lpa演算法

① 如何修改aix 中用戶名密碼限制

1）、修改用戶名最大長度為16個字元，需重啟伺服器才生效
chdev -l sys0 -a max_logname='16'
注意：當用戶名長度增加後，應避免再次縮短用戶名長度。因為定義的那些超長用戶名會在新的設置中失效，系統不能識別，就無法 login 到系統中
2）、突破用戶密碼為8為長度的限制，使用 chsec 命令可將 smd5 LPA 設置為系統范圍的密碼加密模塊，無需重啟
雖然可以設置更長的密碼，但是AIX 5L只檢查前8位密碼，一直以來這都是AIX的一個限制。直到 AIX 5L V5.3 TL7 和 AIX V6.1，引入了 LPA（ Loadable PasswordAlgorithm ） ，消除了密碼只有8位字元有效的限制，密碼長度的最大值根據各種LPA演算法的不同而不同，最大可以達到255位。在5307以上系統設置系統加密演算法可以實現超過8位的密碼長度：
chsec -f /etc/security/login.cfg -s usw -apwd_algorithm=smd5
當使用 chsec 命令來修改 pwd_algorithm 屬性時，chsec 命令將檢查 /etc/security/pwdalg.cfg 文件以驗證指定 LPA。如果該檢查失敗，那麼 chsec 命令也將失敗。
也可以使用編輯器直接修改/etc/security/login.cfg 文件，在此文件中添加pwd_algorithm = smd5，確保所指定的LPA值是在 /etc/security/pwdalg.cfg 文件中定義的某個節的名稱，此文件包含所有可支持的加密演算法。

② 社交網路分析

一個具體的網路可抽象為一個由節點（vertex或node）集合V和邊（edge）集合E組成的圖 G=(V, E)，節點數記為 n=|V|，邊數記為 m=|E|。

PageRank的核心思想是，被大量高質量網頁引用的網頁也是高質量網頁，假如某個網頁被大量其他網頁，特別是其他高質量網頁引用，那麼它的排名就高。

假定向量

是N個網頁的排名，矩陣

是網頁之間鏈接的數目，如 a _mn 表示第m個網頁指向第n個網頁的鏈接數，我們需要在已知A的情況下求得B。

假設 B _i 是第i次迭代的結果，那麼

初始假設每個網頁的排名都是 1/N，那麼通過上式可以求得B ₁ ，再不斷迭代求得B ₂ , B ₃ , ...。可以證明最後 B _i 會收斂，無限趨近於B，一般需要10次的迭代就可收斂。

由於很多網頁間並沒有鏈接，所以矩陣A會比較稀疏，計算需要進行平滑處理，即將上式換為

其中α為一較小常數，I為單位矩陣。

igraph可以用 g.pagerank() 計算PageRank值。

社區是圖中的小集團，同一社區內節點之間的連接很緊密，而社區與社區之間的連接比較稀疏。

而所謂社區發現就是在一個圖中發現若干個社區

使得各社區的頂點集合構成V的一個 覆蓋 。若任意兩個社區的頂點集合的交集為空，則稱C為非重疊社區，否則為重疊社區。

邊介數 ：網路中經過每條邊的最短路徑的數目。igraph可以用 g.edge_betweenness() 計算PageRank值

一種啟發式的社區發現演算法，先將每一個節點作為一個獨立的社區，然後分別計算各個節點加入其他社區後的模塊度增量，從中選出模塊度最高的一個鄰居節點，合並為一個社區。

LPA演算法不需要預先知識，而且時間復雜度接近於 O(n)，適合處理海量數據下的社區劃分。

其中m表示圖里的邊數；k _v 和 k _w 分別表示節點v和w的度；δ _vw 表示兩個節點是否在同一個社區，是則為1不是則為0；A _vw 為網路的鄰接矩陣，為1表示兩個節點在同一社區，為-1則表示不在同一個社區。

模塊度的取值范圍為 [-1/2, 1)，越高說明網路的社區劃分得越好。

阻斷率用來評估單個社區的緊密程度，越小越好。它的計算公式為

③ pagerank演算法和lpa演算法的區別

什麼是PageRank,PageRank是簡稱PR.PageRank是谷歌的網頁重要性的評估;
PageRank值可以改進,以提高您的網頁排名在谷歌搜索引擎,但它並不意味著PR值越高,排名越靠前.有一些網站,PageRank並不高,但相比一些PageRank高的網站排名前也.所以,你應該在網站優化,但也努力提高PR值的網站.提高PR最佳和最簡單的方法是：
提供有趣,有價值的內容的網站,所以網站鏈接主動和你,提高你的外部鏈接值.
將您的網站提交到主要的搜索引擎,它可以顯著提高您的網站排名在谷歌.
可以將網站添加到行業門戶站點,網上論壇,留言簿允許添加網址鏈接.
與其他網站交換鏈接來提高鏈接權重.
由谷歌第一您要查看的其他網站與其他網站交換鏈接被刪除,或是否由谷歌,沒有被該網站由谷歌索引最好不要做連接.

