关键词：复杂网络，大规模网络分析，开源库，高效率



论文题目：
EasyGraph: A multifunctional, cross-platform, and effective library for interdisciplinary network analysis
论文地址：
https://www.cell.com/patterns/fulltext/S2666-3899(23)00218-0#%20

网络分析在多学科中有效地展现了实体间的关系，广泛应用于诸如社交网络、生物网络及交通网络等各式复杂网络的理解，已经成为复杂系统研究的必备工具。而诸如社区检测、中心性分析与网络可视化等网络分析任务，也在许多学科的研究中发挥着重要作用。目前已经有许多针对复杂网络分析的工具和开源库，包括：

  • NetworkX（https://networkx.org/）

  • SNAP（http://snap.stanford.edu/）

  • igraph（https://igraph.org/）

  • graph-tool（https://graph-tool.skewed.de/）

  • Gephi（https://gephi.org/）

  • Cytoscape（https://cytoscape.org/）

  • GraphVis（https://networkrepository.com/graphvis.php）

……

随着网络规模的增长，有效分析大规模网络数据成为一项严峻挑战。与此同时，为了满足不同学科的需求，网络分析需要提供更为全面的功能。然而，目前主流的网络分析工具在处理大规模网络数据时效率较低，或者仅支持有限的网络数据格式和有限的经典算法，这严重限制了它们在不同学科领域的广泛应用。因此，设计实现一套更通用高效的网络分析工具有着重要的现实意义。

近期发表在Patterns杂志的一篇论文中，复旦大学计算机学院陈阳团队推出了一款用于跨学科网络分析的Python库——EasyGraph，它支持众多网络数据格式，并覆盖结构洞占据者节点检测与网络嵌入等关键网络分析功能。EasyGraph通过对关键网络分析功能的优化显著提高了算法运行效率。

具体而言，首先，EasyGraph具有良好的兼容性，可以灵活地对来自不同学科领域的网络数据进行建模，并支持多种格式的网络数据。其次，EasyGraph封装了大量代表性的网络分析指标和重要算法，便于研究人员从多角度开展网络分析，无需从零开始编写较为繁琐的代码，提升科研效率。最后，EasyGraph通过多进程和混合编程等优化技术提升了诸多关键算法在大规模网络数据集上的运行效率，为不同学科的网络分析研究提供了强大支持。

EasyGraph现已开源发布：
https://github.com/easy-graph/Easy-Graph

图1 EasyGraph的平台架构、关键功能与多学科应用


编译｜刘培源

网络科学集智课堂第三期：

从数学建模到多学科应用



详情请点击：
从数学建模到多学科应用——网络科学·集智课堂全新升级


推荐阅读

‍1. DeepMind开源图网络库，解决关系推理问题新利器！
2. 复杂性的跨学科关联：分数阶微积分、重整化群与机器学习
3. 推动跨学科研究，什么样的科研资助更有效？
4. 张江：第三代人工智能技术基础——从可微分编程到因果推理 | 集智学园全新课程
5. 成为集智VIP，解锁全站课程／读书会
6. 加入集智，一起复杂！


点击“阅读原文”，报名课程

内容中包含的图片若涉及版权问题，请及时与我们联系删除