网络社区划分算法.docVIP

. 优质范文 网络社区划分算法 目录 1?简介 2?构建一个点击流网络 3?网络社区划分的两种主要思路：拓扑分析和流分析 4?拓扑分析 4.1?计算网络的模块化程度Q-Modularity 4.2?计算网络的连边紧密度Edge betweenness 4.3?计算网络拉普拉斯矩阵的特征向量Leading eigenvector 4.4?通过fast greedy方法搜索网络模块化程度Q-Modularity的最大值 4.5?通过multi level方法搜索网络模块化程度Q-Modularity的最大值 5?流分析 5.1?随机游走算法Walk Trap 5.2?标签扩散算法label propagation 5.3?流编码算法 the Map Equation 5.4?流层级算法 Role-based Similarity 6?总结 [ \o 编辑段落：简介 ]简介 使用许多互联网数据，我们都可以构建出这样的网络，其节点为某一种信息资源，如图片，视频，帖子，新闻等，连边为用户在资源之间的流动。对于这样的网络，使用社区划分算法可以揭示信息资源之间的相关性，这种相关性的发现利用了用户对信息资源的处理信息，因此比起单纯使用资源本身携带的信息来聚类（例如，使用新闻包含的关键词对新闻资源进行聚类），是一种更深刻的知识发现。 [ \o 编辑段落：构建一个点击流网络 ]构建一个点击流网络 假设我们手头有一批用户在一段期间内访问某类资源的数据。为了减少数据数理规模，我们一般只考虑最经常被访问的一批资源。因此在数据处理中，我们考虑UV（user visit）排名前V的资源，得到节点集合|V|，然后对于一个用户i在一段时间内（例如一天）内访问的资源，选择属于|V|的子集vi。如果我们有用户访问资源的时间，就可以按照时间上的先后顺序，从vi中产生vi-1条有向边。如果我们没有时间的数据，可以vi两两间建立联系，形成vi(vi-1)/2条无向边。因为后者对数据的要求比较低，下文中，暂时先考虑后者的情况。 对于一天内的n个用户做这个操作，最后将得到的总数为 的连边里相同的边合并，得到|M|个不同的边，每条边上都带有权重信息。这样，我们就得到了V个节点，M条边的一个加权无向网络，反应的是在一天之内用户在主要的信息资源间的流动情况。在这个网络上，我们可以通过社区划分的算法对信息资源进行分类。 [ \o 编辑段落：网络社区划分的两种主要思路：拓扑分析和流分析 ]网络社区划分的两种主要思路：拓扑分析和流分析 社区划分的算法比较多，但我个人认为大致可以分为两大类：拓扑分析和流分析。前者一般适用于无向无权网络，思路是社区内部的连边密度要高于社区间。后者适用于有向有权网络，思路是发现在网络的某种流动（物质、能量、信息）中形成的社区结构。这两种分析各有特点，具体应用取决于网络数据本身描述的对象和研究者想要获得的信息。  我们可以将已知的一些算法归入这两类： 算法 优化目标 计算复杂度 适用情况 局限 拓扑分析 Q Modularity 最大化Q-modularity V|^2 无向无权多分量 不适用小网络 Edge-Betweenness 最小化社区间连边的betweenness V|*|E|^2 有向有权多分量 慢 Leading Eigenvector 对拉普拉斯矩阵第二小特征根对应的特征向量聚类 V|^2+ |E| 无向无权多分量 Fast Greedy 使用社区合并算法来快速搜索最大Q-modularity E|*log(|V|) 无向有权多分量 不适用小网络 Multi Level 使用社区展开算法来快速搜索最大Q-modularity V| 无向有权多分量 不适用小网络 流分析 Walk Trap 最大化社区间的流距离 E|*|V|^2 无向有权单分量 Label Propagation 每个节点取邻居中最流行的标签，迭代式收敛 V| + |E| 无向有权单分量 结果不稳定 Info map 最小化随机流的编码长度 V|*(|V|+|E|) 有向有权单分量 Role-based community 划分出在流中地位类似的节点 V|^3 有向有权单分量 结果不稳定 上表中的分量（component）指在网络中的独立“团块”。有向网络里，分量有强弱之分，强分量（strong component ）中任意一个节点都可到达另外一个节点，弱分量（weak component）中如果忽略连边方向，则构成强分量。无向网里分量没有强弱之分。在网络中识别强分量的算法有Kosaraju算法，Tarjan算法及其变形Gabow算法等。在这里不展开叙述。 接下来，我们逐一讨论拓扑分析和流分析中