密集网络中社区的生成与检测模型

Question

我有一个完整的无向加权图。想象一个图，其中人是节点，边（u，v，w）表示u和v之间的关系类型以及权重w。w可以取1（彼此不认识-因此完整性）、2（熟人）、3（朋友）之间的任何值。这种关系基于边权重自然形成簇

我的目标是定义一个模型，对这种现象进行建模，从中我可以对一些图形进行采样，并查看实际观察到的行为

到目前为止，我一直在玩随机块模型（https://graspy.neurodata.io/tutorials/simulations/sbm.html），因为有一些关于使用这些生成模型进行社区检测任务的论文。然而，我可能在监督一些事情，因为我似乎无法完全表示我所需要的：g=sbm（参数列表），其中g是完整的，并且在共享权重3的节点之间存在一些可识别的集群

在这一点上，我甚至不确定sbm是否是完成这项任务的最佳方法

我还假设graph tool可以做的一切，graspy也可以做。从一开始我就读到了这两种情况，似乎情况就是这样

总结：

1. 有没有办法在graspy中生成一个随机块模型，从而生成一个完整的无向加权图

2. sbm是该任务的最佳模型。我应该看看gmm吗

谢谢

Answer 1

Is there a way to generate a stochastic block model in graspy that yields a complete undirected weighted graph?

是的，但正如上面的评论所指出的，这是一种指定模型的奇怪方式。如果您想从关于社交网络中社区检测的深入文献中获益，就不应该使用完整的图表。做其他人都做的事情：边的存在（或不存在）应该表示关系（或缺乏关系），边上可选的权重可以表示关系的强度

要从具有权重的SBM生成图形，请使用此函数： https://graspy.neurodata.io/reference/simulations.html#graspologic.simulations.sbm

I am also assuming that everything that graph-tool can do, graspy can also do.

事实并非如此。有（至少）两种不同的常用方法来推断SBM的参数。不幸的是，每种方法的实践者似乎都避免在论文和代码中相互引用

• graph-tool使用MCMC统计推断方法来寻找最佳图分区
• graspologic（以前的graspy）使用与光谱聚类相关的技巧来找到分区

据我所知，graph-tool方法提供了更直接、更有原则的模型选择方法。它还具有有用的扩展，例如重叠社区、嵌套（分层）社区、分层图等

我对graspologic（spectral）方法不太熟悉，但对我来说，除了为理想的社区划分寻找点估计之外，它们似乎更难扩展。不过，你应该对我的观点持强烈的怀疑态度。我不是这方面的专家