社交网络图挖掘3--重叠社区的发现及Simrank

重叠社区的发现

相关知识点

社区的本质：一个实体有可能同时属于两个社区，任一社区内的边会十分密集，但是两个社区交集内的边会更加密集，而三个社区交集内的边还要密集。

极大似然估计（maximum likelihood estimation，MLE）：我们对某种对象（如朋友图）实例的生成过程（即模型）建立某种假设。模型的参数确定了任一具体实例的生成概率，该概率称为这些参数值的似然（likelihood）。

关系图模型

社区-关系图（community-affiliation graph）
社区-关系图（community-affiliation graph）机制可以从社区生成社交网络图，规定如下：

1. 存在给定数目的社区，存在给定数目的个体（图的节点）；
2. 每个社区可以拥有任意的个体集合作为成员，即个体对社区的隶属关系是模型的参数；
3. 每个社区C都有一个概率Pc与之相关联，该概率表示C中两个成员由于都是C中成员而通过边连接的概率，这些概率也是模型参数；
4. 如果一对节点属于两个或更多社区，那么如果某个包含这两个节点的社区按照规则3判定节点间有边的话，那它们之间就有边。

计算通过上述机制生成图的概率，计算的关键点：

1. 给定个体到社区的分配
2. Pc值；
3. 如何计算边的概率。如果u和v是社区的非空集合M中每个社区的成员，并且不是其他社区的成员，那么u和v之间存在边的概率为：
   Puv=1−∏CinM(1−Pc)

那么E等于观察图中边集合的似然为：

∏(u,v)inEPuv∏(u,v)notinE(1−Puv)

避免成员隶属关系的离散式变化

以连续方式对个体属于社区的隶属强度进行调整，直观上看，两个个体属于同一社区的程度越强，那么该社区促使两个个体之间有边的可能性也越大。改进的模型规则：

1. 固定的社区和个体集合（同）；
2. 对每个社区C和个体x，有一个隶属强度参数FxC，参数为任意非负值，0意味着该个体不属于该社区。
3. 社区C使得u和v之间存在边的概率为：
   PC(u,v)=1−e−FuCFvC

节点u和v之间存在边的概率为：

Puv=1−∏C(1−Pc(u,v)=1−e−∑CFuCFvC

那么E等于观察图中边集合的似然为：

∏(u,v)inEPuv∏(u,v)notinE(1−Puv)=∏(u,v)inE(1−e−∑CFuCFvC)∏(u,v)notinEe−∑CFuCFvC

对上式进行简化（某个函数最大化的同时也使得该函数的对数最大化），简化过程用到了log(ex)=x，于是有：

∑(u,v)inElog(1−e−∑CFuCFvC)−∑(u,v)notinE∑CFuCFvC

最后采用梯度下降法来寻找成员到社区的最佳分配方案，以使该分配得到的似然使最大的。即选择一个节点x，朝着上式值最大的方向调整所有FxC的值。

Simrank

• Simrank理论上适用于任何图，但最适合应用于具有不多类型节点的图。
• Simrank的目标：计算同类型节点之间的相识度，它通过考察随机游走这从某个点出发随机游走的最终状态来计算。
• 局限：由于Simrank必须对每个初始化节点计算一次，因此它受限于能够完全采用这种方式进行分析的图的规模。

社交网络上的随机游走者：无向图节点N上的游走者会以等概论走到其邻居节点。

带重启的随机游走

思路：假定我们关注社交网络中的一个特定点N，我们想知道游走者从改点出发游走不远后到达的位置，我们可以修改转移概率矩阵，使得从任一节点转移到N的概率很小。

• 令M为图G的转移概率矩阵，如果节点i的度数为k，且i和j之间有边，则M中第i行第j列的元素为1/k，否则为0。
• 令β为游走者继续随机游走的概率，则1−β为游走者远程跳转到初始节点N的概率，令eN为一个列向量，v‘是下一轮位于每个节点的概率向量，则v‘和v的关系是：
  v‘=βMv+(1−β)eN
  
  注：由于初始的迭代中有振荡，因此整个收敛过程需要时间。收敛后可以看到所有节点与节点N的相似度矩阵。