第25行: |
第25行: |
| | | |
| | | |
− | 模块度Q可定义为:在具有与给定网络相同度序列的随机化网络中,模板度等于在落在社团1或社团2中连边的比例—在社团1和社团2中将连边随机分布后所得到的概率期望。
| + | 模块度<math>Q</math>可定义为:在具有与给定网络相同度序列的随机化网络中,模板度等于在落在社团1或社团2中连边的比例—在社团1和社团2中将连边随机分布后所得到的概率期望。 |
| | | |
| | | |
第32行: |
第32行: |
| | | |
| | | |
− | 现考虑节点v和节点w,各自的节点度分别为 <math>k_v</math>和<math>k_w</math>,在随机重新连边的网络中,利用上述方法计算这两个节点间所期望的完整连边数量。
| + | 现考虑节点<math>v</math>和节点<math>w</math>,各自的节点度分别为 <math>k_v</math>和<math>k_w</math>,在随机重新连边的网络中,利用上述方法计算这两个节点间所期望的完整连边数量。 |
| 其中,所有单边的数量为 | | 其中,所有单边的数量为 |
| :<math>l = \sum_{u} k_{u} =2m</math> | | :<math>l = \sum_{u} k_{u} =2m</math> |
| | | |
| | | |
− | 我们考虑有<math>k_v</math> 条半边的节点<math>v</math> ,并设一个相关指示变量<math>I_i</math>,其中。在给定<math>i = 1, \ldots, k_v</math>的随机化网络中,节点<math>v</math>的第<math>i</math>条半边恰好连接到节点<math>w</math>(具有<math>k_w</math>条半边)的某条半边,此时<math>I_i = 1</math>。如果没有连接到,则<math>I_i = 0</math>。因为节点v的第i条半边可以等概率连接到剩下的任何 <math>2m-1</math>条半边,且<math>k_w</math>条半边也可以自我连接到节点w。 | + | 我们考虑有<math>k_v</math> 条半边的节点<math>v</math> ,并设一个相关指示变量<math>I_i</math>,其中。在给定<math>i = 1, \ldots, k_v</math>的随机化网络中,节点<math>v</math>的第<math>i</math>条半边恰好连接到节点<math>w</math>(具有<math>k_w</math>条半边)的某条半边,此时<math>I_i = 1</math>。如果没有连接到,则<math>I_i = 0</math>。因为节点v的第i条半边可以等概率连接到剩下的任何 <math>2m-1</math>条半边,且<math>k_w</math>条半边也可以自我连接到节点<math>w</math>。 |
| 故可用公式: | | 故可用公式: |
| :<math>p(I_i = 1) = E[I_i] = \frac{k_w}{2m-1}</math> | | :<math>p(I_i = 1) = E[I_i] = \frac{k_w}{2m-1}</math> |
第46行: |
第46行: |
| | | |
| | | |
− | 对于有着大量连边的随机化网络,我们进行以下处理:当m很大时,我们将分母''2m-1''化简为''2m'',即利用 <math>\frac{k_v k_w}{2m}</math> 近似计算两个节点之间所期望的连边数量。此外,如果随机化网络的规模十分大,忽略发生同一节点自我相连成环、两个节点间存在多条连边的情况。我们设两个节点之间最多只有一条连边,此时 <math>J_{vw}</math> 变成二进制指示符变量,其期望值为 <math>J_{vw}=1</math>的概率。<br>
| + | 对于有着大量连边的随机化网络,我们进行以下处理:当<math>m</math>很大时,我们将分母''<math>2m-1</math>''化简为''<math>2m</math>'',即利用 <math>\frac{k_v k_w}{2m}</math> 近似计算两个节点之间所期望的连边数量。此外,如果随机化网络的规模十分大,忽略发生同一节点自我相连成环、两个节点间存在多条连边的情况。我们设两个节点之间最多只有一条连边,此时 <math>J_{vw}</math> 变成二进制指示符变量,其期望值为 <math>J_{vw}=1</math>的概率。这意味着,在节点v和节点w之间存在连边的期望概率为<math>\frac{k_v k_w}{2m}</math>。 |
− | 这意味着,在节点v和节点w之间存在连边的期望概率为<math>\frac{k_v k_w}{2m}</math>。
| |
| | | |
