Python NetworkX spectral_graph_forge用法及代码示例

返回一个随机简单图，其频谱类似于 G

该算法称为 Spectral Graph Forge (SGF)，计算给定图邻接矩阵的特征向量，过滤它们并构建具有相似特征结构的随机图。 SGF 已被证明对于合成现实的社交网络特别有用，它也可用于匿名化图形敏感数据。

参数：

G：图形

alpha：浮点数

表示要考虑的 G 的特征向量百分比的比率，值在 [0,1] 中。

transformation：字符串，可选

表示预期的矩阵线性变换，可能的值为‘identity’和‘modularity’

seed：整数、random_state 或无(默认)

numpy 随机数生成状态的指示符。请参阅随机性。

返回：

H：图形

具有与输入图相似的特征向量结构的图。

抛出：

NetworkXError

如果转换的值不同于‘identity’或‘modularity’

注意：

Spectral Graph Forge (SGF) 生成一个随机的简单图，类似于给定图的全局属性。它利用由 alpha 精度参数驱动的关联邻接矩阵的低秩近似。 SGF 保留输入图的节点数量及其顺序。这样，输出图的节点类似于输入图的属性，并且可以直接映射属性。

它考虑了可以选择转换为其他对称实矩阵的图邻接矩阵(当前转换选项包括 identity 和 modularity )。 modularity 转换，在纽曼模块化矩阵的意义上允许关注图的社区结构相关属性。

SGF 应用低秩近似，其固定秩是根据输入图邻接矩阵维度的比率 alpha 计算的。此步骤对输入特征向量执行类似于电信中常见的低通滤波的滤波。

过滤后的值(截断后)用作伯努利采样的输入，用于构建随机邻接矩阵。

参考：

1

L. Baldesi、C. T. Butts、A. Markopoulou，“频谱图锻造：图生成目标模块化”，IEEE Infocom，'18。 https://arxiv.org/abs/1801.01715

2

M. Newman，“网络：介绍”，牛津大学出版社，2010

例子：

>>> G = nx.karate_club_graph()
>>> H = nx.spectral_graph_forge(G, 0.3)
>>>