社群發現是一種廣義上的聚類，區別於傳統聚類的核心是類別與類別之間可以有重疊部分。
在傳統的聚類演算法，如k-means，乙個元素在結果中只能屬於乙個類別，但在社群發現演算法裡，乙個元素可以隸屬於不同的類別。這種聚類結果更貼近於生活中的場景，乙個人可以有多重屬性，不同的屬性特徵會驅使他歸到不同的類別裡。
本文介紹一種實現社群發現的演算法，標籤傳播演算法。
slpa演算法是對標籤傳播演算法的改進。
基本原理
先了解一下輸入的資料：帶權無向圖。
q：什麼是帶權無向圖？
a：圖是由節點和聯結構成，圖中的每個節點表示要聚類的目標，節點與節點之間的聯結都有乙個權重，權重值越大表示這兩個節點之間的聯絡越緊密，或節點之間的相似性更高。
在標籤傳播演算法裡每乙個節點既是 listener 又是 speaker，按照一定的規則進行「聽」和「說」的操作。
這些規則都要遵守乙個基本原則，就是傳播次數越多的訊息越有可能被再次傳播。就好比在人群中傳播乙個資訊，被說的最火熱和知道的人越多的訊息越容易擴散，越容易讓更多的人知道，人們也更願意去傳播它。
訊息傳播的過程就是演算法實現的過程，現在用乙個例子簡單說明一下。
假設有一群人，目標是想要把相似的人分到同乙個社群，這些相似的人或許有共同愛好，或許有共同特徵，不管怎麼定義，都可以用數值量化乙個權重，代表人與人之間的親密關係，權重越大說明兩個人越親密，越相似，越有可能進入到同乙個社群，而且乙個人可以隸屬於多個社群。
最初，每個人都會拿著乙個不同於別人的編號，這個編號就是最終所屬社群的編號，可以看成每個人都是乙個不同於別人的個體，隸屬於只有自己的小社群。
我們先把這個編號叫做「標籤」，每個標籤在最開始被賦予同乙個很小的數值，暫時叫它「機會值」，這個數值的意義是標籤被再次傳播的可能，數值越大越有可能被傳播。
隨機從乙個人開始，每人都扮演一次listener，listener的職責是準備乙個籃子，把所有和他相連的人傳給他的乙個標籤放到這個籃子裡，值得注意的是這些傳給他的標籤都會帶乙個機會值，機會值會在傳遞的路上把人與人之間的聯結權重加到自己身上。這個籃子會按照標籤為key，把同標籤的機會值相加，如果兩個人給listener傳遞了相同的標籤，籃子會自己把標籤的機會值加到一起。
最終，從籃子裡選出乙個機會值最大的標籤留在listener手中，記得還要保管好此時的機會值，如果手中已經有這個標籤，那就要把機會值相加，同時把籃子清空。
到此，listener的職責就完成了。中間還留了乙個小問題，那些和他相連的人都是speaker，speaker每次只能給listener傳遞乙個標籤，怎麼選擇呢，當然是選擇手中機會值最大的標籤傳給listener。
按照這個過程每當標籤被傳播一次，標籤就會把傳播路線上的權重值攬入囊中，加到自己的機會值上，這樣在下一次傳播時，被傳播次數多的標籤就會因為機會值大而成功搶占c位再次被傳播，所以符合一開始制定的傳播原則。
最終每個人手上都拿著傳遞後的標籤，可能是多個，這些標籤代表這個人隸屬於這些社群，這裡可以設定一些規則取捨掉一些無意義的社群分組，例如該社群內人數過多，或是這個社群編號的機會值很小等等。這些規則完全由目的主導。到此，基於標籤傳播演算法的社群發現就完成了。
社群發現演算法
簡單的lp演算法如下 執行傳播 f pf 重置f中labeled樣本的標籤 fl yl 重複步驟1和2直到f收斂 ps 步驟1就是將矩陣p和矩陣f相乘，這一步，每個節點都將自己的label以p確定的概率傳播給其他節點。如果兩個節點越相似 在歐式空間中距離越近 那麼對方的label就越容易被自己的la...
標籤傳播演算法
標籤傳播演算法 label propagation algorithm，lpa 是由zhu等人於2002年提出，它是一種基於圖的半監督學習方法，其基本思路是用已標記節點的標籤資訊去 未標記節點的標籤資訊。lpa演算法思路簡單清晰，其基本過程如下 1 為每個節點隨機的指定乙個自己特有的標籤 2 逐輪重...
標籤傳播演算法
參考文獻 slpa speaker listener based information propagation algorithm 演算法引入了listener和speaker兩個形象化概念，在標籤更新過程中，待更新的節點我們稱為listener，該節點的領域節點我們稱為speaker，因為lis...