基于模块度的 louvain

1. 模块度

模块度Q作为社团发现中，社团聚类效果的度量，取值范围是 [−1/2,1)，越大说明聚类效果越好；

定义为： 

e矩阵

a计算

a的另一种解释：在一种理想情况下，给定任意节点i的的度ki，对节点i和节点j进行随机连边，边属于社区c的概率期望：

表示 结点i 和 结点j 之间边的数目

表示 随机放置边的情况下，结点i和结点j 之间边数的期望值

带上前面的求和号，

就表示 社团内部实际的 边 的数目 的2倍（2倍是因为ij和ji会计算2次）

就表示 随机放置边的情况下，社团内部边数的期望值 的2倍（2倍是因为ij和ji会计算2次）

最后除以2m，之所以是2m，就是因为前面的边数都是2倍，这样一除就可以得到边的比例。（其实有没有12m12m是无所谓的，乘以常数并不影响求最值的问题）

 就表示 社团内部实际的边数的比例

就表示 随机情况下社团内部期望的边数的比例

这时，模块度可以解释为：社区内连边数与随机期望的一个差值。连边数比随机期望值越高，表明社区划分的越好。

2. Louvain

第一阶段Modularity Optimization:

1 将图中的每个节点看成一个独立的社区，此时社区的数目与节点个数相同；

2 对每个节点i，依次尝试把节点i分配到其每个邻居节点所在的社区，计算分配前与分配后的模块度变化δQ，并记录最大的那个邻居节点，如果maxδQ>0，则把节点i分配δQ最大的那个邻居节点所在的社区，否则保持不变；

3 重复2，直到所有节点的所属社区不再变化；

第二阶段称为Community Aggregation:

4 对图进行压缩，将所有在同一个社区的节点压缩成一个新节点，社区内节点之间的边的权重转化为新节点的环的权重，社区间的边权重转化为新节点间的边权重，然后重复2，3；

5 重复2~4，直到整个图的模块度不再发生变化。

 

引用：

1. http://www.yalewoo.com/modularity_community_detection.html

2. https://mp.weixin.qq.com/s/hs5I3tG6ncbuG7AiZBizWA