④ AIX 5300-01 系統，設用戶密碼的時候，設了12位密碼，可是只用前8位就可以登陸，為什麼

雖然可以設置更長的密碼，但是AIX 5L只檢查前8位密碼，一直以來這都是AIX的一個限制。直到AIX 5L V5.3 TL7 和 AIX V6.1，引入了 LPA（Loadable Password Algorithm），消除了密碼只有8位字元有效的限制，密碼長度的最大值根據各種LPA演算法的不同而不同，最大可以達到255位。

⑤ github上有沒有lpa演算法

有的。
int main(int argc, char const *argv[])
{
BSTree<int> bst;
int x = 28; bst.Insert(x);
x = 21; bst.Insert(x);
x = 25; bst.Insert(x);
x = 36; bst.Insert(x);
x = 33; bst.Insert(x);
x = 43; bst.Insert(x);
return 0;
}

⑥ 配送路線優化方法除了節約里程法還有哪些

還有Tabu Search演算法、SOM方法和遺傳演算法。
在配送路線選擇中，主要採取模型化方法進行路線確定。
常見的模型有Tabu Search演算法、SOM方法、遺傳演算法、節約里程法等。
節約里程法，又稱車輛運行計劃法(VSP—VehiclesSchedIlling Program)，適用於實際工作中要求得較優解或最優的近似解。而不一定需要求得最優解的情況。它的基本原理是三角形的一邊之長必定小於另外兩邊之和。
當配送中心與用戶里三角形關系時，由配送中心P單獨向兩個用戶A和B往返配貨的車輛運行距離必須大於以配送中心P巡迴向兩用戶發貨的距離。
那麼，所計算的結果：2Lpa 2Lpb-(Lp^Lpb Lab)=Lpa Lpb—hb為巡迴發貨比往返發貨的節約里程。

⑦ Neo4j中使用Louvain演算法和標簽傳播演算法(LPA)對漫威英雄進行社群分析

在本系列第一篇 在Neo4j中構建漫威世界的社交網路 中我們從英雄到漫畫的二分圖推導出英雄到英雄的一分圖。接著在第二篇 在Neo4j中對漫威社交網路進行初步分析 中得到一些基本的網路信息以幫助我們了解正在處理的網路情況。

在本篇中我將會在漫威英雄的網路上使用Louvain演算法和標簽傳播演算法(LPA)，發現一些有趣的社群。

本文中的可視化是使用Gephi來進行呈現，關於Gephi的更多信息可以看我之前的文章《Neo4j to Gephi》(https://tbgraph.wordpress.com/2017/04/01/neo4j-to-gephi/)。關於社群可視化還可以使用neovis.js(https://github.com/johnymontana/neovis.js)。

Neo4j圖演算法一般是在圖的子集上進行，而這個子集通常是一個虛擬圖，Neo4j圖演算法載入這種圖有兩種辦法。第一種簡單的辦法是通過指定結點的標簽和關系的類型將其載入到圖演算法中。

但是，如果我們要運行的邏輯是在一個特定的子圖上，而僅使用結點標簽和關系類型無法描述出這個子圖，同時也不想去修改實體圖，這時要怎麼辦呢？

不用擔心，我們還可以使用Cypher語句來指定要載入的子圖。使用查詢結點的Cypher語句代替結點標簽參數，使用查詢關系的Cypher語句來代替關系類型參數。

但是注意，在參數中一定要指明  graph:'cypher' 。

如下示例：

CALL algo.unionFind(
//第一個Cypher語句指定了要載入的結點。
    'MATCH (p:User)
WHERE p.property = 'import'
RETURN id(p) as id',
//第二個Cpyher語句指定要載入的關系
    'MATCH (p1:User)-[f:FRIEND]->(p2:User) 
RETURN id(p1) as source, id(p2) as target,f.weight as weight',
{graph:'cypher',write:true})

通過Cypher語句映射和載入子圖，可以非常好的描述要運行演算法的子圖。不僅如此，我們還可以剔除一些關系，間接的映射一個虛擬圖用於運行演算法，而那些剔除的關系又並不會從實際圖中刪除。