| | | |
| 因此,节点<math>v</math>和节点<math>w</math>之间的实际边数与它们在随机化网络下连边数的期望之差为<math>A_{vw} - \frac{k_v k_w}{2m}</math>。 | | 因此,节点<math>v</math>和节点<math>w</math>之间的实际边数与它们在随机化网络下连边数的期望之差为<math>A_{vw} - \frac{k_v k_w}{2m}</math>。 |
| + | |
| | | |
| ===公式表达一=== | | ===公式表达一=== |
| 按照模块度的定义,对于所有的节点对进行求和,即得模块度的计算公式为: | | 按照模块度的定义,对于所有的节点对进行求和,即得模块度的计算公式为: |
− | <br>
| + | :<math> |
− | <math> | |
| Q = \frac{1}{2m} \sum_{vw} \left[ A_{vw} - \frac{k_v k_w}{2m} \right] \frac{s_{v} s_{w}+1}{2} | | Q = \frac{1}{2m} \sum_{vw} \left[ A_{vw} - \frac{k_v k_w}{2m} \right] \frac{s_{v} s_{w}+1}{2} |
| </math> | | </math> |
第65行: |
第64行: |
| ===公式表达二=== | | ===公式表达二=== |
| 模块度可以表示为:<br> | | 模块度可以表示为:<br> |
− | <math>Q = \frac{1}{2m} \sum_{vw} \left[ A_{vw} - γ\frac{k_v k_w}{2m}\right] \delta(c_{v}, c_{w}) | + | :<math>Q = \frac{1}{2m} \sum_{vw} \left[ A_{vw} - \gamma\frac{k_v k_w}{2m}\right] \delta(c_{v}, c_{w}) |
| </math> | | </math> |
| | | |
− | 其中:Avw为共引网络相邻矩阵的一个元素;k<sub>v</sub>为节点v 的度;m为网络中的连边总数;c<sub>v</sub>为节点<math>v</math>被分配到的社团,如果c<sub>v</sub>=c<sub>w</sub>,则函数(c<sub>v</sub>,c<sub>w</sub>)为1,否则为0。函数Q最大化即可得到最优社团划分。注意:γ是Q中的分辨率参数,标准模块函数中的γ=1。较大的γ参数可检测出较小但较多的社团,较小的γ参数可检测出较大但较少的社团。需要说明的是,虽然社团数量的分布受到参数γ的影响,但动力学特性的显示几乎与社团分辨率无关。(摘自集智俱乐部微信公众号文章《[https://mp.weixin.qq.com/s/ZOI-ItIstrqTCHs1QKWUUg Nature通讯:科学家兴趣转移愈发频繁,但对科研生涯可能不利]》)
| + | 其中:<math>Avw</math>为共引网络相邻矩阵的一个元素;<math>k_v</math>为节点<math>v </math>的度;<math>m</math>为网络中的连边总数;<math>c_v</math>为节点<math>v</math>被分配到的社团,如果<math>c_v=c_w</math>,则函数<math>(c_v,c_w)</math>为1,否则为0。函数<math>Q</math>最大化即可得到最优社团划分。注意:<math>\gamma</math>是<math>Q</math>中的分辨率参数,标准模块函数中的<math>\gamma=1</math>。较大的<math>\gamma</math>参数可检测出较小但较多的社团,较小的<math>\gamma</math>参数可检测出较大但较少的社团。需要说明的是,虽然社团数量的分布受到参数<math>\gamma</math>的影响,但动力学特性的显示几乎与社团分辨率无关。(摘自集智俱乐部微信公众号文章《[https://mp.weixin.qq.com/s/ZOI-ItIstrqTCHs1QKWUUg Nature通讯:科学家兴趣转移愈发频繁,但对科研生涯可能不利]》) |
| | | |
| | | |
− | 在标准模块函数中,γ=1,则有:
| + | 在标准模块函数中,<math>γ=1</math>,则有: |
− | <br> | + | :<math> |
− | <math> | |
| Q = \frac{1}{(2m)}\sum_{vw} \left[ A_{vw} - \frac{k_v k_w}{(2m)} \right] \delta(c_{v}, c_{w}) | | Q = \frac{1}{(2m)}\sum_{vw} \left[ A_{vw} - \frac{k_v k_w}{(2m)} \right] \delta(c_{v}, c_{w}) |
