Python NetworkX optimize_graph_edit_distance用法及代码示例

返回图形 G1 和 G2 之间的 GED(图形编辑距离)的连续近似值。

图形编辑距离是一种图形相似性度量，类似于字符串的 Levenshtein 距离。它被定义为将图 G1 转换为与 G2 同构的图的编辑路径(节点和边编辑操作的序列)的最小成本。

参数：

G1, G2: graphs：

两个图形 G1 和 G2 必须属于同一类型。

node_match：可调用的

如果在匹配期间应将 G1 中的节点 n1 和 G2 中的 n2 视为相等，则返回 True 的函数。

该函数将被称为

node_match(G1.nodes[n1], G2.nodes[n2])。

也就是说，该函数将接收 n1 和 n2 的节点属性字典作为输入。

如果指定了node_subst_cost，则忽略。如果既没有指定node_match 也没有指定node_subst_cost，则不考虑节点属性。

edge_match：可调用的

如果 G1 中的节点对 (u1, v1) 和 G2 中的 (u2, v2) 的边属性字典在匹配期间应被视为相等，则返回 True 的函数。

该函数将被称为

edge_match(G1[u1][v1], G2[u2][v2])。

也就是说，该函数将接收正在考虑的边的边属性字典。

如果指定了edge_subst_cost，则忽略。如果既没有指定edge_match 也没有指定edge_subst_cost，则不考虑边属性。

node_subst_cost, node_del_cost, node_ins_cost：可调用的

分别返回节点替换、节点删除和节点插入成本的函数。

这些函数将被称为

node_subst_cost(G1.nodes[n1], G2.nodes[n2]), node_del_cost(G1.nodes[n1]), node_ins_cost(G2.nodes[n2])。

也就是说，函数将接收节点属性字典作为输入。这些函数应返回正数值。

如果指定，函数 node_subst_cost 会覆盖 node_match。如果既没有指定node_match 也没有指定node_subst_cost，则使用默认节点替换成本 0(匹配期间不考虑节点属性)。

如果未指定node_del_cost，则使用默认节点删除成本 1。如果未指定node_ins_cost，则使用默认节点插入成本 1。

edge_subst_cost, edge_del_cost, edge_ins_cost：可调用的

分别返回边替换、边删除和边插入成本的函数。

这些函数将被称为

edge_subst_cost(G1[u1][v1], G2[u2][v2]), edge_del_cost(G1[u1][v1]), edge_ins_cost(G2[u2][v2])。

也就是说，函数将接收边属性字典作为输入。这些函数应返回正数值。

如果指定，函数 edge_subst_cost 会覆盖 edge_match。如果既没有指定 edge_match 也没有指定 edge_subst_cost，则使用默认的边替换成本 0(匹配期间不考虑边属性)。

如果未指定edge_del_cost，则使用默认的边删除成本 1。如果未指定edge_ins_cost，则使用默认的边插入成本 1。

upper_bound：数字

要考虑的最大编辑距离。

返回：

图形编辑距离的连续近似值的生成器。

参考：

1

Zeina Abu-Aisheh, Romain Raveaux, Jean-Yves Ramel, Patrick Martineau. An Exact Graph Edit Distance Algorithm for Solving Pattern Recognition Problems. 4th International Conference on Pattern Recognition Applications and Methods 2015, Jan 2015, Lisbon, Portugal. 2015, <10.5220/0005209202710278>. <hal-01168816> https://hal.archives-ouvertes.fr/hal-01168816

例子：

>>> G1 = nx.cycle_graph(6)
>>> G2 = nx.wheel_graph(7)
>>> for v in nx.optimize_graph_edit_distance(G1, G2):
...     minv = v
>>> minv
7.0