common_neighbor_centrality#

返回每对节点的 CCPA 分数。

计算 ebunch 中所有节点对的基于共同邻居和中心性的参数化算法 (CCPA) 分数。

u 和 v 的 CCPA 分数定义为

\[\alpha \cdot (|\Gamma (u){\cap }^{}\Gamma (v)|)+(1-\alpha )\cdot \frac{N}{{d}_{uv}}\]

其中 \(\Gamma(u)\) 表示 \(u\) 的邻居集合，\(\Gamma(v)\) 表示 \(v\) 的邻居集合，\(\alpha\) 是在 [0,1] 之间变化的参数，\(N\) 表示图中的总节点数，\({d}_{uv}\) 表示 \(u\) 和 \(v\) 之间的最短距离。

该算法基于节点的两个关键属性：共同邻居的数量和它们的中心性。共同邻居指两个节点共有的节点。中心性指节点在网络中享有的声望或影响力。

另请参阅

common_neighbors()

参数:
G图

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共同邻居和中心性分数。这些对必须以 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，则将使用图中所有不存在的边。默认值：None。

alpha定义共同邻居

和中心性算法贡献比例的参数。alpha 的值通常应在 0 到 1 之间。默认值设置为 0.8，因为作者发现对于所有数据集，0.8 时性能更好。默认值：0.8

返回:
piter迭代器

一个由 3 元组组成的迭代器，形式为 (u, v, p)，其中 (u, v) 是一对节点，p 是它们的基于共同邻居和中心性的参数化算法 (CCPA) 分数。

引发:
NetworkXNotImplemented

如果 G 是 DiGraph、Multigraph 或 MultiDiGraph。

NetworkXAlgorithmError

如果在 ebunch 或 G 中存在自环（如果 ebunch 为 None）。

NodeNotFound

如果 ebunch 中有不在 G 中的节点。

参考文献

[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

示例

>>> 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
在本页