社交圈子挖掘的一种快速的方法--label propagation
这几天做复杂网络相关的学习研究，越发觉得网络科学的内容会越来越丰富，应用会越来越多。会为人类进步，产生巨大的贡献。我又激动了。 这篇博客介绍的方法，可以应用在大规模的复杂网络中，有着近乎线性的复杂度。
这篇博客继续介绍复杂网络中社团结构发现的一种方法--label propagation（简称LP）。与之前博客中介绍的local_fitness方法类似，这个方法也是从局部结构信息出发。LP方法的提出，主要是综合考虑了以前的方法有以下两个弊端：
- 很多方法需要有先验的知识：社团数目，中心点，clique大小等等
- 之前的一些方法，在性能上复杂度都比较高
为了解决以上的两个问题，论文中提出label propagation很好的解决了上面两个问题，同时LP算法是类似PageRank的思想，可以将计算过程并行化，真正实现大规模的网络分析。 LP的基本思想比较简单，就是对于节点x的类型，是由它的邻居节点所属类型决定的。一般选取邻居节点出现最多的类型作为x的类型。初始化的时候，将每个节点初始化为不同的类型（label），然后通过不停的迭代，label不停的传播，直到方法结束，属于同一社团中节点会具有相同的label，有点类似选举的一次，一次一次的选举，一个社团中的节点，最终达成一致。下面两个图，可以说明这个逐渐迭代，逐渐传播的过程，图都是来自论文中的： 
这两个图，比较能够说明传播的过程，具体大家可以看论文，欢迎交流。 LP算法的主要步骤如下： 
请允许我截图，编辑公式太复杂了。算法结束的条件是所有节点的label都和它的邻居中数量最多的label相同。算法的复杂度是O(kn)的，k是迭代次数，有实验表明，90%的情况迭代5次，每个节点最终都会的到自己的分类。 上面的算法，我就不详细分析，有感兴趣的，欢迎讨论。下面的一组数据是我用LP算法运行的结果：
| Q函数 | q: 0.203822129685 |
| 1* | 刘大鸿 |
| 东坡门人 | |
| 冷建成 | |
| 荣名为宝 | |
| 2 | 摇摆巴赫 |
| sunli1223 | |
| forchenyun | |
| foxmailed | |
| liudaoru | |
| 霍泰稳 | |
| TimYang | |
| AmyDeng_Fusionio | |
| XiaoJunHong | |
| KissDev | |
| 淘解伦 | |
| TreapDB | |
| __那谁__ | |
| wenzhong | |
| fishermen | |
| 潘少宁_腾讯_LAMP人 | |
| 淘宝褚霸 | |
| 淘宝日照 | |
| 图灵杨海玲 | |
| 搜狗郭昂 | |
| IR-Lucene | |
| 常佳佳-Jason | |
| 詹剑锋_中科院 | |
| 万树-杨 | |
| 梁斌penny | |
| fengyuncrawl | |
| 张颖峰 | |
| 九州-姬野 | |
| 王栋PKU | |
| 任勇_东京大学 | |
| 网路冷眼 | |
| MapReduce | |
| -林鸿飞- | |
| solochar | |
| THUIRDB | |
| 丁国栋_ICT | |
| 丕子 | |
| yaronli | |
| 关毅的围脖 | |
| 微博Koth | |
| 谭卫国Forest | |
| bicloud | |
| 王志超 | |
| gycheng | |
| 张夏天_机器学习 | |
| 张刚-bert | |
| 郭嘉丰_ICT | |
| 公帅_ICT | |
| 陈利人 | |
| 沈华伟_ICT | |
| 孟二利 | |
| 李猛-Mn | |
| 贺志明_ICT | |
| Humyy | |
| 幸运coming琳琳 | |
| 视觉研究 | |
| 王斌_ICTIR | |
| 武卫东 | |
| 杨彦闯 | |
| ICT_朱亚东 | |
| 罗大维 | |
| 张凯1976 | |
| 佟怡峦 | |
| liangjz | |
| timo | |
| 李-曙光 | |
| 王联辉 | |
| 王东wd | |
| 蒋涛CSDN | |
| 魔时科技张首华 | |
| GUCAS老H | |
| 拓尔思 | |
| 宋波simba | |
| 梁公军 | |
| 雨前LYQ | |
| 凌峰TB | |
| 淘宝虚云 | |
| 新IT民工 | |
| Yahoo韩轶平 | |
| 数据挖掘_PHP | |
| 爱的马斯特 | |
| 肖瑞麟Jerry | |
| 雨梦_yumengkk | |
| zangxt | |
| IT技术博客大学习 | |
| leeyanva | |
| 周运洪yunhong | |
| nzinfo | |
| Abioy | |
| 创业-育森 | |
| bian | |
| 3* | hszhsh1915647047 |
| bill323 | |
| 暖暖cathy | |
| 桂林山水78 | |
| alue-fabre | |
| 4* | 悦晓0709 |
| 豆爸何锐 | |
| 袁小晕 | |
| 鱼晓-五毛 | |
| loveEmma | |
| 即刻搜索JIKE | |
| 王大美 | |
| yellowleaf2010 | |
| guoyipeng | |
| 5* | 兔杰列夫 |
| hny101 | |
| c背a井t医y志y猫c | |
| 奔三北P | |
| 6 | 柯南小胖道尔 |
| 燕子_lynn | |
| 7* | 宗秀倩 |
| 王向东 | |
| 孟鸿 | |
| 8* | wpwei |
| 海带丝丝 | |
| Eva奶奶 | |
| 9 | 杨逍Venus |
| 张杰_NoahArk | |
| 10 | jingmouren |
| bodd | |
| 四正 | |
| 11 | 影子猎手 |
| sigmod | |
| 12 | 宁怡 |
| 刘克庄 |
后面带星的，是我认为比较准的,基本比较全了。还有一个大类，2是技术的圈子，全部分到一起，也不能说不对，但仍旧不理想。最后，还是要强调以下，这个算法可以很好的利用map-reduce模型，所以，能够处理更大规模的复杂网络。我上面的程序，并没有采用map-reduce实现，以后有时间，会实现的。 [引用]
Near linear time algorithm to detect community structures in large-scale networks
浙公网安备 33010602011771号