cn_soundarajan_hopcroft#

计算 ebunch 中所有节点对的共同邻居数量

使用社区信息。

对于两个节点 \(u\) 和 \(v\)，此函数计算共同邻居的数量，并为属于与 \(u\) 和 \(v\) 相同社区的每个共同邻居额外加一。数学上表示为：

\[|\Gamma(u) \cap \Gamma(v)| + \sum_{w \in \Gamma(u) \cap \Gamma(v)} f(w)\]

其中如果 \(w\) 与 \(u\) 和 \(v\) 属于同一社区，则 \(f(w)\) 等于 1，否则等于 0；\(\Gamma(u)\) 表示 \(u\) 的邻居集合。

参数:
G图

一个 NetworkX 无向图。

ebunch节点对的可迭代对象，可选 (默认为 None)

将为可迭代对象中给定的每对节点计算得分。节点对必须以 2 元组 (u, v) 的形式给出，其中 u 和 v 是图中的节点。如果 ebunch 为 None，则将使用图中的所有不存在的边。默认值：None。

community字符串，可选 (默认为 'community')

包含社区信息的节点属性名称。G[u][community] 表示节点 u 所属的社区。每个节点最多属于一个社区。默认值：'community'。

返回值:
piter迭代器

一个包含 3 元组 (u, v, p) 的迭代器，其中 (u, v) 是一对节点，p 是它们的得分。

抛出异常:
NetworkXNotImplemented

如果 G 是 DiGraph、Multigraph 或 MultiDiGraph。

NetworkXAlgorithmError

如果在 ebunch 或 G (如果 ebunch 为 None) 中某个节点没有社区信息。

NodeNotFound

如果 ebunch 中有节点不在 G 中。

参考文献

[1]

Sucheta Soundarajan 和 John Hopcroft。利用社区信息改进链接预测方法的准确性。发表于：Proceedings of the 21st international conference companion on World Wide Web (WWW ‘12 Companion)。ACM，纽约，纽约州，美国，607-608 页。http://doi.acm.org/10.1145/2187980.2188150

示例

>>> G = nx.path_graph(3)
>>> G.nodes[0]["community"] = 0
>>> G.nodes[1]["community"] = 0
>>> G.nodes[2]["community"] = 0
>>> preds = nx.cn_soundarajan_hopcroft(G, [(0, 2)])
>>> for u, v, p in preds:
...     print(f"({u}, {v}) -> {p}")
(0, 2) -> 2
在本页