Python NetworkX common_neighbor_centrality用法及代码示例

返回每对节点的 CCPA 分数。

计算 ebunch 中所有节点对的基于公共邻居和中心性的参数化算法 (CCPA) 分数。

u 和 v 的 CCPA 分数定义为

其中\(\Gamma(u)\)表示\(u\)的邻居集，\(\Gamma(v)\)表示\(v\)的邻居集，\(\alpha\)是参数在[0,1]之间变化，\(N\)表示节点总数图表和 \({d}_{uv}\) 表示 \(u\) 和 \(v\) 之间的最短距离。

该算法基于节点的两个重要属性，即共同邻居的数量及其中心性。公共邻居是指两个节点之间的公共节点。中心性是指节点在网络中享有的声望。

参数：

G：图形

NetworkX 无向图。

ebunch：节点对的可迭代，可选(默认 = 无)

将为迭代中给定的每对节点计算优先附件分数。这些对必须以 2 元组 (u, v) 的形式给出，其中 u 和 v 是图中的节点。如果 ebunch 为 None 则将使用图中所有不存在的边。默认值：无。

alpha：为共同邻居参与定义的参数

和中心性算法共享。 alpha 的值通常应介于 0 和 1 之间。默认值设置为 0.8，因为作者发现所有数据集在 0.8 时性能更好。默认值：0.8

返回：

piter：迭代器

(u, v, p) 形式的 3 元组迭代器，其中 (u, v) 是一对节点，p 是它们的公共邻居和基于中心性的参数化算法 (CCPA) 分数。

参考：

1

Ahmad, I., Akhtar, M.U., Noor, S. et al. Missing Link Prediction using Common Neighbor and Centrality based Parameterized Algorithm. Sci Rep 10, 364 (2020). https://doi.org/10.1038/s41598-019-57304-y

例子：

>>> G = nx.complete_graph(5)
>>> preds = nx.common_neighbor_centrality(G, [(0, 1), (2, 3)])
>>> for u, v, p in preds:
...     print(f"({u}, {v}) -> {p}")
(0, 1) -> 3.4000000000000004
(2, 3) -> 3.4000000000000004