背景：
聚类算法分为两类：向量聚类和图聚类，而马尔科夫就是属于图聚类算法。
Random Walks:
一个图中，如果有好几个聚类，聚类中的线比较密集，而聚类之间的线比较少，那么从一个点开始随机行走，那么我们更可能待在同一个聚类中，所以这就是马尔科夫聚类算法的中心思想：通过Random Walks，我们可以发现流在哪里汇聚，这样我们就可以发现聚类了。Random Walks 是通过“Markov Chains”计算出来的。
Markov Chains:
如图，我们可以发现，从节点一，我们有33%的概率到达节点 2，3，4，到达节点5 6 7 的概率为0，同理从节点2出发有25%的概率到达1 3 4 5，根据这样的思想，我们可以得到以下矩阵A：
然后下一步操作就是
A*A=D;
D*A=C;
C*A....
直到收敛。
矩阵A的数值我们还可以根据节点间的距离来改变，通过距离来判断两个节点的亲疏关系，例子如下：
然后添加自循环（即把a[i,i]的值变为1）。
MCL
Expansion
2.1Expansion
但是，上面的例子有一个问题。就是对于奇数长度的简单，进行奇数次幂的扩大获得的值有很大的影响。同样，对于偶数也有影响。
要解决这个问题，需要对每个节点添加一条自循环的边。通过添加一条长度为1的路径，在计算矩阵的奇数次幂时，这个问题就不在发生。
而对于Markov Chain求幂的运算就称为“Expansion”。
2.2Inflation
同样，先看例子：
上面的变换，即求Inflation的平方运算。由此可以看出，Inflation操作就是：求矩阵中每个元素的n次幂，然后求出的结果除以所在列的所有元素之和。
标准的定义是这样的：
Inflation操作的职责是增大或减小当前概率（增大当前大概率，减小当前小概率）。同时，Inflation的参数r影响聚簇的粒度。
2.3算法
在MCL中，下面两个处理过程交替的重复执行：
Expansion（计算Markov Chain过渡矩阵的幂）
Inflation
Expansion操作的职责是让流连接图的不同区域。
Inflation操作的职责是同时增大和减小当前概率。
算法实现步骤：
输入一个无向图，Expansion的幂e和Inflation的参数r，
创建邻接矩阵，
对每个结点添加自循环（可选的），
标准化矩阵（每个元素除以所在列的所有元素之和），
计算矩阵的第e次幂，
用参数r对求得的矩阵进行Inflation处理，
重复第5步和第6步，直到状态稳定不变（收敛），
把最终结果矩阵转换成聚簇。
2.4收敛矩阵转换为聚簇
为了找到聚簇，把所有的点分为两类：Attractor，聚集其他点；Vertex，被聚集的点。其中，Attractor所在的行必须至少有一个正值。每个Attractor聚集它所在行上有正值的点。然后，Attractor和被它聚集的点被分到一个聚簇。
如上图，则分为{1,6,7,10}，{2,3,5}，{4,8,9,11,12}三个聚簇。一般来说，看行的正值点。
注意：重叠簇。所谓重叠簇，是指某个点被多个聚簇所共享。
当且仅当某些点等概率的分配到多个聚簇；
当且仅当簇与簇是同构的。
2.6Inflation参数
本文参考文档：https://blog.csdn.net/u010376788/article/details/50187321