轻知识库︱apple.Turicreate关系网络分析以及社群发现

号外，最近公众号刚刚接入聊天机器人，由于没有充值每天只能对话1000句...目前可以讲段子、查天气、故事大全、测星座、斗图、菜谱、列车查询、附近饭店等功能。

SNA笔者是在R语言之前有学过一阵子。来稍微回顾一下关系网络点入度、点出度的大致结构。

.

1.点度中心度——triple_apply()

triple_apply是可以输入三个图元素并进行计算的函数，比较灵活。

从结果看到，deree就是每个顶点的总点度

.

2.点入度、点出度

degree_counting启动计算图计数函数，in_degree以及out_degree就是点入度以及点出度。

同时可以将点度、点入度以及点出度都放在顶点信息表之中：

.

3.pagerank——特征向量中心度

来看看最高的pagerank值的方式：

.

4.顶点近邻密度的指标——triangle_counting

衡量顶点近邻密度的指标，越高密度越大，价值越大。

跟点度还是挺像的，也跟pagerank一样，作为分析的一种指标。来看：

.

三、关系网络分析——社群发现

这里会介绍基于标签概率社群发现算法和K-core分解模型。在turicreate之中，两个算法有以下两个关键的擅长之处:

标签概率社群发现算法,有监督学习任务，用于监督性分类模型

K-core分解模型，无监督学习任务，用于聚类

.

1.LabelPropagationModel 基于标签概率社群发现算法主函数：

训练与预测的数据集都可以放在一块儿：

如果是需要预测的样本，可以用None的形式,放在数据集之中，然后通过模型训练，其会自动给出label（g.labels）

数据长这样：

其中模型就保存在m之中。其中m.labels 就是主要输出内容，可见：

可以观察到，对于label = none的其也会给出概率预测的情况。跟普通的机器学习是一样一样的。

所以，该内容可以跟ML一样，作为有监督训练的一种方式。

.

2、K-core decomposition k-core分解

Kitsak等人[1]第一次系统分析了这个问题。他们指出度和介数往往不能很精确描述一个节点的传播能力，而利用k-core分解，一个节点的核数更好刻画了节点的传播能力。 有点像层次聚类，一步一步删除附近的劣质线条。

主函数：

K值越高，网络越核心，k-core值越大表明子网络越处于核心的地位

如果指定了Kmax为20，就像聚类一样，会给每个ID一个标签值，可见：