有向图中的louvain社区检测
请学着自己长大,参考连接《无向louvain社团算法》
无向到有向的修改真的很简单。如果你连这个都做不到,建议不要用了。每个算法与数据匹配的时候,都会对数据或者算法小修。如果你连小修都做不到的话,好好学习基础内容了,别想着飞了。。。。。
而且,会看这个的都是刚入门的。。。。尝试自己努力一把,毕竟这个还有指导你修改的方向。如果更深的,没人指导,还做的出来吗?
一、模块度概念
公式可以简化为:
Δ
Q
=
S
i
,
i
n
w
−
∑
t
o
t
i
n
S
i
o
u
t
+
∑
t
o
t
o
u
t
S
i
i
n
w
2
\Delta Q=\frac{S_{i,in}}{w}-\frac{\sum_{tot}^{in}S_{i}^{out}+\sum_{tot}^{out}S_{i}^{in}}{w^2}
ΔQ=wSi,in−w2∑totinSiout+∑totoutSiin
二、算法修改
louvain算法分为循环迭代两个阶段。具体的算法思路与无向加权网络相同。可以看上一篇文章。
在最初的划分过程中,有多少个节点就有多少个社团
- 第一阶段
- 任意选择一个节点vid,考虑其关注的节点(即出边的邻居)wid.这里与无向图不同
- 将节点vid移动到wid所在的社区,
- 评估模块度收益
S_vin:表示节点vid的入边的权重总和= S i i n S^{in}_i Siin
s_vout:表示节点vid的出边的权重总和= S i o u t S^{out}_i Siout
tot_out:社区内部的节点指向社区外部节点的所有边的权重之和= ∑ t o t o u t \sum_{tot}^{out} ∑totout
tot_in:社区外部的节点指向社区内部节点的所有边的权重之和= ∑ t o t i n \sum_{tot}^{in} ∑totin
k_vcin:表示节点vid与wid所在社区的连边的权重之和
- 节点vid最终放入模块度收益最大的它关注节点所在的社团,并且这个收益为正
三、图片示意
文件。txt
101 103 3
102 103 1
102 105 2
102 102 4
103 105 2
104 101 2
105 103 1
107 106 3
107 204 2
201 105 1
201 202 2
202 201 3
202 203 3
203 202 3
203 201 4
203 204 1
204 107 3