Python NetworkX spectral_graph_forge用法及代碼示例

返回一個隨機簡單圖，其頻譜類似於 G

該算法稱為 Spectral Graph Forge (SGF)，計算給定圖鄰接矩陣的特征向量，過濾它們並構建具有相似特征結構的隨機圖。 SGF 已被證明對於合成現實的社交網絡特別有用，它也可用於匿名化圖形敏感數據。

參數：

G：圖形

alpha：浮點數

表示要考慮的 G 的特征向量百分比的比率，值在 [0,1] 中。

transformation：字符串，可選

表示預期的矩陣線性變換，可能的值為‘identity’和‘modularity’

seed：整數、random_state 或無(默認)

numpy 隨機數生成狀態的指示符。請參閱隨機性。

返回：

H：圖形

具有與輸入圖相似的特征向量結構的圖。

拋出：

NetworkXError

如果轉換的值不同於‘identity’或‘modularity’

注意：

Spectral Graph Forge (SGF) 生成一個隨機的簡單圖，類似於給定圖的全局屬性。它利用由 alpha 精度參數驅動的關聯鄰接矩陣的低秩近似。 SGF 保留輸入圖的節點數量及其順序。這樣，輸出圖的節點類似於輸入圖的屬性，並且可以直接映射屬性。

它考慮了可以選擇轉換為其他對稱實矩陣的圖鄰接矩陣(當前轉換選項包括 identity 和 modularity )。 modularity 轉換，在紐曼模塊化矩陣的意義上允許關注圖的社區結構相關屬性。

SGF 應用低秩近似，其固定秩是根據輸入圖鄰接矩陣維度的比率 alpha 計算的。此步驟對輸入特征向量執行類似於電信中常見的低通濾波的濾波。

過濾後的值(截斷後)用作伯努利采樣的輸入，用於構建隨機鄰接矩陣。

參考：

1

L. Baldesi、C. T. Butts、A. Markopoulou，“頻譜圖鍛造：圖生成目標模塊化”，IEEE Infocom，'18。 https://arxiv.org/abs/1801.01715

2

M. Newman，“網絡：介紹”，牛津大學出版社，2010

例子：

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