网络社区划分算法.docxVIP

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 o4.1计算网络的模块化程度 Q-Modularityo o 4.1 计算网络的模块化程度 Q-Modularity o 4.2 计算网络的连边紧密度 Edge betwee nn ess o 4.3 计算网络拉普拉斯矩阵的特征向量 Leadi ng eige nvector o 4.4 通过fast greedy 方法搜索网络模块化程度 Q-Modularity 的最大值 o 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 5.1 随机游走算法 Walk Trap o 5.2 标签扩散算法 label propagati on o 5.3 流编码算法the Map Equation o 5.4 流层级算法 Role-based Similarity 6 总结 4拓扑分析 [1]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。 [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(例如一天)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 3） ⑹ 图1拓扑觸町导刚⑹ 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|A2 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|A2 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 VF2+ |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|) 无向有权多分 量 不适用小网络 fastgreedy .community 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 multilevel .community 流分析 Walk Trap 最大化社区间的流距离 E|*|V|A2 无向有权单分 量 不太适合网络 数量较小的情 况 walktrap .community 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 pagation .community Info map 最小化随机流的编码长度 V|*(|V|+|E|) 有向有权单分 量 clique .community Role-based community 划分岀在流中地位类似的节 V|A3 有向有权单分 结果不稳定  占 八、、 卓 量 上表中的分量