您是否尝试将值映射到 [0;2]？

然后许多算法可能会起作用。

考虑例如 Dijkstra：它需要非负边权重，但如果您知道a边的最小值，您可以运行它x-a并获得最短的无循环路径。

更新：对于相关值，您可能对绝对值感兴趣abs(x)（这是相关的强度！），或者您可能想暂时将图表分成两部分：首先仅对正相关进行聚类，然后对负相关进行聚类仅当符号对聚类非常重要并且以前的方法不起作用时。

是的，有一种称为“亲和传播”的算法适用于负权重；我相信这是在 sklearn 中实现的（请参阅此处的文档）。可以在此处找到有关幕后发生的事情的参考。

希望这就是你要找的！

在我看来，您描述的问题被称为Correlation Clustering Problem。这些信息应该可以帮助您找到一些实现，例如：

• 这个 Matlab 代码由 Shai Bagon 编写
• GitHub 用户 filkry 提供的 Python 代码

请注意，为了处理签名网络，还修改了一些社区检测算法，例如Amelio'13、Sharma'12、Anchuri'12等。但是，我找不到任何公开可用的实现。

看看这段代码，它的可扩展性很强，适用于正边缘和负边缘，并将相关聚类 (CC) 解决为特例 (r = 0)。但是，对于 CC（最大化正链接和最小化集群内的负链接）的情况，我会建议专门用于解决此目标的其他方法。

为了说明，相关聚类（与社区检测文献所追求的不同）没有考虑聚类的正密度，所以当一个网络没有或很少有负关系时（大多数现实世界的情况），所有的网络都被放在一个大簇。