基于标签传播算法的社区发现

社区发现

社区发现是一种广义上的聚类，区别于传统聚类的核心是类别与类别之间可以有重叠部分。

在传统的聚类算法，如K-Means，一个元素在结果中只能属于一个类别，但在社区发现算法里，一个元素可以隶属于不同的类别。这种聚类结果更贴近于生活中的场景，一个人可以有多重属性，不同的属性特征会驱使他归到不同的类别里。

本文介绍一种实现社区发现的算法，标签传播算法。

标签传播算法LPA

SLPA算法是对标签传播算法的改进。

基本原理

先了解一下输入的数据：带权无向图。

Q：什么是带权无向图？
A：图是由节点和联结构成，图中的每个节点表示要聚类的目标，节点与节点之间的联结都有一个权重，权重值越大表示这两个节点之间的联系越紧密，或节点之间的相似性更高。

在标签传播算法里每一个节点既是 listener 又是 speaker，按照一定的规则进行“听”和“说”的操作。

这些规则都要遵守一个基本原则，就是传播次数越多的消息越有可能被再次传播。就好比在人群中传播一个信息，被说的最火热和知道的人越多的消息越容易扩散，越容易让更多的人知道，人们也更愿意去传播它。

消息传播的过程就是算法实现的过程，现在用一个例子简单说明一下。

假设有一群人，目标是想要把相似的人分到同一个社区，这些相似的人或许有共同爱好，或许有共同特征，不管怎么定义，都可以用数值量化一个权重，代表人与人之间的亲密关系，权重越大说明两个人越亲密，越相似，越有可能进入到同一个社区，而且一个人可以隶属于多个社区。

最初，每个人都会拿着一个不同于别人的编号，这个编号就是最终所属社区的编号，可以看成每个人都是一个不同于别人的个体，隶属于只有自己的小社区。

我们先把这个编号叫做“标签”，每个标签在最开始被赋予同一个很小的数值，暂时叫它“机会值”，这个数值的意义是标签被再次传播的可能，数值越大越有可能被传播。

随机从一