| =\sum_{i=1}^{c} (e_{ij}-a_{i}^2) | | =\sum_{i=1}^{c} (e_{ij}-a_{i}^2) |
第80行: |
第78行: |
| | | |
| 定义 <math>e_{ij}</math>为连接社团 i 和 社团j 的连边总数,则有:<br> | | 定义 <math>e_{ij}</math>为连接社团 i 和 社团j 的连边总数,则有:<br> |
− | <math> | + | :<math> |
| e_{ij}= \sum_{vw} \frac{A_{vw}}{2m} 1_{v\in c_i} 1_{w\in c_j} | | e_{ij}= \sum_{vw} \frac{A_{vw}}{2m} 1_{v\in c_i} 1_{w\in c_j} |
| </math> | | </math> |
| | | |
| | | |
− | <math>a_i</math>表示连接到社区i的连边总数,则有<math> | + | <math>a_i</math>表示连接到社区i的连边总数,则有 |
| + | :<math> |
| a_i=\frac{k_i}{2m}= \sum_{j} e_{ij} | | a_i=\frac{k_i}{2m}= \sum_{j} e_{ij} |
| </math> | | </math> |
第91行: |
第90行: |
| | | |
| ===公式表达三=== | | ===公式表达三=== |
− | 模块度的另一种计算公式为:<br> | + | 模块度的另一种计算公式为: |
− | <math> | + | :<math> |
| Q = \frac{1}{2m} \sum_{vw} \sum_r \left[ A_{vw} - \frac{k_v k_w}{2m} \right] S_{vr} S_{wr} | | Q = \frac{1}{2m} \sum_{vw} \sum_r \left[ A_{vw} - \frac{k_v k_w}{2m} \right] S_{vr} S_{wr} |
| = \frac{1}{2m} \mathrm{Tr}(\mathbf{S}^\mathrm{T}\mathbf{BS}), | | = \frac{1}{2m} \mathrm{Tr}(\mathbf{S}^\mathrm{T}\mathbf{BS}), |
第98行: |
第97行: |
| | | |
| | | |
− | 在光谱优化算法中常被用到。如果节点 v属于节点组r 则定义Svr=1,若不属于则为0。之后利用该公式进行代换计算: <br> | + | 在光谱优化算法中常被用到。如果节点<math>v</math>属于节点组<math>r</math> 则定义<math>Svr=1</math>,若不属于则为0。之后利用该公式进行代换计算: |
− | <math>\delta(c_v,c_w) = \sum_r S_{vr} S_{wr}</math> | + | :<math>\delta(c_v,c_w) = \sum_r S_{vr} S_{wr}</math> |
| + | |
| + | 其中<math>S</math>是包含元素<math>Svr</math>的矩阵(非方阵),而<math>B</math>是包含元素<math>B_{vw} = A_{vw} - \frac{k_v k_w}{2m}</math>的模块化矩阵。 |
| + | |
| | | |
− | 其中S是包含元素Svr 的矩阵(非方阵),而B是包含元素<math>B_{vw} = A_{vw} - \frac{k_v k_w}{2m}</math>的模块化矩阵。由于模块化矩阵的所有行和列都为0,因此也可以说不可分割的网络模块度为0。利用sv = ±1代表节点v所属于哪个节点组,我们有:<br>
| + | 由于模块化矩阵的所有行和列都为0,因此也可以说不可分割的网络模块度为0。利用<math>sv = ±1</math>代表节点<math>v</math>所属于哪个节点组,我们有: |
− | <math>Q = {1\over 4m} \sum_{vw} B_{vw} s_v s_w = {1\over 4m} \mathbf{s}^\mathrm{T}\mathbf{Bs}</math> | + | :<math>Q = {1\over 4m} \sum_{vw} B_{vw} s_v s_w = {1\over 4m} \mathbf{s}^\mathrm{T}\mathbf{Bs}</math> |
| | | |
− | 其中,s为包含s<sub>v</sub>的列向量。
| + | 其中,<math>s</math>为包含</math>s_v</math>的列向量。 |
| | | |
| | | |