二部图最大权匹配_学习记录 二分图匹配问题与匈牙利算法及KM算法

一、前言

---

在论文“Real-time Event Detection on Social Data Streams”中，作者首先在每一个时间窗口(分钟级)内利用社区发现算法(Louvain method)得到一个聚类  ，然后采用带权二分图最大匹配(maximum weighted bipartite matching)对  和上一时间窗口的聚类  进行聚类链接(Cluster Linking)。

We filter out any edges whose weight falls below a threshold and perform maximum weighted bipartite matching to find cluster links.

论文将节点之前的权重定义为：  与  各节点间共有的实体数目。

The edge weight between them is a measure of how many entities these clusters share, similar to the cosine similarity described earlier.

背景交代完，接下来我们就开始补充二分图匹配问题、匈牙利算法和KM算法的相关知识。

二、二分图匹配问题

---

所谓二分图(Bipartite Graph)就是这样一个图：

简单地说，就是一张图里的所有点可以分为两组(如上图)，并且每条边都跨越两组。这样的图就是二分图。

1. 二分图的定义

说的严谨一点：

二分图又称双分图、二部图、偶图，指顶点可以分成两个不相交的集U和V(U和V皆为独立集(Independent Sets))，使得在同一个集内的顶点不相邻(没有共同边)的图。

一个图为二分图仅当：

• 没有奇数圈；

• 点色数为2；

2. 相关的几个概念

我们定义匹配点、匹配边、未匹配点、非匹配边。如图3,1、4、5、7为匹配点，其他顶点为未匹配点；1-5、4-7为匹配边、其他边为非匹配边。

• 匹配(matching)：二分图的一个“匹配”是指一些边的集合，任意两条边没有公共点。例如，图3、图4中红色的边就是图2的匹配。

• 最大匹配(maximum matching)：二分图的“最大匹配”，值的是二分图的所有匹配中边数最多的匹配。图4是一个最大匹