Суммировать

社区发现
渗透算法
k-clique对象：k个节点两两存在边关系，这就是一个k-clique对象。
如果存在多个k-clique对象之间存在k-1个共同节点，则说明这2个k-clique对象是相邻的。

完全子图
k-clique-communities算法发现的社区是可以重叠的，及一个节点既可以存在于a社区，也可以存在于b社区。

1/ Что такое алгоритм проникновения клики

对于一个图G而言，如果其中有一个完全子图（任意两个节点之间均存在边），节点数是k，那么这个完全子图就可称为一个k-clique对象

进而，如果两个k-clique对象之间存在k-1个共同的节点，那么就称这两个k-clique对象是“相邻”的。
彼此相邻的这样一串clique构成最大集合，就可以称为一个社区（而且这样的社区是可以重叠的，即所谓的overlapping community，就是说有些节点可以同时属于多个社区）。
下面第一组图表示两个3-clique对象形成了一个更大的社区，第二组图是一个重叠社区的示意图。

2 / Введение параметра алгоритма K-clique-communities

from networkx.algorithms.community import k_clique_communities

3/Применение k-кликовых сообществ

# 以无向无权图为例

#!/usr/bin/python
#coding:utf-8
import sys
import networkx as nx
import time
 
def find_community(graph,k):
    return list(nx.k_clique_communities(graph,k))
 
if __name__ == '__main__':
    if len(sys.argv) < 2:
        print "Usage: %s <InputEdgeListFile>" % sys.argv[0]
        sys.exit(1)
 
    #创建一个无向、无权图
    edge_list_file = sys.argv[1]
    wbNetwork = nx.read_edgelist(edge_list_file,delimiter='\t')
    print "图的节点数：%d" % wbNetwork.number_of_nodes()
    print "图的边数：%d" % wbNetwork.number_of_edges()
 
    #调用kclique社区算法
    for k in xrange(3,6):
        print "############# k值: %d ################" % k
        start_time = time.clock()
        rst_com = find_community(wbNetwork,k)
        end_time = time.clock()
        print "计算耗时(秒)：%.3f" % (end_time-start_time)
        print "生成的社区数：%d" % len(rst_com)

算法输出及讨论 
单机64G内存的机器上测试了几个不同规模的网络，相应的输出如下：

根据最后一张图可以知道：
该算法在单机上适合于计算10万以下节点中小规模网络社区结构。
对于大规模的社交网络，必须要用分布式集群才行啊。