<aside> <img src="/icons/condense_green.svg" alt="/icons/condense_green.svg" width="40px" /> 异构图 视觉分析学 算法池化 图拓扑 聚类表征 适应度 图分割 概率矩阵
</aside>
🎯算法池化和最佳分区搜索：🖊网格搜索 | 🖊发现算法池 | 🖊返回指定图的最佳划分 | 🖊返回指定图的最佳分区 | 🎯适应度和聚类比较功能：🖊图的划分 | 🖊节点度 | 🖊给定算法检测到社群总数 | 🖊图密度 | 🖊社群顶点的度数之和 | 🖊解之间的预期一致 | 🖊联合熵 | 🖊平均内部度、所有可能的节点对的平均路径长度 | 🖊节点指向社群外的边平均比例 | 🖊现有边距离社群比例 | 社群内部密度 | 🖊切割比率的标准化变体 | 🖊边超几何分布随机出现的统计方法 | 🖊兰德指数预测聚类之间的相似性度量 | 分区之间最佳匹配的平均 F1 分数 | 归一化互信息
📜Python和MATLAB网络尺度结构和幂律度大型图生成式模型算法
pie title 语言分比
"Python":90
"C++":70
"C":80
pie title 内容分比
"数学":90
"概率":80
"图论":80
"图形分析":70
"算法":70
"复杂网络拓扑":70
"异构聚类":40
"互信息":10
"兰德指数":10
"紧密度、相似指数":10
"精确率和召回率的调和平均值":10
异构信息网络是一种网络结构，其对象可以假设不同的对象类型，对象之间的链接可以表示对象之间的不同类型的关系。此网无处不在，用于对许多不同类型的现实世界数据进行建模。例如，社交软件开放图将用户、帖子、事件和页面建模为四种不同类型的对象。用户可以发布帖子、参加活动或喜欢页面，这说明了将用户对象与帖子相关联的三种不同类型的连接。
此网络数据分析一直是一个活跃的研究领域。作为机器学习和数据挖掘的一项基本任务，聚类分析在此网络中找到了有趣的应用。例如，根据社交软件用户的兴趣对其进行聚类，可以实现有效的目标营销和病毒式营销。
谱聚类将聚类转化为图分割问题，该问题优化衡量分割质量的某个标准，例如正则化切割。通常，给定一组对象 $X=\left\{x_1, x_2, \ldots, x_n\right\}$，标准谱聚类方法首先构造一个无向图 $G=(X, S)$，其中 $X$ 表示顶点集，$S$ 是一个矩阵，$S_{i j}$ 度量对象 $x_i$ 和 $x_j$ 之间的相似性。然后，计算拉普拉斯矩阵 $L_S$，在此基础上执行特征分解以获得与 $k$ 个最小特征值相对应的 $k$ 个特征向量，其中 $k$ 是所需的聚类数量。这些特征向量被用作对象的新特征空间。最后，应用后处理步骤，例如 $k$ 均值和光谱旋转将对象划分为 $k$ 个聚类。
异构信息网络：