Cpyher映射使用場景：

 * 過濾結點和關系

 * 載入間接關系

* 映射雙向圖

* 相似性閾值（後面詳情介紹）

在對各種網路的研究過程中，如計算機網路、社交網路以及生物網路，我們發現了許多不同的特徵，包括小世界特性，重尾分布以及聚類等等。另外，網路都有一個共同的特徵即社群結構，也就是連通和分組。而現實網路世界的連通並不是隨機或同質的，而是存在著某種自然的聯系。

社群識別演算法在一個全連通的圖上運行，效果並不會很好。因為大多數據結點都是緊密連接的，他們是屬於一個社群的。在這些的圖上運行演算法，最終結果就是：得到一個覆蓋圖大部分區域的大社群和一些邊邊角角小社群。

這時我們可以使用相似性閾值來進行調控，將大於某個值的關系保留，而小於此值的關系將會剔除。而這個虛擬圖就可以通過Cypher語句輕松的映射出來了。

在本文中，我會將漫威社交網路中KNOWS的weight作為閾值，將其設置到100，大於100的關系將會保留，小於100的關於將會剔除，這樣，得到的社群將會非常緊密。

連通分量或並查集演算法都是找到相互連接的結點集，或者稱之為島，而在這個集合中的所有點都是可以相互連通的。

在圖論中，無向圖的連通分量（或者僅分量）是一個子圖，其中此子圖任何兩個頂點通過路徑相互連接。

當我遇到一個新的網路時，我第一時間想知道是：這個網路有多少個連通分量，以及他們每個都包含多少結點。在漫威英雄的網路中，當前我們已經把KNOWS的weight閾值設置到100了，而前一篇文章的閾值是10，因此，本文得到的連接肯定要比前一篇文章()中的連接要少。

在下面的示例中，我們直接使用結點標簽和關系類型，所有標簽為Hero的結點和所有類型為KNOWS的關系都將被載入到演算法中。由於我們將閾值設置到100，所以，當前演算法只考慮weight大於100的關系。

CALL algo.unionFind.stream('Hero', 'KNOWS',
{weightProperty:'weight', defaultValue:0.0, threshold:100.0,concurrency:1}) 
YIELD nodeId,setId
RETURN setId as component,count(*) as componentSize
ORDER BY componentSize DESC LIMIT 10;

正如我所料，漫威英雄網路是一個稀疏圖，有1個大社群和6小社群組成，大社群有101個英雄，而小社群基本也就2~4個英雄。這表示，在6439個英雄中，有116個英雄至少一個KNOWS關系的weight值是大於100的。

如果想在瀏覽器中仔細瀏覽那個包含101英雄的大社群，會很容易發現隱藏在這裡面的一些直觀的東西以及社群之間的橋梁結點。接下來我們將嘗試使用Louvain演算法和標簽傳播演算法來看看這個116個英雄的子圖的社群結構。

社群就是網路中結點集合，它們彼此之間的連接比其他節點更緊密。Molarity是一種度量刻度，被用於衡量社群發現演算法結果的質量，它能夠刻畫社區的緊密程度。在一個隨機的網路中，將一個結點歸類到某一個社群，Molarity值就是會生變化，進而給出這種分配後社區的質量。Molarity即量化了此結點與社群中其他結點的連接緊密程度。社群識別的Louvain方法，是一種基於啟發式Molarity最大化的網路社群檢測演算法。

如前所述，我們將通過Cypher查詢來僅映射weight大於110的關繫到演算法中。

CALL algo.louvain.stream(
// load nodes
    'MATCH (u:Hero) RETURN id(u) as id', 
// load relationships
    'MATCH (u1:Hero)-[rel:KNOWS]-(u2:Hero) 
// similarity threshold
WHERE rel.weight > 100
RETURN id(u1) as source,id(u2) as target',
{graph:"cypher"}) 
YIELD nodeId,community
MATCH (n:Hero) WHERE id(n)=nodeId
RETURN community,
count(*) as communitySize,
collect(n.name) as members
order by communitySize desc limit 5

我使用Gephi進行社群結果可視化，因為Gephi的表現力比表格更好，更有洞察力。

我並不是漫威漫畫的專家，所以我只能根據數據來做一個簡單的解釋。我們總共劃分出8個社群。最大的社群是紫色的社群，它由以美國隊長為首的神盾局和復仇者聯盟組成。在左邊我們能看到神奇先生和神奇四俠也在紫色社群里。亮蘭色是蜘蛛俠團隊，蜘蛛俠帕克是他們與外界聯系的唯一橋梁，其他人都是內部交流，與外界並無聯系。深蘭色是阿斯加德人，他們也是比較封閉，他們僅僅和雷神托爾有聯系。哦？難以置信，綠巨人也是自己的社群（粉紅色），而綠巨人是這個社群唯一與外界有聯系的英雄。我們還看到野獸亨利是紫色社群與綠色社群的橋梁，位置特殊，而綠色是X-Men社群。

