04-communities 图机器学习之社区

网络中的社区结构

信息流通：

节点在此扮演了什么角色？

连接扮演了什么角色？

非网络时代，人们是如何获取工作的？

通过人脉，然而，不少关系是泛泛之交，而亲密关系较少。 那为什么泛泛之交反而更有用？

结构上：短距离的关系亲密，长距离的关系弱

信息上：长距离：获取更多信息

三角闭合——高度聚集的系数

边重叠？

N（i）：节点i的邻居集 计算Oij时要除去i，j节点

当overlap==0时，该边为局部桥梁

以下是基于通话网络的分析，可以看出，两节点间的路径越长，其邻居重叠性越多

网络社区：包含。一系列紧密连接的节点集合， 大量的内部连接及小勺的外部连接

如何发现社区？如何拆分网络？

给定边和节点数的configuration model：

使用Q值来衡量S是否为G的社区

Louvain 算法：

贪心算法，时间性能 O(nlogn) 支持带权重的网络，提供分层的社区

可应用于更大的网络，时间性能高，较快收敛

具体看课件，尚未详细看（！！！）

Modularity：将图划分为社区

检测重叠社区：BigCLAM

1) 基于节点的社区关系定义一个生成模型——Community Affiliation Graph Model （AGM）

2) 对于给定的G,假设G是由ASM生成的；找到最佳的AGM；然后，发现社区

。。。。。。

来自为知笔记(Wiz)

原文地址：https://www.cnblogs.com/combfish/p/12271467.html