/SGCN-clustering

SGCN用于节点聚类的改造；对损失函数进行了更改

Primary LanguageHTMLGNU General Public License v3.0GPL-3.0

符号网络的社团划分

Community Detection in Signed Network 本代码为本人本科毕业论文的配套代码；

面向节点聚类的符号图卷积神经网络

对SGCN进行了适用于节点聚类问题的代码调整，SGCN相关请先参考原文档origin_README.md。 具体实现见src目录。

main.py ----- 原SGCN；用于链接预测问题 origin_main.py -----原SGCN的损失函数；用于节点聚类问题（下同） no_neg_main.py ----- 新损失函数1 deep_main.py ----- 新损失函数2

以上main文件皆有对应神经网络代码，比如

from deep_loss_sgcn import SignedGCNTrainer

对应的神经网络代码即为deep_loss_sgcn.py

运行示例

比如，在命令行中键入

python src/deep_main.py --edge-path input/create/node_2.csv --embedding-path output/embedding/node_2.csv --regression-weights-path output/weights/node_2.csv --lamb 0 --epochs 50 --outcomm-path ./output/node2_comm --truecomm-path input/create/node_comm1.csv

其中，--outcomm-path指定了输出的社团划分路径，此时两种聚类方法（层次聚类与K-Means聚类）所得到的聚类结果输出为./output/node2_comm1.csv与./output/node2_comm2.csv; --truecomm-path指定真实的社团划分所在路径；如未知可不指定此项。

输出的结果中包涵了对社团划分结果的评估：

AgglomerativeClustering Signed modularity: 0.343638589699762
KMeans Signed modularity: 0.343638589699762
AgglomerativeClustering silhouette_score: 0.8970320100239011
Kmeans silhouette_score: 0.8970320100239011
NMI score: 1.0
NMI score: 1.0
NMI score: 1.0

基于节点相似度的谱聚类算法

借助符号网络上的节点相似度进行谱聚类的社团划分策略。 代码在src/spectral/spectral.py 在输出社团划分结果的同时，也输出该结果的模块度评估：

Signed modularity: 0.31538461538461565

代码尚未完善，如有疏漏敬请包涵