ra_index_soundarajan_hopcroft#

使用社区信息计算 ebunch 中所有节点对的资源分配指数。

对于两个节点 \(u\) 和 \(v\)，此函数仅考虑与 \(u\) 和 \(v\) 属于同一社区的共同邻居来计算资源分配指数。数学上，

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

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，且 \(\Gamma(u)\) 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 = None)

将为可迭代对象中给定的每一对节点计算分数。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，则将使用图中所有不存在的边。默认值：None。

community字符串，可选 (默认 = ‘community’)

包含社区信息的节点属性名称。G[u][community] 用于识别 u 属于哪个社区。每个节点至多属于一个社区。默认值：‘community’。

返回:
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 是它们的分数。

引发:
NetworkXNotImplemented

如果 G 是 DiGraph、Multigraph 或 MultiDiGraph。

NetworkXAlgorithmError

如果在 ebunch 或 G 中（如果 ebunch 是 None）有节点没有可用的社区信息。

NodeNotFound

如果 ebunch 包含不在 G 中的节点。

参考文献

[1]

Sucheta Soundarajan 和 John Hopcroft。利用社区信息提高链接预测方法的精度。刊于：Proceedings of the 21st international conference companion on World Wide Web (WWW ‘12 Companion)。ACM 出版，地点：New York, NY, USA，页码：607-608。http://doi.acm.org/10.1145/2187980.2188150

示例

>>> G = nx.Graph()
>>> G.add_edges_from([(0, 1), (0, 2), (1, 3), (2, 3)])
>>> G.nodes[0]["community"] = 0
>>> G.nodes[1]["community"] = 0
>>> G.nodes[2]["community"] = 1
>>> G.nodes[3]["community"] = 0
>>> preds = nx.ra_index_soundarajan_hopcroft(G, [(0, 3)])
>>> for u, v, p in preds:
...     print(f"({u}, {v}) -> {p:.8f}")
(0, 3) -> 0.50000000
在本页上