Python NetworkX simrank_similarity用法及代码示例

返回图中节点的 SimRank 相似度 G 。

SimRank 是一个相似性度量，表示“如果两个对象被相似对象引用，则认为它们相似。” [1]。

论文中的pseudo-code定义是：

def simrank(G, u, v):
    in_neighbors_u = G.predecessors(u)
    in_neighbors_v = G.predecessors(v)
    scale = C / (len(in_neighbors_u) * len(in_neighbors_v))
    return scale * sum(simrank(G, w, x)
                       for w, x in product(in_neighbors_u,
                                           in_neighbors_v))

其中G 是图形，u 是源，v 是目标，C 是介于 0 和 1 之间的浮点衰减或重要性因子。

用于确定节点相似度的SimRank算法在[2]中定义。

参数：

G：NetworkX 图

NetworkX 图

source：节点

如果指定，则返回的字典将图中的每个节点 v 映射到 source 和 v 之间的相似性。

target：节点

如果同时指定source和target，则返回source和target之间的相似度值。如果指定了 target 但未指定 source，则忽略此参数。

importance_factor：浮点数

间接邻居相对于直接邻居的相对重要性。

max_iterations：整数

最大迭代次数。

tolerance：浮点数

用于检查收敛性的容错。当算法的迭代发现没有相似度值变化超过这个量时，算法停止。

返回：

similarity：字典或浮点数

如果 source 和 target 都是 None ，则返回字典字典，其中键是节点对，值是节点对的相似性。

如果source 不是None 但target 是，这将返回字典映射节点到source 和该节点的相似性。

如果 source 和 target 都不是 None ，则返回给定节点对的相似度值。

参考：

1

https://en.wikipedia.org/wiki/SimRank

2

G. Jeh and J. Widom. “SimRank: a measure of structural-context similarity”, In KDD’02: Proceedings of the Eighth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp. 538-543. ACM Press, 2002.

例子：

>>> G = nx.cycle_graph(2)
>>> nx.simrank_similarity(G)
{0: {0: 1.0, 1: 0.0}, 1: {0: 0.0, 1: 1.0}}
>>> nx.simrank_similarity(G, source=0)
{0: 1.0, 1: 0.0}
>>> nx.simrank_similarity(G, source=0, target=0)
1.0

该函数的结果可以通过使用图的节点顺序来确定哪些行和列代表每个节点，可以转换为表示SimRank矩阵的numpy数组。节点的其他排序也是可能的。

>>> import numpy as np
>>> sim = nx.simrank_similarity(G)
>>> np.array([[sim[u][v] for v in G] for u in G])
array([[1., 0.],
       [0., 1.]])
>>> sim_1d = nx.simrank_similarity(G, source=0)
>>> np.array([sim[0][v] for v in G])
array([1., 0.])