这是我在一篇论文中看到的思路，与之前的一些思路有比较大的不同。论文没有通篇看完，只看到算法描述部分，我就迫不及待的实验，对于同学，同事圈子的挖掘有一定的效果。我之前了解的一些算法的思路可以总结如下：
- 从节点开始，每个节点作为一个社团圈子进行合并
- 从整个网络开始，通过某些算法选取某些边，进行分割
- 从最大团开始，选择合适的相似度计算的方法，对最大团进行合并
我比较关注圈子之间有重叠的情况。前两种，我目前实验做得少，主要集中在第三种，及其扩展。第三种思路目前比较经典的就是k-clique算法，相似度计算的依据很强，很直接，就是要有k-1公共节点。后来有几篇文章，也是从最大团开始做的。我个人认为，是一个很好的开始。对于最大团思路的进一步分析，在后面的博客会有进一步的深入。我一直很看好这个思路。 这里要讨论的论文的思路与上面三种都不同，与2,3有点类似，当仍有较大不同。论文中没有命名，我姑且称之为local方法，这个方法的核心思路是，从局部的角度考虑节点是否能够作为一个社团。这个方法，有一个假设，就是社团或者圈子，就是一个局部的结构。只会包含一个节点，以及它的邻居们。这个假设是合理的。根据这个假设，就可以寻找从某一个节点开始的，这个节点属于的社团。方法中，有两个度量，一个是社团的fitness，另一个是节点的fitness。社团的fitness定义如下： 
其中，k[in]表示社团内部的总的度数，k[out]表示社团内部的节点与社团外部节点连边的总数。a是一个参数，用来调整层次性。对于某一个节点的fitness定义如下： 
很好理解：加入节点A的社团的fitness与移除节点A的社团的fitness的差，越大节点A越重要，如果为负，则表示A不属于该社团。有了着两个度量之后，就可以从某一个节点开始，知道这个点所在的社团。具体算法如下，初始社团C，只有一个节点A：
- 循环处理C中节点的所有邻居节点（注意要去重，比且邻居节点不再C中）
- 找到fitness最大的邻居节点，加入到C中，得到C1
- 重新计算C1中的所有节点的fitness
- 如果某一个节点的fitness是负的，就将它从C1中移除，得到社团结构C2
- 如果4发生了，转到3，否则转到1
算法结束的条件是：当第一步得到的邻居节点的fitness都为负，即可停止。这里有一个好处，就是可以不用使用q函数来判断算法结束的时机。 我简单实现了上面的算法，用我自己的关注数据测试了一下，效果如下： 以“王大美”为种子，得到的人民搜索同事圈子如下：
| 悦晓0709 |
| 豆爸何锐 |
| loveEmma |
| 鱼晓-五毛 |
| 袁小晕 |
| 王大美 |
| 即刻搜索JIKE |
| yellowleaf2010 |
| guoyipeng |
以“hny101”为种子，得到高中同学圈子如下：
| c背a井t医y志y猫c |
| 兔杰列夫 |
| hny101 |
| 奔三北P |
以“bill323”为种子，得到前实验室的同学圈子如下：
| 暖暖cathy |
| alue-fabre |
| bill323 |
| hszhsh1915647047 |
| 桂林山水78 |
以“wpwei”为种子，得到大学同学的圈子如下：
| 海带丝丝 |
| Eva奶奶 |
| wpwei |
这几个圈子的挖掘效果非常好，但是我的主要圈子，技术圈，挖掘得不是很理想，技术圈比较大，比较杂，不好挖掘。但是同学，同事圈子还是比较理想。对于技术圈子不好的主要效果还是这部分链接过于复杂，这是目前算法都不能很好解决的问题。
[引用]
Detecting the overlapping and hierarchical community structure in complex networks