我正在寻找 weak ties as defined by Granovetter .到目前为止,我已经尝试使用中心性测量来绘制 Stanford Facebook network dataset (facebook_combined.txt) 根据重要性。下图使用度中心性。我用蓝色矩形表示了一些我希望找到的节点(“弱关系”)。
Bridges看起来很近,但不完全在那里。我应该如何继续寻找这些节点?
示例代码:
import networkx as nx
fb = nx.read_edgelist("facebook_combined.txt")
degree_cent_fb = nx.degree_centrality(fb)
pos_fb = nx.spring_layout(fb ,iterations = 1000)
nsize = np.array ([v for v in degree_cent_fb.values ()])
nsize = 500*( nsize - min(nsize))/(max(nsize) - min(nsize))
nodes = nx.draw_networkx_nodes (fb , pos = pos_fb ,
node_size = nsize)
edges = nx.draw_networkx_edges (fb , pos = pos_fb ,
alpha = .1)
以下是一些带有其他大小调整函数的示例图:
相同的数据,按介数中心性确定大小:
和接近中心性:
还有 PageRank:
请您参考如下方法:
请注意,弱连接或桥梁指的是边,您正在寻找节点级别的度量。您可能对 Ron Burt 的 structural hole 概念感兴趣.占据结构孔的节点是代理,连接具有有限重叠的组 - 听起来像您正在寻找的东西。
NetworkX(从 2.0 版开始,如果我没记错的话)有一个 Burt's constraint measure 的实现.伯特说,如果一个节点具有低约束,它就会占据一个结构孔。 1 减去节点的约束分数似乎可以很好地突出社区之间的节点,但并非在所有情况下都是如此。
这是代码。当心 - 计算约束需要一些时间!
fb = nx.read_edgelist("facebook_combined.txt")
pos_fb = nx.spring_layout(fb ,iterations = 100)
cons = nx.constraint(fb)
plt.figure(figsize=(15,10))
nsize = np.array ([1-v for v in cons.values()])
nsize = 10**(nsize+1)
nodes = nx.draw_networkx_nodes (fb , pos = pos_fb , node_color=nsize, cmap=plt.cm.coolwarm,
node_size = nsize)
edges = nx.draw_networkx_edges (fb , pos = pos_fb ,
alpha = .1)
plt.axis('off')
