“ R”中图聚类的方法和示例

我正在寻找使用'r'中的图集群对图中的节点进行分组/合并。

这是我的问题的一个惊人的玩具变化。

• 有两个“集群”
• 有一个“桥”连接集群

这是一个候选网络：

当我查看连接距离（“跳数”）时，如果可以的话，我可以得到以下矩阵：

 mymatrix <- rbind(
     c(1,1,2,3,3,3,2,1,1,1),
     c(1,1,1,2,2,2,1,1,1,1),
     c(2,1,1,1,1,1,1,1,2,2),
     c(3,2,1,1,1,1,1,2,3,3),
     c(3,2,1,1,1,1,1,2,3,3),
     c(3,2,1,1,1,1,1,2,2,2),
     c(2,1,1,1,1,1,1,1,2,2),
     c(1,1,1,2,2,2,1,1,1,1),
     c(1,1,2,3,3,2,2,1,1,1),
     c(1,1,2,3,3,2,2,1,1,1))

这里的想法：

• 幸运的是，或者由于玩具的简单性，矩阵具有明显的斑块（在（很大）矩阵中）就不会出现这种情况。如果我将点与行之间的关系随机化，那将不是那么干净。
• 我可能写错了-如果我有错字，请告诉我。
• 这里的跳数是连接第i行的点与第j列的点的最短跳数。自跳仍然是跳，因此对角线全为跳。

因此，在此矩阵中，较大的距离（跳跃数）具有较高的数字。如果我想要一个显示“连通性”而不是距离的矩阵，那么我可以做一个点逆，将矩阵的每个像元都替换为其乘性逆。

问题：

为了帮助我找到自己的方式：

• 通过组合它们来减少图上节点数的术语是什么？它是集群，合并，纠结吗？我应该使用什么词？
• 有哪些成熟的技术？是否有关于该主题的教科书？您可以指向论文或网站吗？
• 现在，我尝试首先看一下这里-这是一个不错的“首次检查”地点。我没有找到想要的东西。如果我错过了（不是不太可能），您能给我指出关于简历的一个或两个有关该主题的问题吗？

要带我去哪里：

• 是否有一个“ R”包可以正确群集网络上的节点？
• 您能指出我要执行此操作的示例代码吗？
• 是否有一个“ R”包可以图形化地显示缩小后的网络？
• 您能指出我要执行此操作的示例代码吗？

提前致谢。

您的特定示例建议在网络中找到社区中节点之间具有更多连接且不同社区中节点之间的边缘相对较少的社区。这与找到孤立的社区不同，在孤立的社区中，有些子图是完全断开的。

这是使用igraphPackage和Clauset等人描述的算法在R中进行社区检测的示例。（2004）。为了使用该算法，我将您的“跳数”转换为没有自循环的二进制邻接矩阵。该算法需要一个无向矩阵，该矩阵与您的手写图和您提供的数据一致（边缘是对称的）。

library(igraph)
mymatrix <- rbind(
     c(1,1,2,3,3,3,2,1,1,1),
     c(1,1,1,2,2,2,1,1,1,1),
     c(2,1,1,1,1,1,1,1,2,2),
     c(3,2,1,1,1,1,1,2,3,3),
     c(3,2,1,1,1,1,1,2,3,3),
     c(3,2,1,1,1,1,1,2,2,2),
     c(2,1,1,1,1,1,1,1,2,2),
     c(1,1,1,2,2,2,1,1,1,1),
     c(1,1,2,3,3,2,2,1,1,1),
     c(1,1,2,3,3,2,2,1,1,1))

#turn this into an adjacency matrix
adjMat <- mymatrix == 1
diag(adjMat) <- 0 #no self loops

g  <- graph.adjacency(adjMat)
plot(g)

#only works for undirected graphs, which this example is fine since symetric
fc <- fastgreedy.community(as.undirected(g))

#make colors for different communities
V(g)$color <- ifelse(membership(fc)==1,"red","blue")
plot(g)

我无法评论折叠此类节点以进行进一步分析的适当性，但是此类社区检测对于探索网络绝对有用。还有很多其他的社区检测算法（以及R中用于网络分析的其他库）。这只是碰巧产生此玩具问题所需输出的一个示例。

如果尚未将其绑定到节点和连接数据的存储库，则可以查看Rneo4j软件包。但这意味着要使用neo4j（图形数据库，而不是RDBMS）来存储数据。我不是专家，但我确实认为，如果a）按照Anony-Mousse的建议，您无法将其形式化，或者b）节点和连接的数量特别大，或者c）您缠绕，这种方法可能会特别有效。关于您的网络还有其他问题。

对于未来的读者，

这是来自igraph软件包的一组函数，最后一个来自MCL：

print("LABEL PROPAGATION")
w<-cluster_label_prop(g)

print("Leading Eigen")
w<-cluster_leading_eigen(g)

print("SpinGlass")
w<-cluster_spinglass(g, stop.temp = 0.05)

print("walktrap")
w<-cluster_walktrap(g, steps=4)

print("MCL")
adj<-get.adjacency(g)
w<-mcl(adj,addLoops=TRUE)

您可以在http://igraph.org/r/doc/和https://cran.r-project.org/web/packages/MCL/MCL.pdf上找到文档。

我发现手环特别有用