知名学者简介
Mark Newman
图7：Mark Newman
美国密歇根大学物理系和复杂系统研究中心特聘教授。同时也是圣塔菲研究所 （Santa Fe Institue）外聘教授。网络科学的先驱者之一，2014年被授予拉格朗日奖。他的论文总引用量超过18万，著有网络科学经典著作《Networks: An Introduction》。
在社团检测领域，他提出了模块度最大值算法，是使用最广泛的算法之一。
Santo Fortunato
图8：Santo Forunato
美国印第安纳大学Bloomington分校信息学、计算和工程学院教授。印第安纳大学网络科学研究中心主任。论文总引用量超3万，其中最著名的论文为2010年发表的"Comunity detection in graphs"，引用量超8000，是社团检测领域的经典综述之一。
经典文献
S. Fortunato (2010). "Community detection in graphs". Phys. Rep. 486 (3–5): 75–174. arXiv:0906.0612.
课程
复杂网络中的社团结构
该课程中主要讲解了网络中集团结构的定义，以及层次聚类法、GN 聚类法的思想，从中观尺度——社团结构去探索复杂网络的性质。
复杂网络中的社团结构
https://campus.swarma.org/course/1197
算法讲解
Github上热门分享 (收藏超1.2k) - 社团检测相关论文及代码实现集：
https://github.com/benedekrozemberczki/awesome-community-detection
模块度（Modularity）与Fast Newman算法讲解与代码实现：
http://rrd.me/gDT2S
该文章主要介绍了模块度的产生、原理和实现过程。作者利用矩阵形式减少计算时长，最后使用matlab进行计算。
注：以上算法代码均可以实现，更多详情查看词条链接
社团结构:
https://wiki.swarma.org/index.php?title=社团结构
六、百科项目志愿者招募
作为集智百科项目团队的成员，本文内容由李欣儒、刘佩佩、刘世康、李媛翯参与贡献。我们也为每位作者和志愿者准备了专属简介和个人集智百科主页，更多信息可以访问其集智百科个人主页:
以上内容都是我们做这项目的起点，作为来自不同学科和领域的志愿者，我们建立起一个有效的百科团队，分配有审校、翻译、编辑、宣传等工作。我们秉持：知识从我而来，问题到我为止的信念，认真负责编撰每一个词条。
在这里从复杂性知识出发与伙伴同行，同时我们希望有更多志愿者加入这个团队，使百科词条内容得到扩充，并为每位志愿者提供相应奖励与资源，建立个人主页与贡献记录，使其能够继续探索复杂世界。
参 考资料 ：
[1]社团结构 集智百科 :
https://wiki.swarma.org/index.php?title=社团结构
[2]社团结构 维基百科:
https://en.wikipedia.org/wiki/Community_structure
[3]社团结构 百度百科 :
[4]CSDN相关算法页面
http://rrd.me/gDT2S
[5]GitHub相关算法页面
https://github.com/benedekrozemberczki/awesome-community-detection
[6]集智学园课程
https://campus.swarma.org/course/1197
来源：集智百科
编辑：曾祥轩返回搜狐，查看更多