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。下图描述了一个两方社区隶属关系图和一个网络的示例（图1）。

• 图1.左：两方社区关系图（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
  

当我们使用适合于实际网络的 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.边缘概率是Orkut网络中常见社区成员数量的函数  。
  

进行社区检测

如果用户指定了用户要检测的社区数量，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：

# 图创建
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", "以列表形式保存边数据") 
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的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会议。）：
  

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：