【图分析】图算法，社团发现算法

sword_csdn

已于 2022-08-11 12:34:10 修改

阅读量1.7k

点赞数 1

分类专栏： Spark 文章标签：算法聚类机器学习

于 2021-01-25 13:43:58 首次发布

本文链接：https://blog.csdn.net/sword_csdn/article/details/113102818

版权

本文深入探讨图算法中的社团发现，包括三角形计数、聚类系数、强连通分量、连通分量及标签传播算法。通过Neo4j实例展示了这些算法的实现和应用，例如在社交网络分析、网络结构探查和半监督学习中的作用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

社团发现算法介绍

（1）面向整体关系稠密度的三角形计数和聚类系数。
（2）用于发现连通族的强连通分量算法和连通分量算法。
（3）标签传播算法，可基于节点标签快速推断群组。
（4）Louvain模块度算法，用于研究分组的质量和层级结构。
在这里插入图片描述

数据导入

使用Neo4j导数数据，首先导入节点

WITH "https://github.com/neo4j-graph-analytics/book/raw/master/data/" AS base
WITH base + "sw-nodes.csv" AS uri
LOAD CSV WITH HEADERS FROM uri AS row
MERGE (:Library {
   id: row.id})

接着导入关系

WITH "https://github.com/neo4j-graph-analytics/book/raw/master/data/" AS base
WITH base + "sw-relationships.csv" AS uri
LOAD CSV WITH HEADERS FROM uri AS row
MATCH (source:Library {
   id: row.src})
MATCH (destination:Library {
   id: row.dst})
MERGE (source)-[:DEPENDS_ON]->