這是我在一篇論文中看到的思路，與之前的一些思路有比較大的不同。論文沒有通篇看完，只看到算法描述部分，我就迫不及待的實驗，對於同學，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總結如下：
- 從節點開始，每個節點作為一個社團圈子進行合並
- 從整個網絡開始，通過某些算法選取某些邊，進行分割
- 從最大團開始，選擇合適的相似度計算的方法，對最大團進行合並
我比較關注圈子之間有重疊的情況。前兩種，我目前實驗做得少，主要集中在第三種，及其擴展。第三種思路目前比較經典的就是k-clique算法，相似度計算的依據很強，很直接，就是要有k-1公共節點。后來有幾篇文章，也是從最大團開始做的。我個人認為，是一個很好的開始。對於最大團思路的進一步分析，在后面的博客會有進一步的深入。我一直很看好這個思路。 這里要討論的論文的思路與上面三種都不同，與2,3有點類似，當仍有較大不同。論文中沒有命名，我姑且稱之為local方法，這個方法的核心思路是，從局部的角度考慮節點是否能夠作為一個社團。這個方法，有一個假設，就是社團或者圈子，就是一個局部的結構。只會包含一個節點，以及它的鄰居們。這個假設是合理的。根據這個假設，就可以尋找從某一個節點開始的，這個節點屬於的社團。方法中，有兩個度量，一個是社團的fitness，另一個是節點的fitness。社團的fitness定義如下： 
其中，k[in]表示社團內部的總的度數，k[out]表示社團內部的節點與社團外部節點連邊的總數。a是一個參數，用來調整層次性。對於某一個節點的fitness定義如下： 
很好理解：加入節點A的社團的fitness與移除節點A的社團的fitness的差，越大節點A越重要，如果為負，則表示A不屬於該社團。有了着兩個度量之后，就可以從某一個節點開始，知道這個點所在的社團。具體算法如下，初始社團C，只有一個節點A：
- 循環處理C中節點的所有鄰居節點（注意要去重，比且鄰居節點不再C中）
- 找到fitness最大的鄰居節點，加入到C中，得到C1
- 重新計算C1中的所有節點的fitness
- 如果某一個節點的fitness是負的，就將它從C1中移除，得到社團結構C2
- 如果4發生了，轉到3，否則轉到1
算法結束的條件是：當第一步得到的鄰居節點的fitness都為負，即可停止。這里有一個好處，就是可以不用使用q函數來判斷算法結束的時機。 我簡單實現了上面的算法，用我自己的關注數據測試了一下，效果如下： 以“王大美”為種子，得到的人民搜索同事圈子如下：
| 悅曉0709 |
| 豆爸何銳 |
| loveEmma |
| 魚曉-五毛 |
| 袁小暈 |
| 王大美 |
| 即刻搜索JIKE |
| yellowleaf2010 |
| guoyipeng |
以“hny101”為種子，得到高中同學圈子如下：
| c背a井t醫y志y貓c |
| 兔傑列夫 |
| hny101 |
| 奔三北P |
以“bill323”為種子，得到前實驗室的同學圈子如下：
| 暖暖cathy |
| alue-fabre |
| bill323 |
| hszhsh1915647047 |
| 桂林山水78 |
以“wpwei”為種子，得到大學同學的圈子如下：
| 海帶絲絲 |
| Eva奶奶 |
| wpwei |
這幾個圈子的挖掘效果非常好，但是我的主要圈子，技術圈，挖掘得不是很理想，技術圈比較大，比較雜，不好挖掘。但是同學，同事圈子還是比較理想。對於技術圈子不好的主要效果還是這部分鏈接過於復雜，這是目前算法都不能很好解決的問題。
[引用]
Detecting the overlapping and hierarchical community structure in complex networks