##单机版Python##社团划分——有向图的Label Propagation算法

2024-05-07 14:58

本文主要是介绍##单机版Python##社团划分——有向图的Label Propagation算法,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

在博文社区划分——Label Propagation中,介绍了Label Propagation社区划分算法的基本原理,基本的Label Propagation算法是针对无向图的社区划分算法。

一、基本Label Propagation算法原理

对于网络中的每一个节点,在初始阶段,Label Propagation算法对每一个节点一个唯一的标签,在每一个迭代的过程中,每一个节点根据与其相连的节点所属的标签改变自己的标签,更改的原则是选择与其相连的节点中所属标签最多的社区标签为自己的社区标签,这便是标签传播的含义。随着社区标签的不断传播,最终紧密连接的节点将有共同的标签。

其中,标签的异步更新方式如下:

                                       Cx(t)=f(Cxi1(t),,Cxim(t),Cxi(m+1)(t1),,     Cxik(t1))

Label Propagation算法的过程如下:

  • 对网络中的每一节点初始化其所属社区标签,如对于节点x,初始化其社区标签为Cx(0)=x
  • 设置代数t
  • 对于网络中的节点设置其遍历顺序和节点的集合X
  • 对于每一个节点xX,令Cx(t)=f(Cxi1(t),,Cxim(t),Cxi(m+1)(t1),,Cxik(t1))
  • 判断是否可以迭代结束,如果否,则设置t=t+1,重新遍历。

二、有向图的Label Propagation算法

1、有向图

有向图是指图中的边是带有方向的图。对于有向图,每两个节点之间的边的条数是两条,分别为流出的边和流入的边,其流出边的总数为出度,流入边的总数为入度,如下图的有向图:

这里写图片描述
(图片来自百度百科)

对于节点5,其出度为2,入度也为2。对于更多的有向图的知识,可参阅相关图论的书。

2、对于Label Propagation算法的修正

要使得Label Propagation算法能够求解有向图的社区划分,问题即变为如何将有向图转换成无向图。即如何定义有向图中两个节点之间的边的权重。对于这个问题,设计了如下的公式:

wi,j=αλi,j+βλj,i

其中wi,j表示的是节点j对于节点i的权重,λi,j表示的是节点i到节点j的权重,λj,i表示的是节点j到节点i的权重。通过参数α和参数β可以调节不同的权重比例。

通过如上的办法将有向图的Label Propagation算法转换成无向图的Label Propagation算法进行求解。

三、实验

对于如下的数据:

0   2   1
2   0   2
0   3   2
3   0   1
0   4   3
4   0   1
0   5   2
5   0   1
1   2   3
2   1   1
1   4   5
4   1   2
1   7   1
7   1   4
2   4   2
4   2   2
2   5   9
5   2   7
2   6   1
6   2   4
3   7   1
7   3   5
4   10  1
10  4   4
5   7   1
7   5   2
5   11  1
11  5   2
6   7   3
7   6   7
6   11  5
11  6   2
8   9   1
9   8   6
8   10  4
10  8   2
8   11  2
11  8   1
8   14  5
14  8   3
8   15  8
15  8   5
9   12  2
12  9   1
9   14  1
14  9   2
10  11  10
11  10  1
10  12  2
12  10  3
10  13  9
13  10  8
10  14  8
14  10  7
11  13  1
13  11  4

程序源码如下:

#####################################
# Author:zhaozhiyong
# Date:20160602
# Fun:Label Propagation
#####################################
import stringdef loadData(filePath):f = open(filePath)vector_dict = {}edge_dict_out = {}#outedge_dict_in = {}#infor line in f.readlines():lines = line.strip().split("\t")if lines[0] not in vector_dict:vector_dict[lines[0]] = string.atoi(lines[0])if lines[1] not in vector_dict:vector_dict[lines[1]] = string.atoi(lines[1])if lines[0] not in edge_dict_out:edge_list = []if len(lines) == 3:edge_list.append(lines[1] + ":" + lines[2])edge_dict_out[lines[0]] = edge_listelse:edge_list = edge_dict_out[lines[0]]if len(lines) == 3:edge_list.append(lines[1] + ":" + lines[2])edge_dict_out[lines[0]] = edge_listif lines[1] not in edge_dict_in:edge_list = []if len(lines) == 3:edge_list.append(lines[0] + ":" + lines[2])edge_dict_in[lines[1]] = edge_listelse:edge_list = edge_dict_in[lines[1]]if len(lines) == 3:edge_list.append(lines[0] + ":" + lines[2])edge_dict_in[lines[1]] = edge_listf.close()return vector_dict, edge_dict_out, edge_dict_indef get_max_community_label(vector_dict, adjacency_node_list):label_dict = {}# generate the label_dictfor node in adjacency_node_list:node_id_weight = node.strip().split(":")node_id = node_id_weight[0]node_weight = float(node_id_weight[1])if vector_dict[node_id] not in label_dict:label_dict[vector_dict[node_id]] = node_weightelse:label_dict[vector_dict[node_id]] += node_weight# find the max labelsort_list = sorted(label_dict.items(), key = lambda d: d[1], reverse=True)return sort_list[0][0]def check(vector_dict, edge_dict):#for every nodefor node in vector_dict.keys():adjacency_node_list = edge_dict[node]node_label = vector_dict[node]#suject to label_check = {}for ad_node in adjacency_node_list:node_id_weight = ad_node.strip().split(":")node_id = node_id_weight[0]node_weight = node_id_weight[1]if vector_dict[node_id] not in label_check:label_check[vector_dict[node_id]] = float(node_weight)else:label_check[vector_dict[node_id]] += float(node_weight)#print label_checksort_list = sorted(label_check.items(), key = lambda d: d[1], reverse=True)if node_label == sort_list[0][0]:continueelse:return 0return 1    def label_propagation(vector_dict, edge_dict_out, edge_dict_in):#rebuild edge_dictedge_dict = {}for node in vector_dict.iterkeys():out_list = edge_dict_out[node]in_list = edge_dict_in[node]#print "node:", node#print "out_list:", out_list#print "in_list:", in_list#print "------------------------------------------------"out_dict = {}for out_x in out_list:out_xs = out_x.strip().split(":")if out_xs[0] not in out_dict:out_dict[out_xs[0]] = float(out_xs[1])in_dict = {}for in_x in in_list:in_xs = in_x.strip().split(":")if in_xs[0] not in in_dict:in_dict[in_xs[0]] = float(in_xs[1])#print "out_dict:", out_dict#print "in_dict:", in_dictlast_list = []for x in out_dict.iterkeys():out_x = out_dict[x]in_x = 0.0if x in in_dict:in_x = in_dict.pop(x)result = out_x + 0.5 * in_xlast_list.append(x + ":" + str(result))if not in_dict:for x in in_dict.iterkeys():in_x = in_dict[x]result = 0.5 * in_xlast_list.append(x + ":" + str(result))#print "last_list:", last_listif node not in edge_dict:edge_dict[node] = last_list#initial, let every vector belongs to a communityt = 0#for every node in a random orderwhile True:if (check(vector_dict, edge_dict) == 0):t = t+1print "----------------------------------------"print "iteration: ", tfor node in vector_dict.keys():adjacency_node_list = edge_dict[node]vector_dict[node] = get_max_community_label(vector_dict, adjacency_node_list)print vector_dictelse:breakreturn vector_dictif __name__ == "__main__":vector_dict, edge_dict_out, edge_dict_in = loadData("./cd_data.txt")print vector_dictprint edge_dict_outprint edge_dict_in#print "original community: ", vector_dictvec_new = label_propagation(vector_dict, edge_dict_out, edge_dict_in)print "---------------------------------------------------------"print "the final result: "for key in vec_new.keys():print str(key) + " ---> " + str(vec_new[key])

最终的结果:

这里写图片描述

程序和数据的github地址

这篇关于##单机版Python##社团划分——有向图的Label Propagation算法的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/967676

相关文章

Python的Darts库实现时间序列预测

《Python的Darts库实现时间序列预测》Darts一个集统计、机器学习与深度学习模型于一体的Python时间序列预测库,本文主要介绍了Python的Darts库实现时间序列预测,感兴趣的可以了解... 目录目录一、什么是 Darts?二、安装与基本配置安装 Darts导入基础模块三、时间序列数据结构与

Python正则表达式匹配和替换的操作指南

《Python正则表达式匹配和替换的操作指南》正则表达式是处理文本的强大工具,Python通过re模块提供了完整的正则表达式功能,本文将通过代码示例详细介绍Python中的正则匹配和替换操作,需要的朋... 目录基础语法导入re模块基本元字符常用匹配方法1. re.match() - 从字符串开头匹配2.

Python使用FastAPI实现大文件分片上传与断点续传功能

《Python使用FastAPI实现大文件分片上传与断点续传功能》大文件直传常遇到超时、网络抖动失败、失败后只能重传的问题,分片上传+断点续传可以把大文件拆成若干小块逐个上传,并在中断后从已完成分片继... 目录一、接口设计二、服务端实现(FastAPI)2.1 运行环境2.2 目录结构建议2.3 serv

通过Docker容器部署Python环境的全流程

《通过Docker容器部署Python环境的全流程》在现代化开发流程中,Docker因其轻量化、环境隔离和跨平台一致性的特性,已成为部署Python应用的标准工具,本文将详细演示如何通过Docker容... 目录引言一、docker与python的协同优势二、核心步骤详解三、进阶配置技巧四、生产环境最佳实践

Python一次性将指定版本所有包上传PyPI镜像解决方案

《Python一次性将指定版本所有包上传PyPI镜像解决方案》本文主要介绍了一个安全、完整、可离线部署的解决方案,用于一次性准备指定Python版本的所有包,然后导出到内网环境,感兴趣的小伙伴可以跟随... 目录为什么需要这个方案完整解决方案1. 项目目录结构2. 创建智能下载脚本3. 创建包清单生成脚本4

Python实现Excel批量样式修改器(附完整代码)

《Python实现Excel批量样式修改器(附完整代码)》这篇文章主要为大家详细介绍了如何使用Python实现一个Excel批量样式修改器,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一... 目录前言功能特性核心功能界面特性系统要求安装说明使用指南基本操作流程高级功能技术实现核心技术栈关键函

python获取指定名字的程序的文件路径的两种方法

《python获取指定名字的程序的文件路径的两种方法》本文主要介绍了python获取指定名字的程序的文件路径的两种方法,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要... 最近在做项目,需要用到给定一个程序名字就可以自动获取到这个程序在Windows系统下的绝对路径,以下

使用Python批量将.ncm格式的音频文件转换为.mp3格式的实战详解

《使用Python批量将.ncm格式的音频文件转换为.mp3格式的实战详解》本文详细介绍了如何使用Python通过ncmdump工具批量将.ncm音频转换为.mp3的步骤,包括安装、配置ffmpeg环... 目录1. 前言2. 安装 ncmdump3. 实现 .ncm 转 .mp34. 执行过程5. 执行结

Python实现批量CSV转Excel的高性能处理方案

《Python实现批量CSV转Excel的高性能处理方案》在日常办公中,我们经常需要将CSV格式的数据转换为Excel文件,本文将介绍一个基于Python的高性能解决方案,感兴趣的小伙伴可以跟随小编一... 目录一、场景需求二、技术方案三、核心代码四、批量处理方案五、性能优化六、使用示例完整代码七、小结一、

Python中 try / except / else / finally 异常处理方法详解

《Python中try/except/else/finally异常处理方法详解》:本文主要介绍Python中try/except/else/finally异常处理方法的相关资料,涵... 目录1. 基本结构2. 各部分的作用tryexceptelsefinally3. 执行流程总结4. 常见用法(1)多个e