局部图聚类包
localgraphclustering的Python项目详细描述
[![构建状态](https://travis-ci.org/kfoynt/localgraphclustering.svg?branch=master)(https://travis ci.org/kfoynt/localgraphclustering)
[![覆盖状态](https://coveralls.io/repos/github/kfoynt/localgraphclustering/badge.svg?branch=master)](https://coveralls.io/github/kfoynt/localgraphclustering?branch=master)
局部图聚类
局部图聚类提供
-在给定图中查找局部簇而不接触整个图的方法
-改进给定簇的方法
-全局图分区的方法
-计算[网络社区配置文件]的工具(http://www.tandfonline.com/doi/abs/10.1080/15427951.2009.10129177)
-笔记本电脑上的可缩放图形分析
当前版本为0.4.4,适合专家和中间人使用。关于任何问题和反馈的联系信息如下所示。
<作者作者
-[Kimon Fountoulakis(http://wwww1.icsi.berkeley.edu/~kfaunt/),邮箱:kimon.fountoulakis at uwaterloo dot ca
-[孟刘](https://www.cs.purdue.edu/homes/liu1740/,邮箱:liu1740 at purddue dot edu:liu1740,邮箱:liu1740 at purddue dot edu:purddue dot edu:liu1740;
>-[david gleich-gleich教育部/总部mes/dgleich/),电子邮件:dgleich at purdue dot edu
-[michael mahoney](https://www.stat.berkeley.edu/~mmahoney/),电子邮件:mmahoney at stat dot berkeley dot edu
投稿人
-[chufeng hu](https://www.linkedin.com/in/chufeng-hu-54502214/?originalsubdomain=ca),电子邮件:chufeng dot hu at uwaterloo dot ca
-[yuying li](https://cs.uwaterloo.ca/~yuying/),电子邮件:yuying at uwaterloo dot ca
-[ben johnson](https://github.com/bkj),电子邮件:bkj dot 322 at gmail dot com
-[approximate pagerank](https://dl.acm.org/invitation.cfm?id=1170528)
-[l1正则pagerank](https://link.springer.com/article/10.1007/s10107-017-1214-8)(使用加速近端梯度下降解决)
-[pagerank nibble](https://dl.acm.org/citation.cfm?id=1170528)
-[光谱嵌入的舍入方法](https://dl.acm.org/citation.cfm?id=1170528)
-[mqi](https://link.springer.com/chapter/10.1007/978-3-540-25960-2_25)
-[flowimprove](https://dl.acm.org/citation.cfm?id=1347154)
-[simpleLocal](https://dl.acm.org/citation.cfm?id=3045595)
-[容量释放扩散](http://proceedings.mlr.press/v70/wang17b.html)
-[多类标签预测](https://dl.acm.org/citation.cfm?id=2783376)
-[网络社区配置文件](http://www.tandfonline.com/doi/abs/10.1080/15427951.2009.10129177)
-全局谱分区
-查找k个簇
-最密集的子图
-[三角形簇和顶点邻域度量](https://arxiv.org/pdf/1112.0031.pdf)
-便捷的网络绘制方法
/>
-[网络社区配置文件](https://github.com/kfoynt/localgraphclustering/blob/master/notebooks/ncps.ipynb)
-[多类标签预测](https://github.com/kfoynt/localgraphclustering/blob/master/notebooks/multiclass label prediction.ipynb)
-[三角形簇和顶点邻域度量](https://github.com/kfoynt/localgraphclustering/blob/master/notebooks/triangleclustersandvertexneighborhousionmetrics.ipynb)
-[查找k个群集](https://github.com/kfoynt/localgraphclustering/blob/master/notebooks/find_k_clusters.ipynb)
示例
所有示例都位于[笔记本](https://github.com/kfoynt/localgraphclustering/tree/master/notebooks)文件夹中。
下面是[笔记本](https://github.com/kfoynt/local graph clustering/blob/master/notebooks/test.py)中的[test.py](https://github.com/kfoynt/localgraphclustering/tree/master/notebooks)的一个简单演示,演示如何使用本地图群集中基于流的方法改进光谱分区。
``python
集群导入*
import time
import numpy as np
它还支持gml和graphml格式。
g=图形本地('./datasets/senate.edgelist','edgelist','')
改善前电导
打印("改善前电导:",g.计算电导(eig2四舍五入))
开始调用simpleLocal
start=time.time()
输出快=simpleLocal(g,eig2四舍五入)
end=time.time()
打印("运行时间:",str(end-start)+"s")
Jupyter笔记本[可视化示例](https://github.com/kfoynt/localgraphclustering/blob/master/notebooks/new_visualization_examples.ipynb)。
graphclustering/blob/master/notebooks/spectral\vs\u flow\u with_visualization.ipynb)和[这里](https://github.com/kfoynt/localgraphclustering/blob/master/notebooks/spectral\vs\u flow\u with_visualization.ipynb)。
请参见Jupyter笔记本电脑[此处](https://github.com/kfoynt/localgraphclustering/blob/master/notebooks/improvetype戋u algorithms戋u with戋u visualization.ipynb)。请参阅jupyter笔记本[此处](https://github.com/kfoynt/localgraphclustering/blob/master/notebooks/examples_scalable_graph_analytics.ipynb)。
otebooks/examples.ipynb).
