- c - 在位数组中找到第一个零
- linux - Unix 显示有关匹配两种模式之一的文件的信息
- 正则表达式替换多个文件
- linux - 隐藏来自 xtrace 的命令
我想知道我们如何使用 python 模块 networkX
来实现 SimRank比较2个节点的相似度?我知道 networkX
提供了查看邻居的方法,以及链接分析算法(例如 PageRank 和 HITS),但是有用于 SimRank 的方法吗?
示例,教程也欢迎!
最佳答案
更新我实现了一个 networkx_addon 库。 SimRank 包含在库中。查看:https://github.com/hhchen1105/networkx_addon了解详情。
示例用法:
>>> import networkx
>>> import networkx_addon
>>> G = networkx.Graph()
>>> G.add_edges_from([('a','b'), ('b','c'), ('a','c'), ('c','d')])
>>> s = networkx_addon.similarity.simrank(G)
您可以通过以下方式获得两个节点(例如,节点“a”和节点“b”)之间的相似度得分
>>> print s['a']['b']
SimRank 是一种顶点相似性度量。它基于拓扑计算图上两个节点之间的相似度,即图的节点和链接。为了说明 SimRank,让我们考虑下图,其中 a、b、c 相互连接,d 连接到 d。节点a与节点d的相似程度取决于a的邻居节点b和c,类似于d的邻居c。
+-------+
| |
a---b---c---d
正如所见,这是一个递归定义。因此,递归计算 SimRank,直到相似度值收敛。请注意,SimRank 引入了一个常量 r 来表示间接邻居和直接邻居之间的相对重要性。可以找到 SimRank 的形式方程 here .
以下函数以networkx图$G$和相对重要性参数r为输入,返回中任意两个节点之间的simrank相似度值sim>G。返回值sim 是一个float 字典的字典。要访问图 G 中节点 a 和节点 b 之间的相似性,可以简单地访问 sim[a][b]。
def simrank(G, r=0.9, max_iter=100):
# init. vars
sim_old = defaultdict(list)
sim = defaultdict(list)
for n in G.nodes():
sim[n] = defaultdict(int)
sim[n][n] = 1
sim_old[n] = defaultdict(int)
sim_old[n][n] = 0
# recursively calculate simrank
for iter_ctr in range(max_iter):
if _is_converge(sim, sim_old):
break
sim_old = copy.deepcopy(sim)
for u in G.nodes():
for v in G.nodes():
if u == v:
continue
s_uv = 0.0
for n_u in G.neighbors(u):
for n_v in G.neighbors(v):
s_uv += sim_old[n_u][n_v]
sim[u][v] = (r * s_uv / (len(G.neighbors(u)) * len(G.neighbors(v))))
return sim
def _is_converge(s1, s2, eps=1e-4):
for i in s1.keys():
for j in s1[i].keys():
if abs(s1[i][j] - s2[i][j]) >= eps:
return False
return True
要计算上图中节点之间的相似度值,你可以试试这个。
>> G = networkx.Graph()
>> G.add_edges_from([('a','b'), ('b', 'c'), ('c','a'), ('c','d')])
>> simrank(G)
你会得到
defaultdict(<type 'list'>, {'a': defaultdict(<type 'int'>, {'a': 0, 'c': 0.62607626807407868, 'b': 0.65379221101693585, 'd': 0.7317028881451203}), 'c': defaultdict(<type 'int'>, {'a': 0.62607626807407868, 'c': 0, 'b': 0.62607626807407868, 'd': 0.53653543888775579}), 'b': defaultdict(<type 'int'>, {'a': 0.65379221101693585, 'c': 0.62607626807407868, 'b': 0, 'd': 0.73170288814512019}), 'd': defaultdict(<type 'int'>, {'a': 0.73170288814512019, 'c': 0.53653543888775579, 'b': 0.73170288814512019, 'd': 0})})
让我们通过计算节点 a 和节点 b 之间的相似性来验证结果,用 S(a,b) 表示。
S(a,b) = r * (S(b,a)+S(b,c)+S(c,a)+S(c,c))/(2*2) = 0.9 * (0.6538+0.6261+0.6261+1)/4 = 0.6538,
这与我们上面计算的 S(a,b) 相同。
有关更多详细信息,您可能需要查看以下论文:
G. Jeh 和 J. Widom。 SimRank:结构上下文相似性的度量。在 KDD'02 第 538-543 页。 ACM 出版社, 2002.
关于python - 使用 NetworkX 计算 SimRank?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/9767773/
我知道网上有一些关于 SimRank 的资源,但我找不到任何代码来为 Jung Graph 实现 SimRank。基本上,在无向图中,2 个节点之间的 SimRank 相似度定义如下 然后我有一个ju
我想知道我们如何使用 python 模块 networkX 来实现 SimRank比较2个节点的相似度?我知道 networkX 提供了查看邻居的方法,以及链接分析算法(例如 PageRank 和 H
我是一名优秀的程序员,十分优秀!