图的模块性在其Wikipedia页面上定义。在另一篇文章中,有人解释说,可以轻松地为加权网络计算(并最大化)模块化,因为邻接矩阵也可以包含有价值的联系。但是,我想知道这是否也适用于带符号的,有价值的边缘(例如,从-10到+10)。您可以提供有关此问题的直觉,证据或参考吗?
图的模块性在其Wikipedia页面上定义。在另一篇文章中,有人解释说,可以轻松地为加权网络计算(并最大化)模块化,因为邻接矩阵也可以包含有价值的联系。但是,我想知道这是否也适用于带符号的,有价值的边缘(例如,从-10到+10)。您可以提供有关此问题的直觉,证据或参考吗?
Answers:
如果对这些加权进行了签名,则加权网络的模块化的直接概括将无法正常工作。简单地说,我的意思是:仅使用权重矩阵而不是邻接矩阵,例如Newman在(Newman 2004)中所做的。您需要一个特定的版本,例如BenjaminLind引用的版本或(Gomez et al。2009)的版本。
在这两篇文章中,他们都解释了这样做的原因。总之:模块化依赖于以下事实:可以将某些归一化程度(或在加权网络的情况下为优势)视为概率。使用p i p j = w i w j /(2 w )2估计节点和j之间存在链接的概率,其中w i和w j是节点i和j和w的各自强度是所有网络节点上的总强度。如果某些权重为负,则原始归一化不能保证具有了,所以上述 p 我p Ĵ数量不能被认为是一个概率。
为了解决这个问题,Gomez 等人。分别考虑正面和负面链接。它们获得两个不同的模块化值:一个用于正向链接,一个用于负向链接。他们从前者减去后者以获得整体模块化。
igraph
在每个分区中使用绝对权重来计算模块化?
是的,它可以。用于社区检测的自旋玻璃模型可以根据加权的带符号图计算模块化。您需要Traag和Bruggeman “具有正向和负向链接的网络中的社区检测”作为参考。igraph中的函数“ spinglass.community()”可以找到社区并返回图的模块化。
communities
使用modularity
函数从结果对象中检索模块性。我一定会看一下Traag和Bruggeman的文章。由于该实现似乎基于模拟退火:它的执行情况如何?我真的可以确定算法是否真正返回了最佳模块化(因为我要测量极化/碎片化)?
我们已经指出的模块化[-alike]功能的问题签署了网络在本文中。随着网络中负面链接的绝对数量增加,他们倾向于更多地忽略社区的正面密度。
另外,这是我们用于加权符号网络的开源Java项目,该项目基于Constant Potts模型(类似于Modularity),快速Louvain算法以及基于Map Equation扩展的社区评估。
Esmailian,P.和Jalili,M.,2015年。已签名网络中的社区检测:不同规模的负面关系的作用。科学报告,第5页,第14339页