標籤傳播演算法

標籤：網路   規模   調用   改善   區間   ati   方法   sed   全域   

參考文獻：http://blog.csdn.net/cleverlzc/article/details/39494957
Gephi 是一款網路分析領域的可視化處理軟體，可以用於資料分析，連結分析，社交網路分析等。
標籤傳播演算法LPA（Label Propagation Algorithm）最早是針對社區發現問題提出時的一種解決方案。
主要優點有：時間複雜度（近似線性），不需要事Crowdsourced Security Testing道社區數量。
主要演算法流程：首先為每個節點設定唯一標籤，接著迭代依次更新各個節點，針對每個節點，通過統計節點鄰居的標籤，選擇標籤數最多的標籤更新該節點，如果最多便簽數大於一，則從中隨機播放一個標籤更新該節點，直到收斂為止。
標籤傳播演算法的節點標籤更新策略主要分成兩種，一種是同步更新，另一種是已不更新。
其中同步更新：在執行第t次迭代更新時，僅依賴第t-1次更新後的標籤集。
非同步更新：在執行第t次迭代更新時，同時依賴t次迭代已經更新的標籤集以及在t-1更新但t次迭代中未來的及更新的標籤集，非同步更新策略更關心節點更新順序，所以在非同步更新過程中，節點的更新順序採用隨機選取的方式。
LPA演算法適用於不重疊社區發現，針對重疊社區的發現問題，學者提出了COPRA（Community Overlapping Propagation Algorithm）演算法。該演算法提出所有節點可以同時屬於V個社區，V是個人為設定的全域變數，很顯然v的選擇直接影響演算法的效果，針對v的選擇需要足夠的先驗知識，在真實的社區網路中，v的選擇不能很好的被控制。

SLPA（Speaker-listener based information propagation algorithm）演算法引入了Listener和Speaker兩個形象化概念，在標籤更新過程中，待更新的節點我們稱為Listener，該節點的領域節點我們稱為Speaker，因為Listener最終的標籤屬性是根據這些Speaker所決定的。
在LPA中，把局域節點中最多標籤數的標籤賦予該節點，但這是一種更新規則，在SLPA中有多重更新策略規則。
基本演算法流程和LPA相同，不同點：在SLPA中為每個節點設定了一個曆史標籤隊列，該隊列記錄了t次迭代以來，該節點被賦予的標籤。直到迭代結束後，對每個節點的曆史標籤隊列進行統計，標籤頻率超過一個給的的閾值ρ的所有標籤就是該節點所屬的多個社區。
SLPA演算法中涉及一個重要參數ρ，如果ρ的取值為1，則SLPA演算法退化成非重疊社區。

HANP（Hop Attenuation & Node Preference）演算法，其基本思想為：
①為每個標籤引入score值來對該標籤的傳播能力進行評價，score值隨著傳播距離的增加而減弱。
score衰減規則：
其中δ 表示衰減因子（hop attenuation），δ 等於0的時候停止傳播
②每個節點通過領域節點更新標籤時的規則δ 根據豐富（會綜合考慮標籤的傳播能力score值、標籤出現頻率、標籤的度等）
標籤更新規則：

 

BMLPA演算法主要思想：
提出平衡歸屬係數概念，即對於每個節點其歸屬的社區數不限，但對同一節點的標籤局域平衡歸屬係數。

標籤更新：待更新標籤的領域標籤均由一個二元組序列與之對應，二元組的第一項表示標籤類別，第二項表示節點屬於該類別的隸屬度，對於每個節點，所有隸屬的之和為1。
①按照類別統計所有領域中的節點標籤和隸屬度，得到領域中的所有標籤，和標籤對應的隸屬的之和。
②歸一化A：將統計後的標籤-隸屬度序列中對大隸屬度值除以所有標籤的隸屬度，得出一組隸屬度最大值為1的標籤-隸屬度序列。
③篩選：將標籤-隸屬度序列中小於閾值ρ的標籤剔除出去。
④標籤更新：歸一化B，為了保證最後得到標籤-隸屬度序列中所有隸屬度和為一，將所以標籤的隸屬度除以所有標籤隸屬度之和。最後把得到標籤-隸屬度二元組賦值給待更新的標籤。

Fast Unfolding演算法
該演算法是一種基於modularity optimization的啟發學習法方法。
演算法步驟，主要分成兩個步驟：
①首先把每個節點賦予一個唯一的社區，然後對所有的節點依次實行彙總，將待彙總的節點找到其所有的領域，依次把該節點彙總到領域節點中，計算modularity值，將節點最終彙總到modularity值最大的那個鄰居節點中，反覆迭代，直到所有節點都不能改善modularity值為止。
②將第一階段產生的社區網路中的所有社區看成“節點”，因為新“節點”中包含多個節點，所有兩個“節點”間需要有權重，權重採用兩個社區間個邊的權重總和。

DCLP（Distance-Control Label Propagation）演算法，由HANP演算法簡化而來，只考慮標籤傳播過程中的衰減因素，並使用距離dis_allowed代替δ，通過該參數可以有效控制標籤的傳播範圍。
AM-DCLP演算法對原圖進行DCLP演算法運算，但得到的某些社區規模較大時，則將它們對應的子圖再繼續執行DCLP演算法。
兩個控制參數：
maxC_allowed：社區規模的最大值
break_down_allowed：允許調用DCLP演算法的基數
SDCLP演算法：每次DCLP演算法迭代後，對所有的社區進行檢測，若社區的規模足夠大，則終止迭代，否則繼續迭代。
優點：及時的終止可以有效反正大社區的出現，同時過小的社區通過迭代可以得到從發的發展。

 

標籤傳播演算法