网络节点激活的什么的无参考价值代码

刚才例会听不知道谁说了节点以一定概率向邻居节点发送激活信号,挺感兴趣,写了demo 函数jihuo以递归方式输送信号,这里没有卡递归层数,如果网络太大会崩溃,但是每次概率p会自乘,意味初始概率是0.5的话,下一层传播概率是0.25,越来越小,目前跑代码还没有崩溃,但是层数太高真的会崩。若随机数在范围内则进行激活下个邻居节点,代码如下: import os import networkx as nx import random from util.graphDealer import load_graph_...

Continue Reading »
分享到:

Normalized Mutual Information 的Python 实现 (NMI.py)

NMI是Normalized Mutual Information的简称,用于比较社团划分结果与ground-truth之间的接近程度,取值范围为[0, 1],出自2006年 Danon 的论文 [1]。 有两种计算方法,为了方便大家检测结果,写了一个通用的Python版计算函数,当然也可以直接调用库函数计算。代码如下: # -*- coding: utf-8 -*- import math def NMI(c1, c2): ''' Calculate Normalized Mutual Informati...

Continue Reading »
分享到:

Networkx 2.0 获取邻居节点的方法

NetworkX 2.1获取节点i属性集合方法: G.node[i],返回值为dict类型。 Netowrkx中获取邻居节点的方法出在 networkx.Graph.neighbors, 在早期版本中,可以直接使用G.neighbors( i )来获取 i 节点的邻居节点,但是在2.0版本中做出调整, 可以直接使用G[ i ] 获取节点 i 的邻居节点 。 Graph.neighbors(n) Return an iterator over allneighborsof node n. This is i...

Continue Reading »
分享到:

【转载】LOUVAIN算法

Louvain 算法来源于文章2010年的论文Fast unfolding of communities in large networks,简称为Louvian [1]。 算法原理 Louvain算法是基于模块度(Modularity)的社区发现算法,该算法在效率和效果上都表现比较好,并且能够发现层次性的社区结构,其优化的目标是最大化整个图属性结构(社区网络)的模块度。 其中需要理解的核心点有: 模块度Modularity的定义,这个定义是描述社区内紧密程度的值 Q Q ; 模块度增量 Q \Delt...

Continue Reading »
分享到:

【转载】社团发现算法分类及简介

相关概念 复杂网络:具有自组织、自相似、吸引子、小世界、无标度中部分或全部性质的网络称为复杂网络。 社团结构:网络中的顶点可以分成组,组内顶点间的连接比较稠密,组间顶点的连接比较稀疏。 算法分类 1. 非重叠社团发现算法 1.1 模块度优化算法 模块度:取值范围[-0.5, 1), 用它来定量衡量网络社区划分质量,其值接近1,表示划分质量越好。 模块度优化类算法分类: 聚合:FN、CNM、MSG-MV 分裂:GN 直接寻优:EO Newman快速算法: 将每个节点看作是一个社团,每次迭代选择产生最大Q值的...

Continue Reading »
分享到: