图计算中的图聚类和社区发现有哪些方法？

图聚类和社区发现是图计算中的重要问题，有许多方法可以用来解决。常见的方法包括基于图谱的方法、基于模块度的方法、基于谱聚类的方法、基于节点相似度的方法等。

基于图谱的方法：包括谱聚类（spectral clustering）和标签传播算法（Label propagation algorithm）。谱聚类通过对图的拉普拉斯矩阵进行特征分解，将节点投影到低维空间进行聚类。标签传播算法则是通过节点之间的标签传播来实现聚类。

基于模块度的方法：模块度是用来衡量网络中社区结构的一种指标，基于模块度的方法通过最大化网络的模块度来进行社区发现。常见的算法包括Newman's 模块度优化算法和Louvain算法。

基于谱聚类的方法：谱聚类是一种基于图拉普拉斯矩阵特征值和特征向量的聚类方法，可以用来发现图中的社区结构。

基于节点相似度的方法：这类方法主要是通过计算节点之间的相似度来进行聚类，常用的算法有K-means算法和层次聚类算法。

总的来说，不同的方法在不同的场景下有不同的适用性，需要根据具体问题来选择合适的方法进行图聚类和社区发现。

关键字：图计算，图聚类，社区发现，谱聚类，模块度，标签传播算法