我有一个完整的无向加权图。想想一个图，其中人是节点，边（u，v，w）表示权重为w的u和v之间的关系。 w可以取介于1（彼此不认识，因此不完整），2（熟人），3（朋友）之间的任何值。这种关系基于边缘权重自然形成簇。
我的目标是定义一个对这种现象进行建模的模型，然后从中可以对一些图形进行采样并查看实际观察到的行为。
到目前为止，我已经研究了随机块模型（https://graspy.neurodata.io/tutorials/simulations/sbm.html），因为有一些论文介绍了将这些生成模型用于这些社区检测任务。但是，由于我似乎无法完全代表我的需求，所以我可能正在监督一些事情：g = sbm（list_of_params）其中g已完成，并且节点之间存在一些权重为3的可分辨簇。
在这一点上，我什至不确定sbm是否是完成此任务的最佳方法。
我还假设图形工具可以做的所有事情，掌握也可以做。因为从一开始我就读过这两者，看来情况确实如此。
摘要：
有没有办法在抓握中生成随机块模型，从而生成完整的无向加权图？
是sbm任务的最佳模型。我应该看gmm吗？
谢谢
答案 0 :(得分：1)
有没有一种方法可以在抓握中生成随机块模型，从而生成完整的无向加权图？
是的，但是正如上面的注释所指出的那样，这是指定模型的一种奇怪方法。如果您想从有关社交网络中社区检测的深入文献中受益，则不应使用完整的图表。做其他人要做的事情：边缘的存在（或不存在）应指示一种关系（或不存在），并且边缘上的可选权重可以指示这种关系的强度。
要使用权重从SBM生成图形，请使用以下功能： https://graspy.neurodata.io/reference/simulations.html#graspologic.simulations.sbm
我还假设图形工具可以做的所有事情，熟练的人也可以做。
这不是事实。至少有两种不同的流行方法可以推断SBM的参数。不幸的是，每种方法的实践者似乎都避免在论文和代码中互相引用。
graph-tool使用MCMC统计推断方法来找到最佳图分区。graspologic（以前为graspy）使用了与频谱聚类相关的技巧来查找分区。据我所知，graph-tool方法提供了更直接，更原则的模型选择方法。它还具有有用的扩展，例如重叠社区，嵌套（分层）社区，分层图等等。
我对graspologic（频谱）方法并不熟悉，但是-对我来说-他们似乎更难扩展到不仅仅是为理想的社区划分寻求点估计。不过，您应该持怀疑态度，接受我的意见。我并不是这个领域的专家。