\n演示:社交网络
<;img src="images/jhopkins.png"width="440"height="250">;<;img src="images/hopkins_global.png"width="440"height="250">;
<;img src="images/hopkins_local_1.png"width="440"height="250">;<;img src="images/hopkins_local_u 2.png"width="440"height="250">;
\png;演示:生物信息学网络
<;img src="images/pss.png"width="440"height="250">;<;img src="images/ppi.png"width="440"height="250">;<;img src="images/ppi_local.png"width="440"height="250">;
<;img src="images/blasted.png"width="440"height="250">;<;img src="images/blasted_local.png"width="440"height="250">;
[](http://img.youtu be.com/vi/mf9h1 jhyos/0.jpg)](https://youtu.be/mf9h1 jhyos)
在理论和实践中,我们观察到局部图聚类方法的性能取决于目标簇电导的大小以及目标簇诱导子图中最小电导的大小。简单地说,如果目标簇的"内部连通性"(目标簇的诱导子图中的最小电导
)不强于"外部连通性"(目标簇的电导),则局部图聚类方法在以下方面的性能较差正在查找目标群集。有关理论细节,请参见[速度和位置的容量释放扩散](http://proceedings.mlr.press/v70/wang17b.html)论文中的第3节。有关证明具有挑战性的目标团簇特性的大量数值实验,请参见[S的容量释放扩散]中的第4节peed and locality](http://proceedings.mlr.press/v70/wang17b.html)以及同一链接中的补充资料。
nstall`
``
请注意,此包仅与python 3一起运行。
pip也可以安装它:
``````
>pip3安装localgraphclustering
````
在julia中,添加pycall包:
`pkg.add("pycall")`
2。更新pycall默认的python版本:
`env["python"]=(python3可执行文件的路径)`
`pkg.build("pycall")`
(只需在终端中运行"which python3",就可以获得python3可执行文件的路径。)
3。确保pyplot包已添加到julia中。
4。导入*localgraphclustering*,使用:
`using pyplot`
`using pycall`
`@pyimport localgraphclustering`
孟柳,David Gleich,Michael Mahoney,< > >这个程序是自由软件:你可以根据GNU通用公共许可的条款,重新发布它和/或修改它,如由自由软件基金会出版,或者许可证的版本3,或者任何你可以选择的R版本。
[![覆盖状态](https://coveralls.io/repos/github/kfoynt/localgraphclustering/badge.svg?branch=master)](https://coveralls.io/github/kfoynt/localgraphclustering?branch=master)
局部图聚类
局部图聚类提供
-在给定图中查找局部簇而不接触整个图的方法
-改进给定簇的方法
-全局图分区的方法
-计算[网络社区配置文件]的工具(http://www.tandfonline.com/doi/abs/10.1080/15427951.2009.10129177)
-笔记本电脑上的可缩放图形分析
当前版本为0.4.4,适合专家和中间人使用。关于任何问题和反馈的联系信息如下所示。
<作者作者
-[Kimon Fountoulakis(http://wwww1.icsi.berkeley.edu/~kfaunt/),邮箱:kimon.fountoulakis at uwaterloo dot ca
-[孟刘](https://www.cs.purdue.edu/homes/liu1740/,邮箱:liu1740 at purddue dot edu:liu1740,邮箱:liu1740 at purddue dot edu:purddue dot edu:liu1740;
>-[david gleich-gleich教育部/总部mes/dgleich/),电子邮件:dgleich at purdue dot edu
-[michael mahoney](https://www.stat.berkeley.edu/~mmahoney/),电子邮件:mmahoney at stat dot berkeley dot edu
投稿人
-[chufeng hu](https://www.linkedin.com/in/chufeng-hu-54502214/?originalsubdomain=ca),电子邮件:chufeng dot hu at uwaterloo dot ca
-[yuying li](https://cs.uwaterloo.ca/~yuying/),电子邮件:yuying at uwaterloo dot ca
-[ben johnson](https://github.com/bkj),电子邮件:bkj dot 322 at gmail dot com
-[approximate pagerank](https://dl.acm.org/invitation.cfm?id=1170528)
-[l1正则pagerank](https://link.springer.com/article/10.1007/s10107-017-1214-8)(使用加速近端梯度下降解决)
-[pagerank nibble](https://dl.acm.org/citation.cfm?id=1170528)
-[光谱嵌入的舍入方法](https://dl.acm.org/citation.cfm?id=1170528)
-[mqi](https://link.springer.com/chapter/10.1007/978-3-540-25960-2_25)
-[flowimprove](https://dl.acm.org/citation.cfm?id=1347154)
-[simpleLocal](https://dl.acm.org/citation.cfm?id=3045595)
-[容量释放扩散](http://proceedings.mlr.press/v70/wang17b.html)
-[多类标签预测](https://dl.acm.org/citation.cfm?id=2783376)
-[网络社区配置文件](http://www.tandfonline.com/doi/abs/10.1080/15427951.2009.10129177)
