基于SparkGraphX实现大数据量的Louvain算法(附Scala代码)
之前针对社群发现类算法有写过一篇用Python实现的面向小数据集的文章,其中也有涉及到Louvain算法的原理,今天这篇将主要专注于借助SparkGraphX实现Louvain算法的实现方案,该方案将更适用于大数据量,并且扩展性较好,集群资源给够就可以支持更大的数据量。不过需要注意的是,图计算框架SparkGraphX其实并不算是一个非常高效的框架(存在数据交换开销等等,可以查下资料图片),但是由于其依托于成熟的大数据框架Spark而实现,故而可以说是大数据图计算领域最为常用的一个图计算框架。其他的图计算框架如腾讯的plato等,效率更高,但是非开源(需要花钱图片),并且需要单独部署,不能复用之前的大数据组件,所以并不算很常用,如果数据量及其巨大,比如涉及十亿级别的点和边,那还是plato这类框架更加适用,最近两年图数据库领域很火的Nebula Graph(携程、百度等大厂都有用到,分布式且开源图片),其收费版本的图计算就是依托plato实现的。
风控图算法之社群发现算法(小数据集Python版)+ Louvain原理
文章目录
一、Louvain算法实现流程
写代码这个工作其实和赵本山小品中提到的把大象装冰箱分几步是一样一样的图片,本质都是明确目标,拆解实现目标的步骤,对每个步骤分析要实现需要满足哪些条件,怎么才能获得这些支持,最后的实现自然是水到渠成。所以首先需要做的就是明确把大象装冰箱Louvain算法实现需要几步图片。
- 初始化:每个节点自成一个社区,如果有N个节点,那么初始时就有N个社区。
- 局部优化:遍历每个节点,尝试将节点移动到其邻居所在的社区中,最大化网络的总模块度。对于每个节点,算法计算将该节点加入每个邻近社区时的模块度增益,并选择使模块度最大化的社区。这一步重复进行,直到再也无法通过移动节点来增加模块度。
- 网络收缩:一旦局部优化稳定,即节点的移动不再增加模块度时,算法将进入下一阶段。在这一阶段,将原来的社区收缩为单个节点,并构建一个新的“缩减”网络。在这个新网络中,节点是原网络的社区,节点间的边权重是原社区间边的总权重。
- 重复迭代:重复步骤 2 和步骤 3,直到模块度达到全局最大值,即网络的社区结构不再变化。每次迭代应该在更高层次上抽象网络,每次都可能发现更粗粒度的社区结构。
- 结果输出:输出每个节点及其对应的社区信息。