ra_index_soundarajan_hopcroft#

使用社区信息计算ebunch中所有节点对的资源分配索引。

对于两个节点 \(u\) 和 \(v\) ，此函数计算资源分配指数时只考虑属于相同社区的公共邻居 \(u\) 和 \(v\) 。从数学上讲，

\[\和w \ in \ gamma（u \ cap \ gamma（v）\ frac f（w）\ gamma（w）\]

哪里 \(f(w)\) 等于1，如果 \(w\) 属于同一个社区，与 \(u\) 和 \(v\) 否则为0，否则为 \(\Gamma(u)\) 的邻居集。 \(u\) 。

参数
G图表

网络X无向图。

ebunch节点对的可迭代，可选(默认=无)

将为迭代表中给出的每对节点计算分数。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，则将使用图形中所有不存在的边。默认值：无。

community字符串，可选(默认为‘社区’)

包含社区信息的节点属性名称。G [u] [社区] 标识您属于哪个社区。每个节点最多属于一个社区。缺省值：‘社区’。

返回
piter迭代器

形式为(u，v，p)的3元组的迭代器，其中(u，v)是一对节点，p是它们的分数。

工具书类

1

Sucheta Soundarajan和John Hopcroft。利用社区信息提高链路预测方法的精度。在《第21届国际会议论文集：万维网伙伴》（www'12 companion）。ACM，纽约，纽约，美国，607-608。http://doi.acm.org/10.1145/2187980.2188150

实例

>>> 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