-全局谱分区
-查找k个簇
-最密集的子图
-[三角形簇和顶点邻域度量](https://arxiv.org/pdf/1112.0031.pdf)
-便捷的网络绘制方法
/>
-[网络社区配置文件](https://github.com/kfoynt/localgraphclustering/blob/master/notebooks/ncps.ipynb)
-[多类标签预测](https://github.com/kfoynt/localgraphclustering/blob/master/notebooks/multiclass label prediction.ipynb)
-[三角形簇和顶点邻域度量](https://github.com/kfoynt/localgraphclustering/blob/master/notebooks/triangleclustersandvertexneighborhousionmetrics.ipynb)
-[查找k个群集](https://github.com/kfoynt/localgraphclustering/blob/master/notebooks/find_k_clusters.ipynb)
示例
所有示例都位于[笔记本](https://github.com/kfoynt/localgraphclustering/tree/master/notebooks)文件夹中。
下面是[笔记本](https://github.com/kfoynt/local graph clustering/blob/master/notebooks/test.py)中的[test.py](https://github.com/kfoynt/localgraphclustering/tree/master/notebooks)的一个简单演示,演示如何使用本地图群集中基于流的方法改进光谱分区。
``python
集群导入*
import time
import numpy as np
它还支持gml和graphml格式。
g=图形本地('./datasets/senate.edgelist','edgelist','')
改善前电导
打印("改善前电导:",g.计算电导(eig2四舍五入))
开始调用simpleLocal
start=time.time()
输出快=simpleLocal(g,eig2四舍五入)
end=time.time()
打印("运行时间:",str(end-start)+"s")
Jupyter笔记本[可视化示例](https://github.com/kfoynt/localgraphclustering/blob/master/notebooks/new_visualization_examples.ipynb)。
graphclustering/blob/master/notebooks/spectral\vs\u flow\u with_visualization.ipynb)和[这里](https://github.com/kfoynt/localgraphclustering/blob/master/notebooks/spectral\vs\u flow\u with_visualization.ipynb)。
请参见Jupyter笔记本电脑[此处](https://github.com/kfoynt/localgraphclustering/blob/master/notebooks/improvetype戋u algorithms戋u with戋u visualization.ipynb)。请参阅jupyter笔记本[此处](https://github.com/kfoynt/localgraphclustering/blob/master/notebooks/examples_scalable_graph_analytics.ipynb)。
otebooks/examples.ipynb).
\n演示:社交网络
<;img src="images/jhopkins.png"width="440"height="250">;<;img src="images/hopkins_global.png"width="440"height="250">;
<;img src="images/hopkins_local_1.png"width="440"height="250">;<;img src="images/hopkins_local_u 2.png"width="440"height="250">;
\png;演示:生物信息学网络
<;img src="images/pss.png"width="440"height="250">;<;img src="images/ppi.png"width="440"height="250">;<;img src="images/ppi_local.png"width="440"height="250">;
<;img src="images/blasted.png"width="440"height="250">;<;img src="images/blasted_local.png"width="440"height="250">;
[](http://img.youtu be.com/vi/mf9h1 jhyos/0.jpg)](https://youtu.be/mf9h1 jhyos)
在理论和实践中,我们观察到局部图聚类方法的性能取决于目标簇电导的大小以及目标簇诱导子图中最小电导的大小。简单地说,如果目标簇的"内部连通性"(目标簇的诱导子图中的最小电导
)不强于"外部连通性"(目标簇的电导),则局部图聚类方法在以下方面的性能较差正在查找目标群集。有关理论细节,请参见[速度和位置的容量释放扩散](http://proceedings.mlr.press/v70/wang17b.html)论文中的第3节。有关证明具有挑战性的目标团簇特性的大量数值实验,请参见[S的容量释放扩散]中的第4节peed and locality](http://proceedings.mlr.press/v70/wang17b.html)以及同一链接中的补充资料。
nstall`
``
请注意,此包仅与python 3一起运行。
pip也可以安装它:
``````
>pip3安装localgraphclustering
````
在julia中,添加pycall包:
`pkg.add("pycall")`
2。更新pycall默认的python版本:
`env["python"]=(python3可执行文件的路径)`
`pkg.build("pycall")`
(只需在终端中运行"which python3",就可以获得python3可执行文件的路径。)
3。确保pyplot包已添加到julia中。
4。导入*localgraphclustering*,使用:
`using pyplot`
`using pycall`
`@pyimport localgraphclustering`
孟柳,David Gleich,Michael Mahoney,< > >这个程序是自由软件:你可以根据GNU通用公共许可的条款,重新发布它和/或修改它,如由自由软件基金会出版,或者许可证的版本3,或者任何你可以选择的R版本。