Python NetworkX common_neighbor_centrality用法及代碼示例

返回每對節點的 CCPA 分數。

計算 ebunch 中所有節點對的基於公共鄰居和中心性的參數化算法 (CCPA) 分數。

u 和 v 的 CCPA 分數定義為

其中\(\Gamma(u)\)表示\(u\)的鄰居集，\(\Gamma(v)\)表示\(v\)的鄰居集，\(\alpha\)是參數在[0,1]之間變化，\(N\)表示節點總數圖表和 \({d}_{uv}\) 表示 \(u\) 和 \(v\) 之間的最短距離。

該算法基於節點的兩個重要屬性，即共同鄰居的數量及其中心性。公共鄰居是指兩個節點之間的公共節點。中心性是指節點在網絡中享有的聲望。

參數：

G：圖形

NetworkX 無向圖。

ebunch：節點對的可迭代，可選(默認 = 無)

將為迭代中給定的每對節點計算優先附件分數。這些對必須以 2 元組 (u, v) 的形式給出，其中 u 和 v 是圖中的節點。如果 ebunch 為 None 則將使用圖中所有不存在的邊。默認值：無。

alpha：為共同鄰居參與定義的參數

和中心性算法共享。 alpha 的值通常應介於 0 和 1 之間。默認值設置為 0.8，因為作者發現所有數據集在 0.8 時性能更好。默認值：0.8

返回：

piter：迭代器

(u, v, p) 形式的 3 元組迭代器，其中 (u, v) 是一對節點，p 是它們的公共鄰居和基於中心性的參數化算法 (CCPA) 分數。

參考：

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