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
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）。最近我们被客户要求撰写关于社区检测的研究报告，包括一些图形和统计输出。
- 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）。
相关视频：复杂网络分析CNA简介与R语言对婚礼数据聚类（社区检测）和可视化|数据分享
复杂网络分析CNA简介与R语言对婚礼数据聚类（社区检测）和可视化
- 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 |
