社区检测算法在戏剧中的应用与挑战

1、解释为什么在某些戏剧场景中，社区检测算法在某一场景的效果比另一场景更好。

在部分戏剧场景中，可能存在没有一个社区检测算法与叙事完全匹配的情况；而在另一些场景中，社交网络因特定事件而分化，某些算法与文本的契合度最高，表现最佳，所有算法都表现得相当不错。

此外，戏剧中角色频繁对话，长对话会使角色间的边多次出现，表明角色间有很强的叙事联系，这可能导致社区检测算法在某些场景效果不佳，而另一些场景可能受此影响较小。

2、你认为哪种社区检测算法效果最好？

顶点移动（Vertex Moving）算法可能是社区检测算法中表现最好的，且所有社区检测算法表现都还不错。

3、解释开发一种能在所有戏剧中合理有效运行的社区检测算法的困难。使用文学中的标准概念，如主角和反派。

社区检测算法在戏剧中的应用挑战

开发能在所有戏剧中合理有效运行的社区检测算法存在困难。在戏剧里，主角和反派常频繁对话，对话中会多次出现代表角色间联系的边，这表明角色间有很强的叙事联系。

社区检测算法的主要目的是将网络划分为 内部连接紧密 、 外部连接较少 的子群体，这种算法难以处理戏剧中主角和反派频繁交流的情况。

此外：

• 多数社区检测算法是 确定性的 ，不允许有多种解读，无法满足对戏剧自由解读的需求。
• 该算法不能由人类进行调整以融入叙事， 缺乏灵活性 ，这也是其应用于戏剧的关键障碍。

4、证明团渗流法是合理的。采用反证法，先做一个矛盾假设，即团渗流法不合理。也就是要证明存在一个图G(V, E)、两个节点v和u以及一条边v ◦−◦u，使得图G′ = G(V, E ∪{v ◦−◦u})。假设在图G(V, E)中，根据团渗流法，节点v和u的观点相同，但在图G′中它们的观点不同，即它们在G′中属于不同的社区。请根据团渗流算法完成后续证明。

采用反证法，先假设团渗流法不合理。

即要找到图 $ G(V, E) $、节点 $ v $ 和 $ u $，以及边 $ v \circ!!-!!\circ u $ 组成图 $ G’ $，使在 $ G $ 中 $ v $ 和 $ u $ 观点相同，在 $ G’ $ 中不同。

但根据团渗流算法，$ v $ 和 $ u $ 共享 $ k - 1 $ 个团，添加边 $ v \circ!!-!!\circ u $ 会形成完整团，这两个节点仍会在同一社区，与假设中在 $ G’ $ 里节点属于不同社区矛盾。

所以假设不成立，从而证明团渗流法是合理的。

5、在Voronoi选项分析的实现中，有两种合并锚点的方式，分别是在计算dis′之前合并和在计算dis′之后合并，请简述这两种方式。

在实现Voronoi选项分析时，有两种方式：

1. 在计算 dis′ 之前合并锚点；
2. 在计算 dis′ 之后合并锚点。

可比较这两种方式的结果。

6、在社交网络中，为了明确‘高’‘低’等术语的含义，假设我们有两个点vi、Vj属于集合V，想要测量它们的相对高度，应该采用什么方法？

可通过计算 Voronoi 划分来测量两个点 $ v_i $、$ v_j $ 的相对高度。Voronoi 划分是将度量空间 $ V $ 根据到一组锚点的距离划分为不同部分。

7、证明在美国选举中有两个政党时，若一方获胜，另一方则失败。

在美国选举中可将其建模为零和博弈。获胜条件是获得270张或更多选举人票，即

$$ \text{Win} = { s \in 2^S : \sum_{s_j \in S} El(s_j) \geq 270 } $$

失败条件是获得少于270张选举人票，即