Question

我注意到，如果我用相同的值更改图形中的所有边缘权重，则community.best_partition并不总是导致相同的社区。

我在所有情况下都使用了相同的随机状态，并且图完全相同，只是不是所有边缘权重都等于1，例如它们可能等于5。模块化的定义抵消了这个乘以邻接矩阵，当我阅读有关算法的文章时，我找不到应该改变结果的步骤。是否有造成这种差异的原因？

import networkx as nx
import community

from sklearn.metrics import adjusted_rand_score


def main():
    g = nx.davis_southern_women_graph()
    nodes = g.nodes()
    clusters_init = community.best_partition(g, random_state=10)
    print("modularity with initial clusters = %.15f" % community.modularity(clusters_init, g))

    labels_init = [clusters_init[n] for n in nodes]
    for num in range(1, 9):

        for u, v in g.edges():
            g[u][v]["weight"] = num

        clusters = community.best_partition(g, random_state=10)
        labels = [clusters[n] for n in nodes]
        print("value of edge weight = %d," % num, "modularity = %.15f," % community.modularity(clusters, g),
              "modularity with initial clusters = %.15f," % community.modularity(clusters_init, g),
              "adjusted rand score = %.3f" % adjusted_rand_score(labels_pred=labels, labels_true=labels_init))


if __name__ == "__main__":
    main()

具有初始簇的模数= 0.334869334679965

边缘权重的值= 1，模块化= 0.334869334679965，带有初始簇的模块化= 0.334869334679965，调整后的兰德评分= 1.000

边缘权重的值= 2，模块化= 0.334869334679965，带有初始簇的模块化= 0.334869334679965，调整后的兰德得分= 1.000

边缘权重的值= 3，模块化= 0.334869334679965，带有初始聚类的模块化= 0.334869334679965，调整后的兰德得分= 1.000

边缘权重的值= 4，模块化= 0.334869334679965，带有初始聚类的模块化= 0.334869334679965，调整后的兰德评分= 1.000

边缘权重的值= 5，模块化= 0.332470647645499，带有初始簇的模块化= 0.334869334679965，调整后的兰德得分= 0.676

边缘权重的值= 6，模块化= 0.334869334679965，带有初始簇的模块化= 0.334869334679965，调整后的兰德评分= 1.000

边缘权重的值= 7，模块化= 0.332470647645499，带有初始簇的模块化= 0.334869334679965，调整后的兰德得分= 0.676

边缘权重的值= 8，模块化= 0.334869334679965，带有初始簇的模块化= 0.334869334679965，调整后的兰德评分= 1.000

在使用python-louvain缩放图的边缘权重之后，在检测到的社区中会导致不同的结果吗？

0 个答案: