가중치가 있고 방향이없는 가장자리 가있는 그래프에서 커뮤니티 감지 / 그래프 분할 / 클러스터링을 수행 할 때 누군가가 좋은 출발점을 제안 할 수 있는지 궁금합니다 . 문제의 그래프는 약 3 백만 개의 모서리를 가지며 각 모서리는 연결하는 두 정점 사이의 유사도를 나타냅니다. 특히,이 데이터 세트에서 모서리는 개인이며 정점은 관찰 된 동작의 유사성을 측정 한 것입니다.
과거에 나는 stats.stackexchange.com에 대한 제안을 따르고 igraph의 Newman의 모듈성 클러스터링 구현을 사용했으며 결과에 만족했지만 가중치가없는 데이터 세트에있었습니다.
살펴 봐야 할 특정 알고리즘이 있습니까?
답변:
Gephi 가 무 방향 가중치 그래프를 처리 할 수 있다는 것을 알고 있지만 CSV 또는 Ucinet DL 과 매우 유사한 GDF에 저장해야한다는 것을 기억합니다 . 여전히 알파 릴리스입니다. 이제 그래프 클러스터링에 대해 Gephi에는 최신 버전에서 사용할 수있는 MCL 알고리즘을 제외하고 클러스터링 파이프 라인이 부족한 것 같습니다. 거기에 있었다 구글 코드 프로젝트 2009 년, Gephi 네트워크 통계 (예 : 뉴먼의 모듈화 메트릭 특징으로는)하지만, 뭔가가이 방향으로 출시되었습니다 나도 몰라. 어쨌든, 그것은 일종의 모듈화 / 클러스터링 계산을 허용하는 것처럼 보이지만 R과 Gephi를 사용하는 소셜 네트워크 분석 및R과 Gephi를 사용한 소셜 네트워크 분석을위한 데이터 준비 ( @Tal 덕분에 많은 감사).
파이썬에 익숙하다면 NetworkX를 사용해 볼 가치가 있습니다 ( 해당 코드 가있는 가중치 그래프 의 예 ). 그런 다음 분석을 수행하는 여러 가지 방법이 있습니다.
또한 복잡한 네트워크 및 복잡성에 대한 INSNA- 소셜 네트워크 분석 소프트웨어 또는 Tim Evans의 웹 페이지를 참조하십시오 .
Gephi는 Louvain Modularity 방법을 구현합니다 : http://wiki.gephi.org/index.php/Modularity
건배
Louvain 모듈화 알고리즘은 C ++에서 사용할 수 있습니다 : https://sites.google.com/site/findcommunities/
수백만 개의 노드와 에지로 구성된 가중치 네트워크를 처리하며 Newman 알고리즘보다 훨씬 빠른 것으로 입증되었습니다.
파이썬을 사용하고 NetworkX를 사용하여 가중치 그래프를 작성한 경우 python-louvain 을 클러스터링에 사용할 수 있습니다 . 여기서 G는 가중치 그래프입니다.
import community
partition = community.best_partition(G, weight='weight')
방금 R의 tnet 패키지를 보았습니다. 제작자는 가중 및 이분 (이중 모드) 그래프에서 커뮤니티 검색을 연구하는 것 같습니다.
http://opsahl.co.uk/tnet/content/view/15/27/
아직 사용하지 않았습니다.
SLPA (현재 GANXiS라고 함)는 소셜 네트워크 (비 방향 / 직접 및 비가 중 / 가중)에서 분리 된 커뮤니티와 겹치는 커뮤니티를 모두 감지 할 수있는 빠른 알고리즘입니다. 이 알고리즘은 실제 소셜 및 유전자 네트워크에서 의미있는 결과를 생성합니다. 최신 기술 중 하나입니다. 에서 사용할 수 있습니다
https://sites.google.com/site/communitydetectionslpa/
자세한 내용은 멋진 리뷰 arxiv.org/abs/1110.5813을 참조하십시오.