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&＃xff1a;http://tecdat.cn/?p&＃61;7285

隶属关系图模型 是一种生成模型&＃xff0c;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&＃xff08;图1&＃xff09;。

• 图1.左&＃xff1a;社区关系图&＃xff08;圆形节点表示三个社区&＃xff0c;正方形节点代表网络的节点&＃xff09;&＃xff0c;右&＃xff1a;AGM生成的网络&＃xff0c;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&＃xff0c;合成网络具有与真实网络非常相似的特征&＃xff08;图2&＃xff09;。

• 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&＃xff0c;则 会找到相应的社区数量。如果用户未假定某个概率&＃xff0c;则 使用&＃xff08;1 / N ^ 2&＃xff09;&＃xff0c;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&＃xff1a;

# 创建一个网络图
G1 &＃61; 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&＃xff1a;

# 使用 Forest Fire 模型创建一个网络图
G3 &＃61; snap.GenForestFire(1000, 0.35, 0.35)
#保存
FOut &＃61; snap.TFOut("test.graph")
G3.Save(FOut)
FOut.Flush()
FIn &＃61; snap.TFIn("test.graph")
G4 &＃61; snap.TNGraph.Load(FIn)
# 保存从文本读取
snap.SaveEdgeList(G4, "test.txt", "Save as tab-separated list of edges")
G5 &＃61; 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&＃xff0c;以检测更紧凑的社区。
• NCAA橄榄球队网络中的社区&＃xff08;通过将两个不共享社区的节点的边缘概率设置为0.1&＃xff0c;5个试验的最佳结果。圆形区域表示检测到的社区&＃xff0c;节点颜色表示NCAA。

下载资料

我们提供6个数据集&＃xff0c;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&＃xff1a;

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&＃xff0c;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&＃xff1a;已迁离北京外来人口的数据画像

8.情感语义网络&＃xff1a;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