标签传播算法_基于scala优化spark.graphx里的标签传播(LPA)算法（考虑好坏样本，标签权重）...

最近工作中需要使用到标签传播算法，发现spark自带的lpa算法不是很贴合业务场景，改了一下在这里做一个总结。

背景：

面向千万到亿级别的主体对象，用spark.graphx里的图网络表示。因为已经有了一部分坏样本，需要根据图网络对剩下的样本进行标记，达到查缺补漏的作用。

业务需要：

1. 实际场景需要使用坏标签对已有的好标签进行标注，原算法是使用VertexId打标注；
2. 实际场景中坏标签应该需要被固定，它不会被其他好标签影响，原算法不考虑固定标签；
3. 实际场景边的权重需要被考虑进去，原算法中边的权重全部为1；

源代码：

https://github.com/apache/spark/blob/master/graphx/src/main/scala/org/apache/spark/graphx/lib/LabelPropagation.scala​github.com

更改后:

1. 指定输入Graph[String,Double]类型，规定主体的属性为String，边的属性为Double；
2. run函数增加参数keepLabel:Array[VertexId]，将需要固定标签的id传进入；