社交网络图挖掘2--社区的直接发现和图划分

社区的直接发现

通过寻找有很多连边的节点子集直接发现社区的技术。

相关概念

1. 团（clique）：任意两个节点之间都存在边的节点子集。
2. 二部图（bipartite graph）：是由左右两个节点集合组成的图，每条边连接的都是左集合的一个节点和右集合中的一个节点。例子如下：
   
3. 完全二部图（complete bipartite graph）：二部图的两部分任意一对节点之间都有边。团是一般图的子图，完全二部图是一般二部图的子图，有时也称二部团。
4. 刚刚

利用完全二部图发现社区

随机将节点分到两个相等的组中，如果存在某个社区，可以期望该社区的一半节点属于上述的组中，而一半的边存在于两个组之间。因此可以：

1. 识别社区中较大的完全二部图（可以看成频繁项集的查找问题）；
2. 以子图为核心，对于两个组中的任意节点，如果和已经属于社区的节点间存在多条边，那就可以将它加入社区。

图划分

利用矩阵理论中的谱方法来建立图划分问题，使得不同分支之间的边或者称为“割（cut）”的数目最少。

图划分的好坏标准

• 最小割：使得连接两个集合的边（或割）数最少；
• 最优割：对“割”的选择有所限制，使得划分的两个集合的大小大致相等。

注意：最小割不一定是最优割。

归一化割

衡量割本身的大小和割导致的不同聚合大小的差异。

假定将途中节点划分成两个不相交的集合$S$和$T$，并令$Cut(S,T)$为连接$S$中节点和T中节点的边的数目，定义及诶单集合$S$的容量（volume）为至少一个端点在$S$中的边数的数目，记为$Vol(S)$，则S和T的归一化割为：

C