建议先关注、点赞、收藏后再阅读。
图的社区计算
社区发现是指在一个图中，将节点分割成若干个互不相交的子集，使得子集内节点之间的连接更加密集，而子集之间的连接较为稀疏。
社区发现的目标是找到图中具有明显聚集性的节点群体，从而揭示图的内在结构和模式。
一种常用于发现社区的算法是Louvain算法。
该算法基于最大模度的优化原则，通过不断迭代优化节点的分配方式，将节点逐渐聚合成社区。
具体步骤如下：
- 首先，将每个节点视为一个单独的社区。
- 对于每个节点，计算将其与其邻居节点进行合并后的模度增益，即计算该节点加入相邻社区后社区的模度增加值。模度增益越大，说明节点与相邻社区之间的连接越加稠密。
- 将节点按照模度增益大小进行排序。
- 从模度增益最大的节点开始，尝试将其加入相邻社区。计算加入后的总模度增益，如果增益为正，则将节点加入社区；否则不加入。
- 重复步骤4，直到所有节点都尝试加入相邻社区。
- 将每个社区合并为一个节点，构建新的图。
- 重复步骤2至步骤6，直到不能再有节点加入社区为止。
最后，判断图中的节点是否属于同一个社区可以通过计算节点之间的连接密度。如果两个节点之间的连接密度高于某个阈值，则可以认为它们属于同一个社区。连接密度可以通过计算节点之间的边数除以节点组合的总数得到。
以上是一种用于发现社区的算法，但并不是唯一的方法，还有许多其他的社区发现算法可以应用于不同的情况和图结构。
图的嵌入计算
图嵌入是将一个图映射到低维空间中的过程。图嵌入算法可以将图中的节点表示为向量，并且保留节点之间的关系。常见的图嵌入算法包括主成分分析（PCA）、多维缩放（MDS）、局部线性嵌入（LLE）、等距映射（Isomap），以及深度学习方法如图卷积神经网络（GCN）和图注意力网络（GAT）等。
图嵌入算法的输入是一个图，表示为邻接矩阵或边列表。
以下是一些常见的图嵌入算法和其对应的输出：
- 主成分分析（PCA）： PCA是一种线性降维方法，它通过找到原始数据中方差最大的方向，将数据映射到低维子空间。PCA可以用于对图的邻接矩阵进行降维，得到每个节点的向量表示。
- 多维缩放（MDS）： MDS是一种非线性降维方法，它通过将节点之间的距离保持在低维空间中的映射中保持一致来进行降维。MDS可以用于对图的邻接矩阵计算节点的向量表示。
- 局部线性嵌入（LLE）： LLE是一种非线性降维方法，它通过将每个节点表示为其邻居节点的线性组合的方式来进行降维。LLE可以通过最小化节点之间的重建误差来获得节点的向量表示。
- 等距映射（Isomap）： Isomap是一种非线性降维方法，它通过保持原始数据的测地距离来进行降维。Isomap可以用于计算图中节点的向量表示。
- 图卷积神经网络（GCN）： GCN是一种基于深度学习的图嵌入方法，它通过在每个节点上应用卷积操作来学习节点的向量表示。GCN可以通过多层卷积操作来逐步提取节点之间的关系。
- 图注意力网络（GAT）： GAT是一种使用注意力机制的图嵌入方法，它能够自适应地学习每个节点与其邻居节点之间的关系。GAT可以通过多层注意力操作来计算节点的向量表示。
通过使用这些图嵌入算法，我们可以将图中的节点映射到低维空间中，并且保留节点之间的关系。这些向量表示可以用于节点分类、图聚类、链接预测等应用场景中。
