本文详细介绍了几种社区检测算法，包括正则化割(Normalized Cut)、Louvain算法、非负矩阵分解(NMF)和标签传播算法(LPA)。通过对图聚类的探讨，展示了这些算法的工作原理和应用场景，如图谱的模块度优化和数据点的聚类。文章还涵盖了算法的实现细节和实验比较。
本文结构安排
-
图聚类简介
-
正则化割
-
Louvain
-
非负矩阵分解（NMF）
-
其他常见方法
-
图(graph):是一种由点和边集构成的结构 G = ( V , E ) G=(V,E) G=(V,E)
-
图聚类(graph clustering) : 将点划分为不同的簇，使得簇内的边尽量多，簇之间的边尽量少。也称为图划分(partitioning)，社区检查(community detection)
应用Louvain算法产生的社区检测图示
Normalized cut
正则化割的基本原理是使各簇之间的割最小，但不是算其最小割，因为这会使相对孤立的边缘点“自成一团”，造成社区大小的不均衡。算法的基本过程的前半部分类似于谱聚类，先由度矩阵和邻接矩阵，计算出拉普拉斯矩阵，得到第二小到K+1小的特征向量，对其进行K-means聚类，预处理得到k’个簇。之后，计算两两簇合并之后，计算其正则化割，选择正则化割最小的两个簇合并。每次合并减小一个簇，直到减小到K个簇。
k-路划分：
（1）计算相似度矩阵W和度矩阵D
（2）计算标准化拉普拉斯矩阵 D − 1 2 ( D − W ) D − 1 2 D^{-\frac{1}{2}}(D−W)D^{-\frac{1}{2}} D−21(D−W)D−21
（3）从第二小的特征值开始找 k ’ k’ k’个最小的特征值对应的特征向量构造 n ⋅ k ′ n \cdot k′ n⋅k′维度的特征矩阵F
（4）对特征矩阵F按行进行标准化后，进行Kmeans聚类得到 k ’ k’ k’簇
（5）在这 k ’ k’ k’个簇中，每次选取两个簇进行合并，直到最后剩下k个簇，选取的策略是最小化Ncut时的合并组合
Louvain
Louvain算法的基本原理也是采用合并的策略，但是它合并的标准是模块度增益。首先将每个节点初始化为不同社区，计算将节点加入其邻居社区的模块度增益△Q，选择使模块度增益最大的邻居进行合并，合并后的社区看做一个新的节点，直到两两社区合并的模块度增益都不大于0，则停止合并。
Louvain算法步骤如下：
（1）初始化每个数据点为一个社区；
（2）对每个数据点，尝试加入其邻居所在的社区，计算比较加入前后的模块度增益ΔQ，选出增益最大的那个邻居社区，若其对应的增益ΔQ>0，则该数据点加入这个社区，否则不改变其原来社区划分；
（3）将得到的社区视为一个节点，社区内节点之间边权重转化为新节点环的权重，社区间的边权重转化为新节点间的边权重；
（4）重复（2）（3）步骤，直至满足收敛条件。
收敛条件可以是迭代了一定的次数，亦或是模块度不再增加。
最低0.47元/天 解锁文章
497
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
