Graph
文章平均质量分 72
GeekStuff
I will be posting instruction guides, how-tos, troubleshooting tips.
展开
-
社区发现算法(三)
派系过滤CPM方法(clique percolation method)用于发现重叠社区,派系(clique)是任意两点都相连的顶点的集合,即完全子图。在社区内部节点之间连接密切,边密度高,容易形成派系(clique)。因此,社区内部的边有较大可能形成大的完全子图,而社区之间的边却几乎不可能形成较大的完全子图,从而可以通过找出网络中的派系来发现社区。k-派系表示网络中含有k个节原创 2015-05-18 15:58:33 · 21842 阅读 · 7 评论 -
社区发现算法(一)
图分割方法大多是基于迭代二分法的,基本思想是将图分割成两个子图,然后迭代,最后得出要求的子图数。经典的算法有Kernighan-Lin算法和谱二分算法。原创 2015-05-08 20:24:42 · 11959 阅读 · 1 评论 -
网络模型特征
网络的无尺度(scale-free)网络的“小世界”(small world)网络的可导航(navagate)原创 2014-12-04 20:56:43 · 1462 阅读 · 0 评论 -
三元闭包与强弱联系
美国斯坦福大学教授Granovetter的The strength of weak ties论文提出了弱联结理论, 该理论认为:弱联结比强连接更能穿越不同的社会群体,因此能触及更多的人,穿过更大的社会距离。Granovetter发现多数人是通过私人关系介绍找到现在工作的,值得注意的是,这里的私人关系往往只是熟人(acquaintances),而非亲密朋友(close friends)。问题:为什么是一般熟人(acquaintances),而非亲密朋友(close friends)?原创 2014-12-07 10:21:24 · 11129 阅读 · 1 评论 -
社区划分的标准--模块度
在社区发现算法中,几乎不可能先确定社区的数目,于是,必须有一种度量的方法,可以在计算的过程中衡量每一个结果是不是相对最佳的结果。原创 2015-05-08 11:17:32 · 49596 阅读 · 2 评论 -
社区发现算法(四)
标签传播算法基本思想是通过标记节点的标签信息预测未标记节点的标签情况。节点之间的标签传播主要依照标签相似度进行,在传播过程中,未标记的节点根据邻接点的标签情况来迭代更新自身的标签信息,如果其邻接点与其相似度越相近,则表示对其所标注的影响权值就越大,邻接点的标签就更容易进行传播。基于标签传播的非重叠社区发现算法LPALPA主要思想是起初每个节点拥有独立的标签,那么网络中有n不同标原创 2015-05-28 20:04:31 · 11985 阅读 · 0 评论 -
社区发现算法(二)
GN算法本算法的具体内容请参考Finding and evaluating community structure in networks(Newman and Girvan)。重要概念边介数(betweenness):网络中任意两个节点通过此边的最短路径的数目。GN算法的思想:在一个网络之中,通过社区内部的边的最短路径相对较少,而通过社区之间的边的最短路径的数原创 2015-05-09 10:17:00 · 35311 阅读 · 3 评论 -
置信度传播算法(Belief Propagation)
置信度传播算法利用结点与结点之间相互传递信息而更新当前整个MRF的标记状态,是基于MRF的一种近似计算。该算法是一种迭代的方法,可以解决概率图模型概率推断问题,而且所有信息的传播可以并行实现。经过多次迭代后,所有结点的信度不再发生变化,就称此时每一个结点的标记即为最优标记,MRF也达到了收敛状态。对于无环环路的MRF,BP算法可以收敛到其最优解。原创 2014-11-06 16:11:30 · 54200 阅读 · 39 评论