实现了5种社区发现算法
：
**1. girvannewman算法**
gn算法是一种分裂型的社区发现算法，在本实验中的实现如下：
`1. 计算各边的betweenness
`2. 去除betweenness值最高的边
`3. 计算该图的连通片
`4. 判断连通片的数目length(compsize)，若小于k，转到`1.
**2. alinkjaccard算法**
alinkjaccard是一种层次聚类方法，它使用jaccard相似度作为节点间的"距离"，再使用聚类算法，初始时每个节点为一个cluster，每次迭代将cluster间节点距离平均值最小的两个cluster合并，直到剩下k个cluster为止。
Basic algorithm is straightforward
1. Compute the distance matrix
2. Let each data point be a cluster
3. Repeat
4. Merge the two closest clusters
5. Update the distance matrix
6. Until only a single cluster remains
**3. rario_cut算法**
rcut是基于谱聚类的一种方法，可以把社区发现的问题转换成求矩阵特征向量，再在特征向量上使用kmeans算法。
定义矩阵D为图的度矩阵，W为图的邻接矩阵，则拉普拉斯矩阵L = D - W ,求这个矩阵的特征向量，把它按从小到大的顺序排列，取前k个特征向量，在上面使用kmeans算法得到聚类结果。
**4. ncut算法**
实现方法基本同rcut，只是这里定义的拉普拉斯矩阵为D^{-1/2}(D-W)D^{-1/2}
**5. modularity算法**
modularity算法在这里的实现方法类似谱聚类的方法，这里定义B = A - d*d'/(2*m);,A为图的邻接矩阵，d为顶点度数向量，m是图的边数。
该算法求B矩阵的特征向量，选择其中最大的k个向量来做kmeans算法。