论文阅读心得一~ Finding and evaluating community structure in networks
2015-02-02 20:05
851 查看
老师说,写论文就像生孩子,可是对现在的我来说,读论文就像怀孩子,连婚都没结,怎么怀孩子?
关于社区发现,其实就是一个笼统的概念,把一个网络,现阶段都是复杂网络和重叠的大型网络了,划分成小的团体和组合。内部联系越紧密越好,社区和社区之间的联系尽可能少。
万丈高楼平地起,必须从开头开始做。先把newman 的一套算法思想搞通再说吧。
Newman 的经典之作当然是 Finding and evaluating community structure in networks 了,介绍了社团发现的两种基本思想:
1.agglomerative methods,凝聚算法,这类方法从一个个孤立的节点开始,计算每两个节点的相似度(按照一定的算法,本文没有介绍),相似度高则这两个节点在同一个社团。这种方法的问题在与社团中核心节点往往具有很高的相似度,但是边缘节点则容易被忽略。
2. divisive methods,分裂算法,算法步骤:
(1)计算网络中所有边的betweenness
(2)移除betweenness最大的边。这里 删除边并不是要在真实的网络中切断节点之间的已存在的联系,而是为了寻找图中的社区。
(3)重新计算所有边的betweenness
(4)重复步骤2直到没有边剩余。
算法的第三步,即每删除一天betweenness最大的边后,要重新计算剩下的图的所有边的betweenness,计算量很大,但可以提高结果的准确性。
那么问题来了,我们要删除哪些边?
A2:不同的算法会有不同的方式,基于社区的重要特征(社区内部联系紧密,社团之间联系松散),Newman提出删除具有最大"betweenness"的边。
Newman将‘betweenness’解释为连接社团之间(而不是社团内部)节点的度量。我们要做的是找到betweenness最大的边,删除它,直到找出所有community,这是一个循环迭代的过程。
怎么计算betweenness呢?
Newman提出3种计算betweenness的方法:1.找出网络中每两个节点之间的最短路径,最短路径会有重合的边,那么经过某条边的最短路径重合次数就代表它的betweenness。2和3方法一种是randomwalk betweenness,一种是current-flow betweenness,本质上是一样的,相较于第一种方法,2,3复杂度大而且精确度低,后面对该论文的引用也大多是对第一种方法的改进和使用。
酝酿...
关于社区发现,其实就是一个笼统的概念,把一个网络,现阶段都是复杂网络和重叠的大型网络了,划分成小的团体和组合。内部联系越紧密越好,社区和社区之间的联系尽可能少。
万丈高楼平地起,必须从开头开始做。先把newman 的一套算法思想搞通再说吧。
Newman 的经典之作当然是 Finding and evaluating community structure in networks 了,介绍了社团发现的两种基本思想:
1.agglomerative methods,凝聚算法,这类方法从一个个孤立的节点开始,计算每两个节点的相似度(按照一定的算法,本文没有介绍),相似度高则这两个节点在同一个社团。这种方法的问题在与社团中核心节点往往具有很高的相似度,但是边缘节点则容易被忽略。
2. divisive methods,分裂算法,算法步骤:
(1)计算网络中所有边的betweenness
(2)移除betweenness最大的边。这里 删除边并不是要在真实的网络中切断节点之间的已存在的联系,而是为了寻找图中的社区。
(3)重新计算所有边的betweenness
(4)重复步骤2直到没有边剩余。
算法的第三步,即每删除一天betweenness最大的边后,要重新计算剩下的图的所有边的betweenness,计算量很大,但可以提高结果的准确性。
那么问题来了,我们要删除哪些边?
A2:不同的算法会有不同的方式,基于社区的重要特征(社区内部联系紧密,社团之间联系松散),Newman提出删除具有最大"betweenness"的边。
Newman将‘betweenness’解释为连接社团之间(而不是社团内部)节点的度量。我们要做的是找到betweenness最大的边,删除它,直到找出所有community,这是一个循环迭代的过程。
怎么计算betweenness呢?
Newman提出3种计算betweenness的方法:1.找出网络中每两个节点之间的最短路径,最短路径会有重合的边,那么经过某条边的最短路径重合次数就代表它的betweenness。2和3方法一种是randomwalk betweenness,一种是current-flow betweenness,本质上是一样的,相较于第一种方法,2,3复杂度大而且精确度低,后面对该论文的引用也大多是对第一种方法的改进和使用。
酝酿...
相关文章推荐
- 读《Finding and evaluating community structure in networks》Newman&Girvan
- 【论文阅读】Community Structure in Time-Dependent, Multiscale, and Multiplex Networks
- GN算法---《Community structure in social and biological networks》这篇论文讲了什么?
- 【读书笔记】Virality Prediction and Community Structure in Social Networks(社交网络的社区结构和病毒营销预测)
- Community structure in social and biological networks
- Structure and inference in annotated networks - note
- 论文阅读:Learning and Transferring Mid-Level Image Representations using Convolutional Neural Networks
- 【论文阅读】Deep Compression: Compressing Deep Neural Networks with Pruning, Trained Quantization and Huff
- 【CV论文阅读】Two stream convolutional Networks for action recognition in Vedios
- ResNetV2:Identity Mappings in Deep Residual Networks 论文阅读
- [NLP论文阅读]LightRNN: Memory and Computation-Efficient Recurrent Neural Networks
- 【论文阅读】Generating Natural Answers by Incorporating Copying and Retrieving Mechanisms in Sequence-to-S
- 【论文阅读笔记】CVPR2015-Long-term Recurrent Convolutional Networks for Visual Recognition and Description
- TinyOS论文02:Finding Symbolic Bug Patterns in Sensor Networks
- Feed Forward and Backward Run in Deep Convolution Neural Network 论文阅读笔记
- [论文阅读笔记]Two-Stream Convolutional Networks for Action Recognition in Videos
- 论文阅读《GeTrust: A guarantee-based trust model in Chord-based P2P networks》
- 论文阅读:Reading Text in the Wild with Convolutional Neural Networks
- Paper Notes: On Community Detection in Real-world Networks and the Importance of Degree Assortativit
- 【CV论文阅读】Detecting events and key actors in multi-person videos