(复杂网络基础理论)第七章复杂网络中的挖掘.ppt

7.5.3 派系过滤算法 【例7.6】利用派系过滤算法寻找图7.23 所示网络的4 －派系社团，并写明计算过程。 7.5.3 派系过滤算法 解：通过运用派系过滤算法可以得到该网络包含 6 个派系，分别为：G1＝｛v1，v2，v3，v5，v6｝；G2＝｛v1，v2，v6，v7｝；G3＝｛v3，v4，v5，v6｝；G4＝｛v6，v7，v8，v9｝；G5＝｛v5，v6，v9｝；G6＝｛v5，v9，v10｝，如图7.24 所示。 7.5.3 派系过滤算法 基于图7.24 ，可以求得如图7.25 所示的重叠矩阵（a ）和4―派系的社团邻接矩阵（b ）。 根据图7.25 （b ）的连通性分析可知，该网络含有两个 4 ―派系的社团结构，如图7.26 所示。 7.5.4 分裂算法 1． GN 算法 GN 算法是一种基于边介数的社团发现算法。该算法采用分割法，依据边不属于社区的程度逐步把不属于任何社团的边（即社团之间相连接的边）删除，直到把所有的边都删除掉。 GN 算法的执行过程如下： （1 计算网络中所有连接边的边介数； （2 找到介数最高的边并将它从网络中移除，并重新计算剩余各边的边介数； （3 重复步骤（2直到网络中所有的边均被移除。 需注意：某条边被移除后重新计算剩余边的边介数是十分必要的。 7.5.4 分裂算法 2． 边集聚系数法 这种算法仅需要计算网络局部结构的边集聚系数，并以此寻找社团间的连接边。 基于边集聚系数的新分裂算法的具体过程为： （1 确定多边形的类型（三角形、四边形…）； （2 计算网络中存在的每条边的边集聚系数，并断开集聚系数最小的边； （3 重复步骤（2），直到网络中所有的边都被断开为止。 在算法的执行过程中，每移除一条边，就要检查该网络是否被分解成了若干社团，同时要重新计算网络中剩余边的聚类系数。 7.5.5 凝聚算法 1． Newman快速算法 这种算法基于贪婪算法思想，从每个节点各占据一个社团开始，沿着使模块性增加最大或减少最小的方向不断合并社团，期望得到最大的网络模块性，从而获得社团划分结果。 算法的执行过程包括以下几个步骤： （1）初始化：初始化网络为N个社团，即每个节点各自是一个社团。令模块性Q＝0，矩阵F和辅助向量 a 的元素fij和ai（i，j＝1，2，…，N）初始化为： 7.5.5 凝聚算法 1． Newman快速算法 （2）合并：依次合并有边相连的两个社团Gi和Gj，并计算合并后的模块性增量： 选择使Q增大最多或者减少最小的合并方式进行社团合并（计算复杂度为O（M）），并将与合并有关的两个社团的行和列相加，对相应的元素fij更新（计算复杂度为 O（N）），更新 Q←Q＋max｛⊿qij ｝。 （3 ）终止条件：重复步骤（2），不断合并社团，直到整个网络合并为一个社团。显然，最多执行 N－1 次合并。 7.5.5 凝聚算法 2． 利用堆结构的贪婪算法 该算法采用堆的数据结构来计算和更新网络的模块性。采用堆结构进行计算需要三种数据结构： （1）模块性增量矩阵⊿Q 可将该矩阵它的每一行都存为一个平衡二叉树和一个最大堆。使用平衡二叉树的目的是为了可以在 О（logN）时间内找到需要的某个元素，而使用最大堆后可以在最短的时间内找到每一行的最大元素。 （2）最大堆H 该堆中包含了模块性增量矩阵⊿Q 中每行的最大元素，同时包括该元素相应的两个社团的编号 i 和j。 7.5.5 凝聚算法 2． 利用堆结构的贪婪算法 （3）辅助向量 a 基于上述数据结构，对于具有N个节点的网络来说，该算法的执行过程如下： （1）初始化：初始化网络为N个社团，即每个节点是一个独立社团。初始的模块性Q＝0。矩阵F和向量 a各元素fij、ai的初始值与 Newman 快速算法中的条件相同。初始的模块性增量矩阵⊿Q 的元素满足： 得到初始的模块性增量矩阵后，就容易根据每一行的最大元素构成初始的最大堆H。 7.5.5 凝聚算法 2． 利用堆结构的贪婪算法 （2）合并：从最大堆H中选择最大的⊿qij ，合并相应的社团Gi和Gj并标记合并后的社团的标号为 j，同时更新模块性增量矩阵⊿Q、最大堆H和辅助向量a。三种数据的更新规则如下： ①⊿Q 的更新：删除第i行和第i列的元素，更新第j行和第j列的元素，从而得到 ②最大堆 H 的更新：在更新⊿Q 后，要更新最大堆中相应的行和列的最大元素。 7.5.5 凝聚算法 2． 利用堆结构的贪婪算法 ③辅助向量 a 的更新如下： 并记录合并后的模块性值： Q←Q＋max｛⊿qij｝ （3）终止条件：重复步骤（2），直到整个网络合并为一个社团。 算法执行过程中，模块性