浅谈标签传播算法LPA
研究生期间第一次对相关内容做了一个汇报，查找了大量文献，发现很多的介绍对于新手来说都看不懂，这里采用最简单的方法来浅谈一下，如有错误，欢迎指正。
标签传播算法是一种基于图的半监督学习方法，其基本思路是用已标记节点的标签信息去预测未标记节点的标签信息。利用样本间的关系建立关系完全图模型，在完全图中，节点包括已标注和未标注数据，其边表示两个节点的相似度，节点的标签按相似度传递给其他节点。标签数据就像是一个源头，可以对无标签数据进行标注，节点的相似度越大，标签越容易传播。该算法简单易实现，算法执行时间短，复杂度低且分类效果好。
接下来直接放PPT
1、首先来看LPA算法，其它的标签传播算法都是基于这个算法之上
下面直接举一个例子
2、LPAm没有找到很好的介绍
3、LPAm算法虽然克服了 LPA 算法稳定性弱的缺点，但是比较容易陷入局部最 优的境况。通过举例说明 LPAm算法陷入局部最优值的情况。如图 2-2 所示。 从图 2-2 a)中的网络可以看出，该网络很明显地应该被划分为两个社区。但是， LPAm算法将网络划分了如图 2-2 b)中所示的四个社区，这是因为 LPAm算法陷入了 局部最优的境况，且获得的模块度值为 0.399。但是，如果将图 2-2 b)中带有标签 a 的社区和带有标签 b的社区进行合并，那么模块度的值就会增加 0.008，这样可以避 免之前的局部最优值 0.399。继续执行 LPAm 算法，此时得到如图 2-2 d)所示的划分 结果，即将网络划分成了两个社区，两个社区之间通过一条边进行连接，并且模块 度值也会从之前的 0.407 增加到 0.413。这样，不仅获得了理想的社区，而且使得模块度值增加。因此，X.lin 等人在 LPAm 算法中增加了如图 2-2 所示的合并操作，克
服了 LPAm算法中局部最优的缺点。
科锐国际HR面27人在聊