コミュニティ検出
コミュニティ検出は、ネットワーク（グラフ）構造中で密につながったノード群（コミュニティ）を抽出する手法。たとえば、人間関係ネットワークで、仲のよい友人同士が密集するグループを特定するようなイメージ。アルゴリズム（Modularity最大化、Louvain法、Infomapなど）を用いて、グラフを部分集団に分割し、それらが他の集団より内部結合が強い塊を発見する。これにより、複雑なネットワーク構造をわかりやすく解釈し、トピッククラスターや関連概念群を理解しやすくする。
特徴：Modularity最大化に基づく高速なヒューリスティック手法。大規模グラフにも対応可能で広く使われる。
Python実装：
py!pip install python-louvain
from community import community_louvain
partition = community_louvain.best_partition(G)特徴：Louvain法を改善した手法で、より安定した精度とモジュラリティを得やすい。
Python実装 (igraph利用)：
py!pip install python-igraph leidenalg
import igraph as ig
import leidenalg
g = ig.Graph.Read_Ncol("network.edgelist")
partition = leidenalg.find_partition(g, leidenalg.ModularityVertexPartition)特徴：エッジ介在性中心性（edge betweenness）を用いてコミュニティ境界を特定する分割型アルゴリズム。計算量は比較的多めで大規模ネットワークには不向きだが、理論的には分かりやすい。
Python実装 (NetworkX)：
pyimport networkx as nx
from networkx.algorithms.community import girvan_newman
G = nx.karate_club_graph()
communities = next(girvan_newman(G))特徴：ランダムウォークに基づく情報フロー最適化でコミュニティ検出。
Python実装 (igraph)：
pyimport igraph as ig
g = ig.Graph.Read_Ncol("network.edgelist")
communities = g.community_infomap()れらの手法を用いると、与えられたネットワークの内部構造を直感的に理解でき、テキスト間の共起関係や関連性を可視化・分析しやすくなる。
"Engineer's way of creating knowledge" the English version of my book is now available on [Engineer's way of creating knowledge]
(C)NISHIO Hirokazu / Converted from [Scrapbox] at [Edit]