วิธีการและตัวอย่างของการจัดกลุ่มกราฟใน“ R”

ฉันกำลังมองหาการจัดกลุ่ม / ผสานโหนดในกราฟโดยใช้การจัดกลุ่มกราฟใน 'r'

นี่คือรูปแบบของเล่นที่น่าทึ่งของปัญหาของฉัน

• มี "กลุ่ม" สอง
• มี "สะพาน" เชื่อมต่อกับกลุ่ม

นี่คือเครือข่ายผู้สมัคร:

เมื่อฉันดูระยะการเชื่อมต่อ "hopcount" ถ้าคุณต้องการฉันจะได้เมทริกซ์ต่อไปนี้:

 mymatrix <- rbind(
     c(1,1,2,3,3,3,2,1,1,1),
     c(1,1,1,2,2,2,1,1,1,1),
     c(2,1,1,1,1,1,1,1,2,2),
     c(3,2,1,1,1,1,1,2,3,3),
     c(3,2,1,1,1,1,1,2,3,3),
     c(3,2,1,1,1,1,1,2,2,2),
     c(2,1,1,1,1,1,1,1,2,2),
     c(1,1,1,2,2,2,1,1,1,1),
     c(1,1,2,3,3,2,2,1,1,1),
     c(1,1,2,3,3,2,2,1,1,1))

ความคิดที่นี่:

• โชคหรือเนื่องจากความเรียบง่ายของของเล่นเมทริกซ์มีแพทช์ที่เห็นได้ชัดนี่ไม่ใช่กรณีในเมทริกซ์ (ใหญ่มาก) ถ้าฉันสุ่มความสัมพันธ์ระหว่างจุดกับแถวมันจะไม่สะอาด
• ฉันอาจจะผิดหนึ่ง - ดังนั้นถ้าฉันพิมพ์ผิดแจ้งให้ฉันทราบ
• Hop-count ที่นี่คือจำนวน hops ที่สั้นที่สุดเพื่อเชื่อมต่อจุดบนแถว i กับจุดบนคอลัมน์ j การกระโดดด้วยตัวเองยังคงเป็นการกระโดดดังนั้นเส้นทแยงมุมจึงเป็นเส้นโค้งทั้งหมด

ดังนั้นในเมทริกซ์นี้ระยะทางที่มากขึ้น (ฮ็อพ) มีจำนวนมาก ถ้าฉันต้องการเมทริกซ์ที่แสดง "การเชื่อมต่อ" แทนระยะทางฉันสามารถทำ dot-inverse ซึ่งแต่ละเซลล์ของเมทริกซ์จะถูกแทนที่ด้วยอินเวอร์สแบบคูณ

คำถาม:

เพื่อช่วยฉันหาทางของตัวเอง:

• ข้อกำหนดในการลดจำนวนโหนดในกราฟโดยรวมเป็นอย่างไร มันคือการรวมกลุ่ม, การรวมกัน, munging - คำที่ฉันควรใช้คืออะไร?
• เทคนิคการพิสูจน์คืออะไร? มีตำราในหัวข้อหรือไม่ คุณสามารถชี้ไปที่เอกสารหรือเว็บไซต์ได้หรือไม่?
• ตอนนี้ฉันพยายามที่จะดูที่นี่ก่อน - มันเป็นจุด "ตรวจสอบครั้งแรก" ที่ยอดเยี่ยม ฉันไม่พบสิ่งที่ต้องการ หากฉันไม่ได้รับมัน (ไม่น่าเป็นไปได้) คุณสามารถชี้ให้ฉันตอบคำถามหนึ่งหรือสองคำถามในหัวข้อที่ CV ที่นี่ได้ไหม?

รับฉันไปที่ฉันจะไป:

• มีแพ็คเกจ 'R' ที่จัดกลุ่มโหนดบนเครือข่ายให้เหมาะสมหรือไม่
• คุณช่วยชี้ให้ฉันดูโค้ดตัวอย่างเพื่อทำสิ่งนี้ได้ไหม
• มีแพ็คเกจ 'R' ที่จะแสดงเครือข่ายที่ลดลงแบบกราฟิกหรือไม่?
• คุณช่วยชี้ให้ฉันดูโค้ดตัวอย่างเพื่อทำสิ่งนี้ได้ไหม

ขอบคุณล่วงหน้า.

