针对目前基于种子节点选择的社区发现算法在准确性和复杂度等方面存在的不足, 提出了一种基于Node2Vec的重叠社区发现算法. 首先, 使用Node2Vec算法学习到网络中每个节点的向量表示, 用以计算节点间的相似度, 其次, 利用节点影响力函数计算节点影响力并找出种子节点, 然后基于每个种子节点进行社区的扩展优化, 最终挖掘出高质量的重叠社区结构. 本文选取多个真实网络进行了对比实验, 结果表明, 本文所提出的算法能够在保证良好稳定性的前提下发现高质量的社区结构.

NRL实施 重新实现四种网络表示学习（NRL）算法：DeepWalk，LINE，node2vec，GraphGAN。 环境 NumPy TensorFlow Gensim 网络X 数据 路径./data/中有两个数据集： ：引文数据集。 ：以下网络。 训练 首先，找到项目的根路径： cd NRL-implement 对于DeepWalk： python DeepWalk/main.py 对于LINE： python LINE/main.py 对于node2vec： python node2vec/main.py 这三个实现使用cora作为数据集，结果保存在./results/cora/中。 使用逻辑回归作为分类器，以评估这三种实现产生的嵌入质量。 python LRclassifier.py --method DeepWalk DeepWalk可以用LIN

复杂网络的特征提取 将节点输入 获取特征向量 能更好的保存拓扑结构

快步走 node2vec随机游走的多线程实现。 介绍 该存储库提供了node2vec随机遍历的多线程实现，并具有基于LRU缓存的别名表，它可以在有限的内存使用情况下进行处理，因此可以在单台计算机上遍历大型图。 测试了包含参数的23000个节点和2300万条边的图形 --walk_length=80 --num_walks=10 --workers=20 --max_nodes=50000 --max_edges=100000 --p=10 --q=0.01 仅使用了11GB的内存，并在2小时内完成遍历。 有关更多信息，请访问 。 先决条件 g ++ 4.8+。 用法 准备具有以下格式的输入数据： node1 node2 [edge_weight] node2 node3 [edge_weight] ... 默认情况下，edge_weight是1.0。 编译： make 运行

node2vec 使用数据集cora的node2vec的示例

node2vec论文里面的代码，

Node2Vec node2vec算法Aditya Grover，Jure Leskovec和Vid Kocijan的Python3实现。 安装 pip install node2vec 用法 import networkx as nx from node2vec import Node2Vec # Create a graph graph = nx . fast_gnp_random_graph ( n = 100 , p = 0.5 ) # Precompute probabilities and generate walks - **ON WINDOWS ONLY WORKS

node2vec-master.zip

嵌入表示学习是当下研究热点，从word2vec,到node2vec, 到graph2vec，出现大量X2vec的算法。但如何构建向量嵌入理论指导算法设计？最近RWTH Aachen大学的计算机科学教授ACM Fellow Martin Grohe教授给了《X2vec： 构建结构数据的向量嵌入理论》报告，非常干货！