參考文獻：slpa（speaker-listener based information propagation algorithm）演算法引入了listener和speaker兩個形象化概念，在標籤更新過程中，待更新的節點我們稱為listener，該節點的領域節點我們稱為speaker，因為listener最終的標籤屬性是根據這些speaker所決定的。
在lpa中，把局域節點中最多標籤數的標籤賦予該節點，但這是一種更新規則，在slpa中有多重更新策略規則。
基本演算法流程和lpa相同，不同點：在slpa中為每個節點設定了乙個歷史標籤佇列，該佇列記錄了t次迭代以來，該節點被賦予的標籤。直到迭代結束後，對每個節點的歷史標籤佇列進行統計，標籤頻率超過乙個給的的閾值ρ的所有標籤就是該節點所屬的多個社群。
slpa演算法中涉及乙個重要引數ρ，如果ρ的取值為1，則slpa演算法退化成非重疊社群。
hanp（hop attenuation & node preference）演算法，其基本思想為：
①為每個標籤引入score值來對該標籤的傳播能力進行評價，score值隨著傳播距離的增加而減弱。
score衰減規則：
其中δ 表示衰減因子（hop attenuation），δ 等於0的時候停止傳播
②每個節點通過領域節點更新標籤時的規則δ 根據豐富（會綜合考慮標籤的傳播能力score值、標籤出現頻率、標籤的度等）
標籤更新規則：
bmlpa演算法主要思想：
提出平衡歸屬係數概念，即對於每個節點其歸屬的社群數不限，但對同一節點的標籤局域平衡歸屬係數。
標籤更新：待更新標籤的領域標籤均由乙個二元組序列與之對應，二元組的第一項表示標籤類別，第二項表示節點屬於該類別的隸屬度，對於每個節點，所有隸屬的之和為1。
①按照類別統計所有領域中的節點標籤和隸屬度，得到領域中的所有標籤，和標籤對應的隸屬的之和。
②歸一化a：將統計後的標籤-隸屬度序列中對大隸屬度值除以所有標籤的隸屬度，得出一組隸屬度最大值為1的標籤-隸屬度序列。
③篩選：將標籤-隸屬度序列中小於閾值ρ的標籤剔除出去。
④標籤更新：歸一化b，為了保證最後得到標籤-隸屬度序列中所有隸屬度和為一，將所以標籤的隸屬度除以所有標籤隸屬度之和。最後把得到標籤-隸屬度二元組賦值給待更新的標籤。
fast unfolding演算法
該演算法是一種基於modularity optimization的啟發式方法。
演算法步驟，主要分成兩個步驟：
①首先把每個節點賦予乙個唯一的社群，然後對所有的節點依次實行聚合，將待聚合的節點找到其所有的領域，依次把該節點聚合到領域節點中，計算modularity值，將節點最終聚合到modularity值最大的那個鄰居節點中，反覆迭代，直到所有節點都不能改善modularity值為止。
②將第一階段生成的社群網路中的所有社群看成「節點」，因為新「節點」中包含多個節點，所有兩個「節點」間需要有權重，權重採用兩個社群間個邊的權重總和。
dclp（distance-control label propagation）演算法，由hanp演算法簡化而來，只考慮標籤傳播過程中的衰減因素，並使用距離dis_allowed代替δ，通過該引數可以有效控制標籤的傳播範圍。
am-dclp演算法對原圖進行dclp演算法運算，但得到的某些社群規模較大時，則將它們對應的子圖再繼續執行dclp演算法。
兩個控制引數：
maxc_allowed：社群規模的最大值
break_down_allowed：允許呼叫dclp演算法的基數
sdclp演算法：每次dclp演算法迭代後，對所有的社群進行檢測，若社群的規模足夠大，則終止迭代，否則繼續迭代。
優點：及時的終止可以有效的防止大社群的出現，同時過小的社群通過迭代可以得到有利的發展。
標籤傳播演算法
標籤傳播演算法 label propagation algorithm，lpa 是由zhu等人於2002年提出，它是一種基於圖的半監督學習方法，其基本思路是用已標記節點的標籤資訊去 未標記節點的標籤資訊。lpa演算法思路簡單清晰，其基本過程如下 1 為每個節點隨機的指定乙個自己特有的標籤 2 逐輪重...
標籤傳播演算法（LPA）Python實現
標籤傳播演算法 lpa 的做法比較簡單 第一步 為所有節點指定乙個唯一的標籤 第二步 逐輪重新整理所有節點的標籤，直到達到收斂要求為止。對於每一輪重新整理，節點標籤重新整理的規則如下 對於某乙個節點，考察其所有鄰居節點的標籤，並進行統計，將出現個數最多的那個標籤賦給當前節點。當個數最多的標籤不唯一時...
基於標籤傳播演算法的社群發現
社群發現是一種廣義上的聚類，區別於傳統聚類的核心是類別與類別之間可以有重疊部分。在傳統的聚類演算法，如k means，乙個元素在結果中只能屬於乙個類別，但在社群發現演算法裡，乙個元素可以隸屬於不同的類別。這種聚類結果更貼近於生活中的場景，乙個人可以有多重屬性，不同的屬性特徵會驅使他歸到不同的類別裡。...