Модификации алгоритма Лувена в контексте мультиплексных и темпоральных сетей

Автор(ы): Ерёменко А.М., Игнатова В.А.

Выпуск: 120

Рубрика: Сетевые модели в управлении

Год: 2026

Библиография: Ерёменко А.М., Игнатова В.А. Модификации алгоритма Лувена в контексте мультиплексных и темпоральных сетей // Управление большими системами. - 2026. - Вып. 120. - С.228-246.

Дата опубликования: 31.03.2026

Ключевые слова: мультиплексные сети, темпоральные сети, сообщества, алгоритм Лувена, модулярность

Аннотация: Целью работы является комплексный анализ и практическая адаптация существующего алгоритма Лувена для выявления сообществ в мультиплексных и темпоральных научных сетях. В ходе исследования были систематизированы основные понятия и рассмотрены современные методы кластеризации сетевых структур. Для проведения экспериментов были собраны обширные данные об авторах, публикациях и тематиках исследований из открытой библиометрической платформы OpenAlex. С использованием средств языка программирования Python эти данные были преобразованы и подготовлены для построения специализированных сетевых моделей. Ключевым результатом работы стало применение модификаций алгоритма Лувена, предназначенных для работы с мультиплексными и темпоральными сетями. В мультиплексной сети разработанный модифицированный алгоритм Лувена сравнивался с алгоритмом ABACUS и Flattening. Для кластеризации темпоральных сетей были рассмотрены и протестированы алгоритмы Smoothed Graph, Iterative Match и Smoothed Louvain, в основе которых лежит классический алгоритм Лувена. Адаптированные алгоритмы продемонстрировали высокие показатели следующих метрик: модулярности, нормализованной взаимной информации, коэффициента Жаккара. Это подтверждает эффективность модифицированных методов и перспективность их использования в качестве базовых инструментов в будущих исследованиях.

Author(s): Eremenko A., Ignatova V.

Article title: Methods for community detection in multiplex and temporal networks

Issue: 120

Year: 2026

Keywords: multiplex networks, temporal networks, communities, Louvain algorithm, modularity

Abstract: The aim of this work is a comprehensive analysis and practical adaptation of the existing Louvain algorithm for detecting communities in multiplex and temporal scientific networks. The research systematized key concepts and reviewed contemporary methods for clustering network structures. Extensive data on authors, publications, and research topics was collected from the OpenAlex open bibliometric platform for conducting experiments. Using Python programming tools, these data were transformed and prepared for constructing specialized network models. The key result of the work was the application of modifications of the Louvain algorithm designed for multiplex and temporal networks. In the multiplex network, the developed modified Louvain algorithm was compared with the ABACUS and Flattening algorithms. For clustering temporal networks, the Smoothed Graph, Iterative Match, and Smoothed Louvain algorithms—all based on the classical Louvain algorithm — were reviewed and tested. The adapted algorithms demonstrated high performance in the following metrics: modularity, normalized mutual information, and the Jaccard coefficient. This confirms the effectiveness of the modified methods and their potential for use as foundational tools in future research.