nx.algorithms.community.label_propagation.asyn_lpa_communities(G)
nx.algorithms.community.label_propagation.label_propagation_communities(G)
# 猜测区别是这样的：
# 1是异步，2是半同步
# 1返回<dict_valueiterator>，2返回<generator object label_propagation_communities>
# 1结果不稳定，2结果稳定
# 1分的类较少，2分的类较多
# 1可以用于有向图，2不能
7. 随机游走
思路 启发式规则：

1） 从节点出发随机游走，停留在社区内的概率高于到达社区外的；

2）重复随机游走，强化并逐渐显现社区结构。
1）建立邻接矩阵（含自环）；

2）标准化转移概率矩阵；

3）Expansion操作，对矩阵计算e次幂方 ；

4）Inflation操作，对矩阵元素计算r次幂方并标准化（强化紧密的点，弱化松散的点 ）

5）重复4和5直到稳定；

6）对结果矩阵进行常规聚类；

  
派系过滤算法（clique percolation algorithm）- 社区的网络
  
领导力扩张（Leadership expansion）- 类似与kmeans
  
基于聚类系数的方法（Maximal K-Mutual friends）- 目标函数优化
  
HANP（Hop attenuation & node preference)- LPA增加节点传播能力
  
SLPA（Speak-Listen Propagation Algorithm)- 记录历史标签序列
  
Matrix blocking – 根据邻接矩阵列向量的相似性排序
  
Skeleton clustering – 映射网络到核心连接树后进行检测
某论文的笔记
M. E. J. Newman和M. Girvan在《Physical Review E》提出了网络社区结构的一个优化指标，即模块度，该指标被证明是一种可靠的评价指标。由于模块度指标不存在梯度信息，因此传统的数学优化方法如牛顿法、内外点法等等都难以求解这种优化问题，优化模块度问题被证明为一个NP hard问题
美国科学院院士M. E. J. Newman，对启发式和群智能结合的研究工作贡献很大，他的个人主页 http://www-personal.umich.edu/~mejn/
小世界特性
，依据两个指标：第一是看网络任意两个节点之间连通的边的数目是否尽可能的小，即节点间的路径尽可能短；第二是看网络任意节点连接的周边节点的数目尽可能的多。
无标度特性
可以根据两点：第一是看网络的边的连接情况是否符合幂律分布；第二是看网络中的节点，大部分节点的度数是否比较小。