標簽傳播演算法是由Raghavan等人於2007年首次提出，（譯者言：網路顯示此演算法於2002年由Zhu等人提出）此演算法是由每個結點使用其唯一標識作為標簽，然後根據大多數鄰居結點的標簽為基礎進行標簽傳播，每個結點再從他的鄰居結點身上取出現次數最多的標簽加到自己身上。LPA演算法的具體步驟是這樣：結點X有一些鄰居結點，且每個鄰居結點都有一個標簽，標明他們所屬的社群。然後網路中的每個結點都選擇加入其大多數鄰居所屬的那個社群，同時再隨機的斷開一些連接。在開始時，每個節點都用唯一標簽進行初始化，然後這些標簽開始在網路中進行傳播，傳播的每一步，每個結點都會根據鄰居標簽的情況更新自己的標簽，隨著標簽的傳播，最終連接緊密的結點集合將會達成一個共識，而他們身上的標簽也將不再發生變化。

與Louvaint演算法類似，我們也採用Cypher語句進行圖映射，在映射時僅載入weight值大於KNOWS關系。同時會將對結點進行回寫，導出結果到Gephi中進行可視化展示。

CALL algo.labelPropagation(
// supports node-weights and defining
// initial communities using parameter value
    'MATCH (u:Hero) RETURN id(u) as id, 1 as weight,id(u) as value',
// load relationships
    'MATCH (u1:Hero)-[rel:KNOWS]-(u2:Hero) 
// Similarity threshold
WHERE rel.weight > 100
RETURN id(u1) as source,id(u2) as target, rel.weight as weight',
'OUT',{graph:"cypher",partitionProperty:"lpa" }) 
YIELD computeMillis

最終我們得到21個社群，包括單點社群。復仇者聯盟（紫色）和神奇四俠（亮蘭色）被分為兩個社群了。蜘蛛俠（綠色），綠巨人（青綠色）和阿斯加德人（紅色）三個社群的結果與Louvain演算法一致。我們還發現X-Man被劃分成兩個社群，加農炮小組比Louvain的結果要稍微大點，同時也顯的不那麼孤立。

你發現沒有？Neo4j圖演算法庫真的很神奇，用起來也簡單。通過與Cypher查詢語句結合進行虛擬圖映射，可以簡單有效的對圖進行分析和理解。

本來，我打算在本文中介紹中心性演算法的使用，但那樣本文將會非常長，不便於閱讀，所以， 我後續將會再寫文章來介紹使用Cypher映射進行中心性演算法的示例。敬請期待吧。

⑧ 社交網路的核心推薦演算法有哪些

對好友推薦演算法非常熟悉，有些積累。好友推薦演算法一般可以分為下面幾類：
1、基於關系的推薦
基於關系的推薦，最近寫了一個專欄文章，具體介紹了常用演算法，可以看下有沒有幫助，傳送門：http://zhuanlan.hu.com/gongwenjia/20533434
簡介：
a.社會網路中，三元閉包理論，以及常用推薦演算法
b.Facebook中的推薦演算法是如何做的
2、基於用戶資料的推薦
3、基於興趣的推薦
剩下兩個方面有時間再寫。
近來學習聚類，發現聚類中有一個非常有趣的方向—社交網路分析，分享一下我的大致了解。這篇只是一篇概況，並沒有太多的公式推導和代碼，基本是用人話解釋社交網路分析中的常用的幾種演算法。詳細到每個演算法的以後有空再把詳細的公式和代碼補上。
社區發現演算法，GN演算法，Louvain演算法，LPA與SLPA
Louvain演算法思想
1.不斷遍歷網路中的節點，嘗試把單個節點加入能使模塊度提升最大的社區，直到所有節點不再改變
2.將第一階段形成的一個個小的社區並為一個節點，重新構造網路。這時邊的權重為兩個節點內所有原始節點的邊權重之和。
3.重復以上兩步
LPA演算法思想：
1.初始化每個節點，並賦予唯一標簽
2.根據鄰居節點最常見的標簽更新每個節點的標簽
3.最終收斂後標簽一致的節點屬於同一社區
SLPA演算法思想：
SLPA是LPA的擴展。
1.給每個節點設置一個list存儲歷史標簽
2.每個speaker節點帶概率選擇自己標簽列表中標簽傳播給listener節點。（兩個節點互為鄰居節點）
3.節點將最熱門的標簽更新到標簽列表中
4.使用閥值去除低頻標簽，產出標簽一致的節點為社區。