一、已知真实社区划分结果

1.NMI指数，互信息和标准化互信息

 

 

    具体公式和matlab代码参见，，

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39

function  MIhat = nmi( A, B ) %NMI Normalized mutual information % http://en.wikipedia.org/wiki/Mutual_information % http://nlp.stanford.edu/IR-book/html/htmledition/evaluation-of-clustering-1.html % Author: http://www.cnblogs.com/ziqiao/   [2011/12/15]   if  length ( A ) ~=  length ( B)      error ( 'length( A ) must == length( B)' ); end if  iscolumn(A)      A=A'; end if  iscolumn(B)      B=B'; end total =  length (A); A_ids =  unique (A); A_class =  length (A_ids); B_ids =  unique (B); B_class =  length (B_ids); % Mutual information idAOccur =  double  ( repmat ( A, A_class, 1) ==  repmat ( A_ids', 1, total ));  %得到节点社区矩阵N*C idBOccur =  double  ( repmat ( B, B_class, 1) ==  repmat ( B_ids', 1, total )); idABOccur = idAOccur * idBOccur'; Px =  sum (idAOccur') / total; Py =  sum (idBOccur') / total; Pxy = idABOccur / total; MImatrix = Pxy .*  log2 (Pxy ./(Px' * Py)+ eps ); MI =  sum (MImatrix(:)); % Entropies Hx = - sum (Px .*  log2 (Px +  eps ),2); Hy = - sum (Py .*  log2 (Py +  eps ),2); %Normalized Mutual information MIhat = 2 * MI / (Hx+Hy);     % MIhat = MI / sqrt(Hx*Hy); another version of NMI   end

　　

2.ARI指数

文献来源：【2015浙江大学博士】复杂网络节点影响力模型及其应用_王益文

       ，ARI ，ARI评估指数包含在EDA工具箱中，

   ARI的评估函数在EDA的工具箱中，调用函数甚多，就不贴出来了。自己下载EDA工具箱，放在matlab\toolbox文献夹下，设置完路径即可调用adjrand()

二、不知道真实社区划分情况

1.模块度Q（社区内的边尽可能多，而社区之间的边尽量地少）

 

 

     Q就是模块度，模块度越大则表明社区划分效果越好。Q值的范围在[-0.5,1），论文表示当Q值在0.3~0.7之间时，说明聚类的效果很好

这篇博客推导流程非常详细，而且使用矩阵运算减少了运算复杂度。

    代码如下，A是图的邻接矩阵， a是n*1的向量,即每个节点所属社区。例如[1 2 1 1 2],表示节点1、3、4属于社区1，节点2、5属于社区5

 

1 2 3 4 5 6 7 8 9 10 11 12

function  [Q1]=modul(A,a) one = 1: length (A); a = [one' a]; % 　建立节点社区矩阵 a =  accumarray (a,1); a = a(:, any (a)); %　 删除A中全0的列 % 　进行网络A模块度Ｑ1运算 m =  sum ( sum (A))/2; k =  sum (A,2); B = A - ( repmat (k,[1, size (A,1)]) .*  repmat (k',[ size (A,1),1])) / (2*m); Q1 = 1/(2*m) .*  trace (a'*B*a); end