将社区检测与图形或其他库重叠答案

【问题标题】：Overlapping community detection with igraph or other libaries将社区检测与图形或其他库重叠
【发布时间】：2019-01-27 05:52:40
【问题描述】：

我想检测小型网络/图表中的重叠社区。通过重叠，我的意思是在检测算法的输出中，一个节点可以包含在多个社区/集群中。

我查看了igraph 目前提供的各种社区检测算法，但我认为它们都没有处理重叠社区。p>

理想情况下，我希望能够以编程方式在 Python 中利用此类算法的某些实现。但是，其他语言的实现也可以。

【问题讨论】：

标签： python graph igraph

【解决方案1】：

我前段时间使用igraph的Python接口实现了Ahn等人的hierarchical link clustering算法；查看其源代码here。

此外，使用 igraph 在 Python 中实现 CFinder 也相当容易；这就是我想出的：

#!/usr/bin/env python
from itertools import combinations

import igraph
import optparse

parser = optparse.OptionParser(usage="%prog [options] infile")
parser.add_option("-k", metavar="K", default=3, type=int,
        help="use a clique size of K")

options, args = parser.parse_args()

if not args:
    parser.error("Required input file as first argument")

k = options.k
g = igraph.load(args[0], format="ncol", directed=False)
cls = map(set, g.maximal_cliques(min=k))

edgelist = []
for i, j in combinations(range(len(cls)), 2):
    if len(cls[i].intersection(cls[j])) >= k-1:
        edgelist.append((i, j))

cg = igraph.Graph(edgelist, directed=False)
clusters = cg.clusters()
for cluster in clusters:
    members = set()
    for i in cluster:
        members.update(cls[i])
    print "\t".join(g.vs[members]["name"])

【讨论】：

【解决方案2】：

如果你不介意使用另一种编程语言，你有 CFinder (Java)，它基于 clique 渗透（它基本上寻找紧密连接的 cliques），OSLOM (C++)，它优化统计衡量，当然还有其他。

否则，如果你想坚持使用python，你也可以应用Evans & Lambiotte '09的方法：1）将你的图形转换为折线图，2）对其应用常规的社区检测方法，例如使用igraph， 3) 获得重叠社区。将您的图表转换为折线图看起来并不太复杂，而且应该很快，前提是您的原始图表不太大。在任何情况下，它都会比执行社区检测本身更快。

请注意，除了 Evans & Lambiotte 的方法之外，还有其他方法可以从常规（互斥社区）方法中获取重叠社区，例如 Bennet et al. '12 或 Wang et al. '09 的方法。但是，实施它们似乎不那么简单。

【讨论】：

【解决方案3】：

根据blog，networkx 现在可以计算重叠社区。

以下代码用于 clique 渗透方法，可在 Networkx 11.6 中使用。 Githubhere

import networkx as nx
from itertools import combinations

def get_percolated_cliques(G, k):
perc_graph = nx.Graph()
cliques = list(frozenset(c) for c in nx.find_cliques(G) if len(c) >= k)
perc_graph.add_nodes_from(cliques)

# Add an edge in the clique graph for each pair of cliques that percolate
for c1, c2 in combinations(cliques, 2):
    if len(c1.intersection(c2)) >= (k - 1):
        perc_graph.add_edge(c1, c2)

for component in nx.connected_components(perc_graph):
    yield(frozenset.union(*component))

【讨论】：

【解决方案4】：

实现Clique Percolation Method (CPM) 的CFinder。如果你使用 python，Networkx 已经实现了相同的（see this link）。

>>> G = nx.complete_graph(5)
>>> K5 = nx.convert_node_labels_to_integers(G,first_label=2)
>>> G.add_edges_from(K5.edges())
>>> c = list(nx.k_clique_communities(G, 4))
>>> list(c[0])
[0, 1, 2, 3, 4, 5, 6]
>>> list(nx.k_clique_communities(G, 6))

【讨论】：

【解决方案5】：

Python networkx 库现在拥有更广泛的社区检测算法。 Carla 现在给出的例子是：

>>> from networkx.algorithms.community import k_clique_communities
>>> G = nx.complete_graph(5)
>>> K5 = nx.convert_node_labels_to_integers(G,first_label=2)
>>> G.add_edges_from(K5.edges())
>>> c = list(k_clique_communities(G, 4))
>>> list(c[0])
[0, 1, 2, 3, 4, 5, 6]
>>> list(k_clique_communities(G, 6))
[]

社区文档在这里：https://networkx.github.io/documentation/latest/reference/algorithms/community.html

【讨论】：