Czy modułowość sieci Newmana działa dla podpisanych, ważonych wykresów?
11
Modułowość wykresu jest zdefiniowana na stronie Wikipedii . W innym poście ktoś wyjaśnił, że modułowość można łatwo obliczyć (i zmaksymalizować) dla sieci ważonych, ponieważ macierz przyległości może również zawierać wartościowe powiązania. Chciałbym jednak wiedzieć, czy zadziała to również z podpisanymi, cenionymi krawędziami, na przykład od -10 do +10. Czy możesz podać intuicję, dowód lub odniesienie do tego problemu?ZAI j
Proste uogólnienie modułowości sieci ważonych ma nie działać, jeśli są podpisane te ciężary. Mówiąc wprost, mam na myśli: po prostu użycie macierzy wagi zamiast macierzy przylegania, jak na przykład Newman w (Newman 2004) . Potrzebujesz konkretnej wersji, takiej jak cytowana przez Benjamina Linda lub (Gomez i in. 2009) .
W obu artykułach wyjaśniają przyczynę tego. Podsumowując: modułowość polega na tym, że pewne znormalizowane stopnie (lub siły w przypadku sieci ważonych) można uznać za prawdopodobieństwa. Prawdopodobieństwo, istnieje związek pomiędzy węzłami i jest szacowana przy , w którym i są odpowiednie mocnych węzłów i i jest całkowita zawartość w stosunku do wszystkich węzłów sieciowych. Jeśli niektóre wagi są ujemne, oryginalna normalizacja nie gwarantuje już wartości w [ 0 , 1 ] , więc powyższe pjajotpjapjot= wjawjot/ (2w )2)wjawjotjajotw[ 0 , 1 ] ilości nie można uznać za prawdopodobieństwo.pjapjot
Aby rozwiązać ten problem, Gomez i in . rozważ osobno pozytywne i negatywne linki. Otrzymują dwie różne wartości modułowości: jedną dla dodatnich łączy, drugą dla ujemnych. Odejmują to drugie od pierwszego, aby uzyskać ogólną modułowość.
kod wygląda na czarny do plików EXE, ale jeśli wszystko, czego potrzebujesz, to modułowość dla dodatnich i ujemnych wag, dlaczego nie po prostu (1) przekonwertować macierz na listę ważonych krawędzi, (2) podzielić listę na dodatnio i ujemnie odważniki oraz (3) obliczyć modułowość przy igraphużyciu wag bezwzględnych w każdej partycji?
ks.
To dobry pomysł, ale modułowość przetwarzana dla wag ujemnych musi być zminimalizowana, a metody w igraph wykonują tylko maksymalizację (o ile mi wiadomo). Jeśli chodzi o kod źródłowy, myślę, że masz rację. Może możesz skontaktować się bezpośrednio z jednym z autorów?
Dziękuję Ci. Tak naprawdę nie interesują mnie społeczności, ale raczej tendencja podpisanej sieci do spolaryzowania / rozdrobnienia na społeczności. Ale o ile widzę, modułowość można odzyskać z wynikowego communitiesobiektu za pomocą modularityfunkcji. Na pewno przyjrzę się artykułowi Traag i Bruggeman. Ponieważ implementacja wydaje się opierać na symulowanym wyżarzaniu: jak dobrze działa? Czy rzeczywiście mogę się upewnić, że algorytm naprawdę zwraca optymalną modułowość (ponieważ chcę zmierzyć polaryzację / fragmentację)?
Philip Leifeld
3
W tym artykule zwróciliśmy uwagę na problem funkcji modułowych [podobnych] z podpisanymi sieciami . Mają tendencję do ignorowania dodatniej gęstości społeczności w miarę wzrostu bezwzględnej liczby negatywnych połączeń w sieci.
igraph
użyciu wag bezwzględnych w każdej partycji?Tak, może. Modele typu spin-glass do wykrywania społeczności mogą obliczać modułowość na podstawie ważonych, podpisanych wykresów. Będziesz chciał Traag i Bruggeman „Wykrywanie społeczności w sieciach z pozytywnymi i negatywnymi linkami” jako odniesienie. Funkcja „spinglass.community ()” w igraph może znaleźć społeczności i zwrócić modułowość wykresu.
źródło
communities
obiektu za pomocąmodularity
funkcji. Na pewno przyjrzę się artykułowi Traag i Bruggeman. Ponieważ implementacja wydaje się opierać na symulowanym wyżarzaniu: jak dobrze działa? Czy rzeczywiście mogę się upewnić, że algorytm naprawdę zwraca optymalną modułowość (ponieważ chcę zmierzyć polaryzację / fragmentację)?W tym artykule zwróciliśmy uwagę na problem funkcji modułowych [podobnych] z podpisanymi sieciami . Mają tendencję do ignorowania dodatniej gęstości społeczności w miarę wzrostu bezwzględnej liczby negatywnych połączeń w sieci.
Ponadto, oto nasz projekt Java typu open source dla sieci ze znakiem ważonym, który jest oparty na modelu Constant Potts Model (podobnym do modułowości), szybkim algorytmie Louvain i ocenie społeczności na podstawie rozszerzenia równania mapy .
Esmailian, P. i Jalili, M., 2015. Wykrywanie społeczności w podpisanych sieciach: rola negatywnych więzi w różnych skalach. Raporty naukowe, 5, s. 14339
źródło