社团检测之LeaderRank算法

本文主要介绍社团检测中节点排序LeaderRank算法。

基本思想

$LeaderRank$算法通过在网络中增加一个节点$g(Ground node)$，将其与网络中的所有节点相连接从而得到一个强连接的$N+1$个节点的新网络。算法首先给节点$g$之外的$N$个节点分配1单位的$LR$值，将这1单位的$LR$值分配给其直接相连的邻居节点，这一过程根据下面公式不断进行迭代，直到达到稳定状态：

$$s_i(t+1)=\sum_{j=0}^{N}\frac{a_{ij}}{k_j}s_j(t)$$
其中，节点i与j直接相连则 $a_{ij}=1$，否则为0； $k_j$代表节点j的度数。 $\frac{a_{ij}}{k_j}$代表节点 $i$随机游走到$j$的概率。初始状态下除 $g$外的所有节点的$s_i(0)=1$，而 $s_g(0)=0$。最后将节点 $g$的$LR$值平均分给其它 $N$个节点：
$$S_i=s_i(t_c)+s_g(t_c)\cdot N^{-1}$$
其中， $s_g(t_c)$是稳定状态下节点 $g$的$LR$值， $t_c$表示收敛次数。

参考论文 : Leaders in Social Networks, the Delicious Case

Python代码实现

# -*- coding: UTF-8 -*-

"""
Created on 18-3-5

@summary: LeaderRank 节点排序算法

@author: dreamhomes
"""
import get_graph


def leaderrank(graph):
    """
    节点排序
    :param graph:复杂网络图Graph
    :return: 返回节点排序值
    """
    # 节点个数
    num_nodes = graph.number_of_nodes()
    # 节点
    nodes = graph.nodes()
    # 在网络中增加节点g并且与所有节点进行连接
    graph.add_node(0)
    for node in nodes:
        graph.add_edge(0, node)
    # LR值初始化
    LR = dict.fromkeys(nodes, 1.0)
    LR[0] = 0.0
    # 迭代从而满足停止条件
    while True:
        tempLR = {}
        for node1 in graph.nodes():
            s = 0.0
            for node2 in graph.nodes():
                if node2 in graph.neighbors(node1):
                    s += 1.0 / graph.degree([node2])[node2] * LR[node2]
            tempLR[node1] = s
        # 终止条件:LR值不在变化
        error = 0.0
        for n in tempLR.keys():
            error += abs(tempLR[n] - LR[n])
        if error == 0.0:
            break
        LR = tempLR
    # 节点g的LR值平均分给其它的N个节点并且删除节点
    avg = LR[0] / num_nodes
    LR.pop(0)
    for k in LR.keys():
        LR[k] += avg

    return LR


if __name__ == "__main__":
    path = "/home/dreamhome/network-datasets/karate/karate.paj"
    graph = get_graph.read_graph_from_file(path)
    print sorted(leaderrank(graph).items(), key=lambda item: item[1])