Python NetworkX ra_index_soundarajan_hopcroft用法及代码示例

使用社区信息计算 ebunch 中所有节点对的资源分配 index 。

对于两个节点 \(u\) 和 \(v\) ，此函数计算资源分配索引，仅考虑与 \(u\) 和 \(v\) 属于同一社区的公共邻居。数学上，

其中 \(f(w)\) 等于 1 如果 \(w\) 与 \(u\) 和 \(v\) 属于同一社区，否则为 0 并且 \(\Gamma(u)\) 表示 \(u\) 的邻居集。

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。

community：字符串，可选(默认 = ‘community’)

包含社区信息的节点属性名称。 G[u][community] 标识 u 属于哪个社区。每个节点最多属于一个社区。默认值：‘community’。

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 是它们的分数。

参考：

1

Sucheta Soundarajan and John Hopcroft. Using community information to improve the precision of link prediction methods. In Proceedings of the 21st international conference companion on World Wide Web (WWW ‘12 Companion). ACM, New York, NY, USA, 607-608. http://doi.acm.org/10.1145/2187980.2188150

例子：

>>> G = nx.Graph()
>>> G.add_edges_from([(0, 1), (0, 2), (1, 3), (2, 3)])
>>> G.nodes[0]["community"] = 0
>>> G.nodes[1]["community"] = 0
>>> G.nodes[2]["community"] = 1
>>> G.nodes[3]["community"] = 0
>>> preds = nx.ra_index_soundarajan_hopcroft(G, [(0, 3)])
>>> for u, v, p in preds:
...     print(f"({u}, {v}) -> {p:.8f}")
(0, 3) -> 0.50000000