略談社交網絡：
抽屜裏有本書《social networks analysis》，平時也沒翻，突然老闆說，搞一下社交網絡分析，於是就上了。一週下來寫個小結。由於在網絡中找關鍵點，已經被分析了很多（比如中心性、流中心性等，而且python有個networks的包，總之沒什麼難度。），我當時的定位是網絡分解：把一個大的網絡劃分爲若干個緊密連接的子網絡。
數據的準備以及驗證：
作爲驗證算法的有效性來說，我們沒有去找一個已經標記過的網絡，而是造了一批數據。我們設定A B C三個羣體，分別20、20、50人；同類人與人之間 0.2的概率與其他人發生聯繫，異類人與人之間0.02的概率法身聯繫。這樣一個用於測試的社交網絡就夠造好了。
分解的思想：
記得之前看一本書上說：信息是來自於網絡的外部（原話已經忘了）。對於局部網絡來說他有一些橋樑（邊）使他與全局相連，那怎麼找到這些橋樑呢？我們使用的方法非常簡單，讓網絡中每一個人都從自己的出發點傳遞一條信息給其他所有人（當然，因爲這些人很懶，他們每次都會走最近的路線），然後看看哪條（邊）被最多（或者top K）的人使用，那它就是“橋樑”。拆掉一座橋後，再做相同事情時，會有其他邊再次充當橋樑角色，一直拆下去，網絡就會斷開了。有沒有感覺太簡單了……（後來發現這和一些書上說的“邊介數”是一樣的）
分解的效果：
網絡點數在100個左右時，在同類鏈接概率大於異類鏈接概率的 4 倍時，效果已經非常明顯了。在相差10倍時，我們做了多次試驗，往往只有0~3個元素被分錯網絡歸屬。
代碼性能：
我自己寫的算法複雜度爲N的4次方多一些。首先隨着網絡的元素增加，要切開更多的“橋樑”才能將網絡切開，我們構造的數據中這個值接近正比於N的2次方。其次隨着網絡的元素增加，我們要找到任意兩個元素間的最短路線的複雜度與具體實現有關，不過我們的是略高於N的2次方。
實現中我避開了遍歷元素，而是採取遍歷邊的方法，因此對複雜度有所降低，也使原來的深度優先遍歷轉化爲廣度優先（深度優先指每次都把一個人所有的最短路線找出來，而廣度在這指每次每個人都只走一步；感興趣的同學可以實現一下）。不過現在其中部分地方使用矩陣記錄圖，導致很多無效的訪問，在後續中會改掉。
總結：
關於性能這塊我也有些其他的方法去優化（當然不包括並行、分佈式這種野蠻的方法），但是現在沒有完全解決。另外看了一下自己之前寫的文章，感覺有點貪多，沒寫明白，希望這次說清楚了。