Density Peak改进（overlapping）

参考文献：An overlapping community detection algoritm based on density peaks(Neurocomputing2017 c)

1.聚类过程：
邻接矩阵—>距离矩阵—>计算$\rho$, $\delta$—>归一化—>选择聚类中心—>将其他点分配到群组中

2.几个定义
在DPC中，输入是距离矩阵；在复杂的网络中，输入通常是邻接矩阵。一个直观的想法是，使用链接权重的倒数表示距离，然而，通常邻接矩阵很稀疏，这样取倒数会出现许多无穷大的值，使得得到的距离值并不具有区分性。节点i通过一个中间节点到达节点j,节点p与通过两个中间节点到达节点q，距离都是无穷大，但是明显节点i和j与p和q的距离应该是不一样的。
为解决这个问题，本文考虑了中间节点(intermediate nodes)。

2.1.绝对链接强度（absolute strength of linkage）
绝对链接强度定义为节点i在经历$2\alpha$跳到达节点j的路由数。

其中， $a_{ij}$表示i与j的权重（来自于邻接矩阵）， $2\alpha$表示跳数

2.2.链接强度(strength of linkage)
仅考虑绝对链接强度是不准确的，在Fig.2中，当$\alpha=1$时，A到C的路由和A到B的路由数相同，但是C的所有边在两步之内都能到达A,但是B的某些边在2不之内不能到达C,所以A距C较B远。

因此，在计算距离的时候，还考虑了基于度（degree）的 相对链接强度（relative strength of linkage）,i与j的链接强度使用如下方法计算：

其中，左边表示绝对链接强度，右边表示相对链接强度，t表示加权系数。

2.3.距离

其中， $\epsilon$是一个较小的正数，保证分母不为0

2.4.$\rho$和$\delta$的计算
rho和delta的计算方法与DPC一样。当两个群组A、B重叠的时候，$\delta$比群组不重叠时小。如果一个网络中有很多交叉群组时，$\delta$可能不会明显大（包括聚类中心的$\delta$）。

为了更准确的区分出聚类中心，本文在计算出 $\rho$和 $\delta$后将其归一化：

其中， $d_{a}$是一个阈值，从