Библиотека предоставляет инструменты для агломеративной кластеризации гиперграфов. Она включает методы преобразования гиперграфов в матрицы инцидентности и смежности, автоматический выбор количества кластеров, а также метрики оценки качества кластеризации.

Кластеризация гиперграфов полезна в задачах анализа данных, таких как:

• Социальные сети
• Транспортные системы
• Биологические сети
• Анализ текстов и документов

Библиотека использует возможности scikit-learn и scipy для вычислений.

Убедитесь, что вы находитесь в директории в .../StableGNN/hc/

1. Установите зависимости и проект:

   pip install -e .

from hypergraph_clustering.utils.graph_conversion import hypergraph_to_incidence_matrix, incidence_to_adjacency
from hypergraph_clustering.clustering.agglomerative import AgglomerativeHypergraphClustering

# Пример гиперграфа
hyperedges = [[0, 1, 2], [1, 2, 3], [3, 4]]

# Преобразуем гиперграф в матрицы
incidence_matrix = hypergraph_to_incidence_matrix(hyperedges)
adjacency_matrix = incidence_to_adjacency(incidence_matrix)

# Кластеризация
clustering = AgglomerativeHypergraphClustering(n_clusters=2)
labels = clustering.fit(adjacency_matrix)

print("Кластеры:", labels)

from hypergraph_clustering.clustering.auto_clustering import AutoClusterHypergraphClustering
import numpy as np

# Пример графа
adjacency_matrix = np.array([
    [0, 1, 1, 0],
    [1, 0, 1, 0],
    [1, 1, 0, 1],
    [0, 0, 1, 0]
])

lm = len(adjacency_matrix) - 1
clustering = AutoClusterHypergraphClustering(linkage="average", max_clusters=lm, scoring="silhouette")
labels = clustering.fit(adjacency_matrix)

print("Кластеры:", labels)
print("Лучшее количество кластеров:", clustering.best_n_clusters)
print("Оценка:", clustering.best_score)

Пример гиперграфа:

• Узлы: {0, 1, 2, 3, 4}
• Гиперрёбра: {{0, 1, 2}, {1, 2, 3}, {3, 4}}

Для применения алгоритмов кластеризации гиперграфы преобразуются:

1. Матрица инцидентности: показывает связь между узлами и гиперрёбрами.
2. Матрица смежности: вычисляется на основе матрицы инцидентности, показывает связи между узлами.

Метод «снизу вверх», который начинает с представления каждого узла как отдельного кластера и объединяет их итеративно на основе заданного метода связи (ward, complete, average, single).

• Ward: минимизирует увеличение внутрикластерной дисперсии.
• Complete: учитывает максимальное расстояние между узлами.
• Average: основывается на среднем расстоянии между узлами.
• Single: минимизирует минимальное расстояние между узлами.

Для автоматического выбора количества кластеров используется одна из метрик:

• Silhouette: оценивает, насколько хорошо данные сгруппированы.
• Calinski-Harabasz: измеряет плотность и разделение кластеров.
• Davies-Bouldin: оценивает близость между кластерами (меньше лучше).

hypergraph_clustering/
├── clustering/
│   ├── agglomerative.py          # Класс для агломеративной кластеризации
│   ├── auto_clustering.py        # Класс для автоматического выбора количества кластеров
│   └── __init__.py
├── metrics/
│   ├── evaluation.py             # Метрики для оценки кластеризации
│   └── __init__.py
├── tests/
│   ├── test_agglomerative.py     # Тесты для агломеративной кластеризации
│   ├── test_auto_clustering.py   # Тесты для автоматического выбора кластеров
│   ├── test_graph_conversion.py  # Тесты для преобразования гиперграфов
│   └── __init__.py
├── utils/
│   ├── graph_conversion.py       # Утилиты для работы с гиперграфами
│   ├── examples.py               # Примеры гиперграфов
│   └── __init__.py
├── README.md                     # Документация
├── setup.py                      # Файл установки
├── requirements.txt              # Зависимости
└── data/                         # Примеры гиперграфов в формате JSON
    ├── social_network.json
    ├── transport_network.json
    └── biological_network.json

Для проверки работоспособности проекта доступны тесты. Запустите их с помощью:

pytest hypergraph_clustering/tests/

• Scikit-learn Documentation
• Silhouette Coefficient
• Agglomerative Clustering