在密集网络中生成和检测社区的模型

Question

我有一个完整的无向加权图。想象一个图，其中人是节点，边 (u,v,w) 表示 u 和 v 之间的关系类型，权重为 w。 w 可以取 1（彼此不认识 - 因此完整性）、2（熟人）、3（朋友）之间的任何值。这种关系基于边缘权重自然形成集群。

我的目标是定义一个模型来模拟这种现象，并且我可以从中采样一些图表并查看实际观察到的行为。

到目前为止，我已经使用了随机块模型 (https://graspy.neurodata.io/tutorials/simulations/sbm.html)，因为有一些关于将这些生成模型用于这些社区检测任务的论文。但是我可能正在监督某些事情，因为我似乎无法完全表示我需要的内容：g = sbm(list_of_params) 其中 g 是完整的，并且在共享权重 3 的节点之间存在一些可识别的集群。

在这一点上，我什至不确定 sbm 是否是完成这项任务的最佳方法。

我还假设图形工具可以做的所有事情，抓握也可以。从一开始我就读到了两者，似乎就是这样。

总结：

1. 有没有办法在抓握中生成一个随机块模型，从而产生一个完整的无向加权图？

2. sbm 是该任务的最佳模型吗？我应该看gmm吗？

谢谢

Answer 1

有没有办法在抓握中生成一个随机块模型，从而产生一个完整的无向加权图？

是的，但正如上面的 cmets 所指出的，这是一种指定模型的奇怪方式。如果您想从有关社交网络中社区检测的深入文献中受益，则不应使用完整图。做其他人都做的事情：边的存在（或不存在）应该表示关系（或不存在），边上的可选权重可以表示关系的强度。

要从带有权重的 SBM 生成图表，请使用以下函数： https://graspy.neurodata.io/reference/simulations.html#graspologic.simulations.sbm

我还假设 graph-tool 能做的一切，grachy也能做。

这不是真的。有（至少）两种不同的流行方法来推断 SBM 的参数。不幸的是，每种方法的从业者似乎都避免在他们的论文和代码中相互引用。

• graph-tool 使用 MCMC 统计推断方法来找到最佳的图分区。
• graspologic（以前的 graspy）使用与谱聚类相关的技巧来查找分区。

据我所知，graph-tool 方法提供了更直接和有原则的模型选择方法。它还具有有用的扩展，例如重叠社区、嵌套（分层）社区、分层图等。

我对@9​​87654326@（光谱）方法不太熟悉，但是——对我而言——它们似乎更难以扩展，而不仅仅是为理想的社区划分寻求点估计。不过，您应该对我的观点持怀疑态度。我不是这个领域的专家。