【数据分析】基于FastNewman实现数据聚类matlab源码

本文主要是介绍【数据分析】基于FastNewman实现数据聚类matlab源码，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

一、简介

一、社区的定义

​ Newman第一次提出模块度定义就是在2004年发表的这篇文章“fast algorithm for community structure in networks”，第一次用量化的公式来确定社区划分。

​ 首先，我们来看Newman如何定义社区的：the vertices in networks are often found to cluster into tightly knit groups with a high density of within-group edges and a lower density of between -group edges。

​ 用大白话说就是：社区内部的边尽可能地多，但是社区之间的边尽可能地少

（一些定义）：i、j指社区i和社区j；

​ n是网络中节点的数量；

​ m是网络中边的数量。一条边上连接两个节点，和明显，2m即网络中所有节点度之和

二、如何量化到模快度？

​ 我们先用eij表示社区i和社区j之间连接的边的数量比整个网络边的数量，eii表示社区i内部边的数量比整个网络边的数量，既然这样的话我们只要使∑ieii尽可能大就好了，但是问题又来了，最大肯定就是1咯，所有节点归为一个社区，那这样很明显就没有意义了。

​ 于是他有提出，网络中连接两个同种类型的边（即社区内部的边的比例eii）减去在相同结构下任意连接这两个节点边的比例的期望，于是模块度登场

​ Q=∑i(eii-ai2)

其中，ai=∑jeij 表示与社区i中节点相连的边占所有边的比例。如果社团内部边的比例不大于社团内部边随机连接的期望，那么Q=0,最大时为1。一般来说，Q值最大对应的社团结构就是网络中的社团结构

三、如何变成算法可操作性？

​ 意思来了，我们只要优化Q就好了，但是如何把n个节点划分多少个社区？每个社区多少个节点？作者指出有2n-1种可能，这样的话根本无法将Q推广在高于20节点以上的网络？为了减少时间复杂度，作者提出一种贪婪策略

​ FN：（1）首先将网络中每个节点自定义成一个社区

​ （2）计算出两两社区结合是Q的值，找到Q增加最大的或者减少最少的合并方式进行社区合并

​ （3）直到所有社区合并成一个大社区时停止，找出合并过程中最大的Q是的社区划分结果

这个时候，Newman有注意到，当两个社区合并时，模块度的增量detaQ=(eji+eij-2aiaj)=2(eij-2aiaj)

二、代码

clear;clc
load('50.mat')
% 生成adjacent_matrix矩阵
adjacent_matrix = link;
[Z, Q_all] = FastNewman(adjacent_matrix);
class_count  = 4;   % 最大的模块都对应的类个数
class_cell   = class_cal(Z, class_count); % 分类情况
% 聚类画图
figure(1)
H = dendrogram(Z,0);
figure(2)
plot(node(:,1), node(:,2), 'r*')
hold on
for i = 1:size(link, 1)
    plot(node(link(i,:), 1), node(link(i,:), 2), 'r--')
end
for i = 1:length(class_cell)
    c = [rand rand rand];
    for j = 1:size(link, 1)
        if all(ismember(link(j,:), class_cell{i}))
            plot(node(link(j,:), 1), node(link(j,:), 2), '.-', 'linewidth', 2, 'color', c)
        end
    end
end
for i = 1:size(node,1)
    text(node(i,1), node(i,2), num2str(i), 'fontsize', 15, 'color', 'k')
end

这篇关于【数据分析】基于FastNewman实现数据聚类matlab源码的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！