网络社区划分算法.docxVIP

[1]简介 [1]简介 ? ? ? ? 网络社区划分算法 目录 简 介 构 建 一 个 点 击 流 网 络 网 络 社 区 划 分 的 两 种 主 要 思 路 ： 拓 扑 分 析 和 流 分 析 拓 扑 分 析 o o o o o  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 o o o o  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 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。 [2 ]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。 [3]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 R 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 spinglass .community Edge-Betweenness 最小化社区间连边的 betweenness V|*|E|^2 有向有权多分 量 慢 edge.betweenness .community 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 　 leading.eigenvector .community 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