拓端tecdat|python隶属关系图模型:基于模型的网络中密集重叠社区检测方法

原文链接：http://tecdat.cn/?p=7285

隶属关系图模型是一种生成模型，可通过社区联系产生网络。下图描述了一个社区隶属关系图和网络的示例（图1）。

图1.左：社区关系图（圆形节点表示三个社区，正方形节点代表网络的节点），右：AGM生成的网络，社区关系图在左侧

当我们使用拟合于实际网络的合成网络时，合成网络具有与真实网络非常相似的特征（图2）。

图2.边际概率是Orkut网络中常见社区成员数量的函数。

进行社区检测

如果用户指定了要检测的社区数量，则会找到相应的社区数量。如果用户未假定某个概率，则使用（1 / N ^ 2），其中N是图中的节点数。

例子

我们展示了一些由隶属关系图模型和基础网络检测到的社区的示例。

图创建

如何创建和使用有向图的示例：

# 创建一个网络图
G1 = snap.TNGraph.New()
G1.AddNode(1)
G1.AddNode(5)
G1.AddNode(32)
G1.AddEdge(1,5)
G1.AddEdge(5,1)
G1.AddEdge(5,32)

用于保存和加载图形的代码如下所示：

# 使用 Forest Fire 模型创建一个网络图
G3 = snap.GenForestFire(1000, 0.35, 0.35)
#保存
FOut = snap.TFOut("test.graph")
G3.Save(FOut)
FOut.Flush()
FIn = snap.TFIn("test.graph")
G4 = snap.TNGraph.Load(FIn)
# 保存从文本读取
snap.SaveEdgeList(G4, "test.txt", "Save as tab-separated list of edges")
G5 = snap.LoadEdgeList(snap.PNGraph, "test.txt", 0, 1)

悲惨世界中的人物网络中的社区。不共享社区的两个节点之间的边缘概率设置为0.01，以检测更紧凑的社区。
NCAA橄榄球队网络中的社区（通过将两个不共享社区的节点的边缘概率设置为0.1，5个试验的最佳结果。圆形区域表示检测到的社区，节点颜色表示NCAA。

下载资料

我们提供6个数据集，每个数据集都有一个网络和一组真实的社区。真实社区是可以从数据中定义和标识的社区。每个数据集的网页都描述了我们如何识别数据集中的真实社区。

数据集：

类型	节点数	边缘	社区	描述
无向，社区	3,997,962	34,681,189	664,414	LiveJournal在线社交网络
无向，社区	65,608,366	1,806,067,135	1,620,991	Friendster在线社交网络
无向，社区	3,072,441	117,185,083	15,301,901	Orkut在线社交网络
无向，社区	1,134,890	2,987,624	16,386	YouTube在线社交网络
无向，社区	317,080	1,049,866	13,477	DBLP协作网络
无向，社区	334,863	925,872	271,570	亚马逊产品网络

最受欢迎的见解

1.采用spss-modeler的web复杂网络对所有腧穴进行分析

2.用R语言和python进行社交网络中的社区检测

3.R语言文本挖掘NASA数据网络分析，tf-idf和主题建模

4.在R语言中使用航空公司复杂网络对疫情进行建模

5.python隶属关系图模型基于模型的网络中密集重叠社区检测

6.使用Python和SAS Viya分析社交网络

7.关联网络分析：已迁离北京外来人口的数据画像

8.情感语义网络：游记数据感知旅游目的地形象

9.用关联规则数据挖掘探索药物配伍中的规律