ตัวอย่างเฉพาะของคุณแนะนำการค้นหาชุมชนภายในเครือข่ายที่มีการเชื่อมต่อระหว่างโหนดในชุมชนและขอบค่อนข้างน้อยระหว่างโหนดในชุมชนต่าง ๆ สิ่งนี้แตกต่างจากการค้นหาชุมชนแยกซึ่งมีกราฟย่อยที่ตัดการเชื่อมต่ออย่างสมบูรณ์

นี่คือตัวอย่างของการตรวจจับชุมชนใน R โดยใช้igraphแพคเกจและอัลกอริทึมที่อธิบายไว้ในClauset และคณะ (2004) ในการใช้อัลกอริทึมนี้ฉันจะแปลง "hop count" ของคุณให้เป็นเมทริกซ์ adjacency แบบไบนารีโดยไม่มีการวนซ้ำในตัวเอง อัลกอริทึมนั้นต้องการเมทริกซ์ที่ไม่ได้บอกทิศทางซึ่งสอดคล้องกับไดอะแกรมที่เขียนด้วยมือของคุณและข้อมูลที่คุณให้ (ขอบนั้นสมมาตร)

library(igraph)
mymatrix <- rbind(
     c(1,1,2,3,3,3,2,1,1,1),
     c(1,1,1,2,2,2,1,1,1,1),
     c(2,1,1,1,1,1,1,1,2,2),
     c(3,2,1,1,1,1,1,2,3,3),
     c(3,2,1,1,1,1,1,2,3,3),
     c(3,2,1,1,1,1,1,2,2,2),
     c(2,1,1,1,1,1,1,1,2,2),
     c(1,1,1,2,2,2,1,1,1,1),
     c(1,1,2,3,3,2,2,1,1,1),
     c(1,1,2,3,3,2,2,1,1,1))

#turn this into an adjacency matrix
adjMat <- mymatrix == 1
diag(adjMat) <- 0 #no self loops

g  <- graph.adjacency(adjMat)
plot(g)

#only works for undirected graphs, which this example is fine since symetric
fc <- fastgreedy.community(as.undirected(g))

#make colors for different communities
V(g)$color <- ifelse(membership(fc)==1,"red","blue")
plot(g)

ฉันไม่สามารถแสดงความคิดเห็นเกี่ยวกับความเหมาะสมของการยุบโหนดดังกล่าวเพื่อการวิเคราะห์ต่อไป แต่การตรวจจับชุมชนดังกล่าวมีประโยชน์อย่างมากสำหรับการสำรวจเครือข่าย มีอัลกอริธึมการตรวจหาคอมมิวนิตี้อื่น ๆ อีกมากมาย (เช่นเดียวกับไลบรารีอื่น ๆ สำหรับการวิเคราะห์เครือข่ายใน R) นี่เป็นเพียงตัวอย่างเดียวที่เกิดขึ้นกับผลผลิตที่คุณต้องการสำหรับปัญหาของเล่นนี้

หากคุณยังไม่ได้ไปที่เก็บข้อมูลสำหรับโหนดและข้อมูลการเชื่อมต่อของคุณคุณอาจดูแพ็คเกจ Rneo4j แต่นี่หมายถึงการใช้ neo4j (ฐานข้อมูลกราฟไม่ใช่ RDBMS) เพื่อจัดเก็บข้อมูลของคุณ ฉันไม่มีความเชี่ยวชาญที่นี่ แต่ฉันคิดว่าวิธีการนี้อาจมีประสิทธิภาพโดยเฉพาะอย่างยิ่งถ้า a) ตามที่ Anony-Mousse แนะนำคุณไม่สามารถทำให้เป็นระเบียบแบบนี้หรือ b) จำนวนโหนดและการเชื่อมต่อมีขนาดใหญ่เป็นพิเศษหรือ c) คุณเลิก มีคำถามเพิ่มเติมเกี่ยวกับเครือข่ายของคุณ

สำหรับผู้อ่านในอนาคต

นี่คือชุดของฟังก์ชั่นจากแพ็คเกจ igraph และอันสุดท้ายคือจาก MCL:

print("LABEL PROPAGATION")
w<-cluster_label_prop(g)

print("Leading Eigen")
w<-cluster_leading_eigen(g)

print("SpinGlass")
w<-cluster_spinglass(g, stop.temp = 0.05)

print("walktrap")
w<-cluster_walktrap(g, steps=4)

print("MCL")
adj<-get.adjacency(g)
w<-mcl(adj,addLoops=TRUE)

คุณสามารถค้นหาเอกสารได้ที่นี่http://igraph.org/r/doc/และที่นี่https://cran.r-project.org/web/packages/MCL/MCL.pdf

ฉันพบว่า Walktrap มีประโยชน์อย่างยิ่ง