|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/gephipart2/
课程评论：没有评论
本課程「社會網絡分析工具Gephi【統計Part2網絡與分群】」深入探討Gephi中的分群功能，旨在指導學習者如何有效地識別和可視化網絡中的社群結構。課程重點介紹了五種核心的分群方法： 1. **Modularity（模塊化）**：此方法透過優化網絡的模塊化分數來尋找最佳分群，分數大於0.6通常被視為一個好的結果。課程同時講解了`resolution`參數的應用，該參數可用於調整分群的數量，增加或減少社群的粒度。 2. **Connected Component（連通分量）**：此方法用於探測網絡內部的小型團體或獨立連結的子網絡，有助於識別網絡中的局部結構。 3. **Girvan-Newman（Girvan-Newman算法）**：該算法通過迭代地移除網絡中最重要的邊來逐步分解網絡，從而識別社群。課程會講解如何將網絡的**權重**納入計算，以及如何處理**重複連結**，以獲得更精確的分群結果。 4. **Multi-Dimensional Scaling (MDS)（多維度標度法）**：此方法基於節點的特徵，通過向量運算將相似節點在空間中聚合，便於觀察和判斷節點之間的關係及其所屬群體。 5. **Lineage（譜系/關聯性）**：此方法是一個由插件提供的額外演算法，用於分析節點之間的關聯性可能形成的結構。 課程強調理解每種分群方法背後的**運算原理**和**可調參數**，以幫助使用者透過最佳化視覺化結果來深入理解網絡分析。此外，課程還涵蓋了如何利用**顏色標記**來區分不同的群體，以方便後續的網絡分析和判斷。
本課程主要在介紹Gephi的分群功能應該如何使用，主要介紹Modualrity、Connected Component、Girvan-Newman、Multi-Dimensional Scaling (MDS)、Lineage五種方法，詳細介紹每一種分群方法所採用的運算原理，並且了解每一個分群演算法可調參數，以幫助使用者最佳視覺化其結果，此外，介紹分群後應如何利用顏色標示出不同的群體，以利後續進行網絡分析與判斷。1. Modualrity：利用Modualrity進行分群，輔以Modualrity Score來判斷最佳分群結果(一般來說大於0.6即可獲得最佳解)，此外可以利用resolution來增加或減少分群、2. Connected Component：利用Connected Component探測社群內的小團體、3. Girvan-Newman：利用Girvan-Newman進行分群，並且可以將權重納入計算、或同時計算重複的連結。4.Multi-Dimensional Scaling (MDS)：利用節點的特徵進行向量運算，將相似的節點集中以利判斷5.Lineage：Plugin提供的演算法。
