标签传播算法（LPA）

目录

概述

一、LPA算法的基本思想 

二、LPA算法的优缺点

1. LPA算法的优点

2. LPA算法的缺点

三、LPA算法改进思路

1. 标签随机选择改进

2. 标签初始化改进

​四、LPA的python代码实现

---

概述

标签传播算法(LPA)是一种迭代算法，通过在数据集中传播标签，将标签分配给未标记的点。该算法由Xiaojin Zhu和Zoubin Ghahramani于2002年首次提出。LPA基于标签传播的局部社区划分。对于网络中的每一个节点，在初始阶段，Label Propagation算法对于每一个节点都会初始化一个唯一的一个标签。每一次迭代都会根据与自己相连的节点所属的标签改变自己的标签，更改的原则是选择与其相连的节点中所属标签最多的社区标签为自己的社区标签，这就是标签传播的含义了。随着社区标签不断传播。最终，连接紧密的节点将有共同的标签。

LPA认为每个结点的标签应该和其大多数邻居的标签相同，将一个节点的邻居节点的标签中数量最多的标签作为该节点自身的标签（bagging思想）。给每个节点添加标签（label）以代表它所属的社区，并通过标签的“传播”形成同一个“社区”内部拥有同一个“标签”。

在基本思想上，LPA 和 Kmean 本质非常类似，在 LPA 的每轮迭代中，节点被归属于哪个社区，取决于其邻居中累加权重最大的label（取数量最多的节点列表对应的label是weight=1时的一种特例），而 Kmeans的则是计算和当前节点“最近”的社区，将该节点归入哪个社区。
但是这两个算法还是有细微的区别的:

1. 首先: Kmeans是基于欧式空间计算节点向量间的距离的，而LPA则是根据节点间的“共有关系”以及“共有关系的强弱程度”来度量度量节点间的距