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:math:Gamma(u)`表示:math:`u`的邻居集合，:math:Gamma(v)`表示:math:v`的邻居集合，:math:alpha`是一个在[0,1]之间的参数，:math:`N`表示图中的节点总数，:math:`{d}_{uv}`表示:math:`u`和:math:`v`之间的最短距离。

该算法基于节点的两个重要属性，即共同邻居的数量和它们的中心性。共同邻居指的是两个节点之间的共同节点。中心性指的是一个节点在网络中享有的声望。

See also

common_neighbors()

Parameters:
G图

无向网络X图。

ebunch节点对的可迭代对象，可选（默认 = None）

优先连接分数将针对可迭代对象中给出的每对节点进行计算。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，则图中所有不存在的边都将被使用。默认值：None。

alpha共同邻居和中心性算法参与度的参数定义。alpha的值通常应在0和1之间。默认值设置为0.8，因为作者发现在所有数据集中0.8的性能更好。

默认值：0.8

Returns:
piter迭代器

一个形式为（u, v, p）的3元组迭代器，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。

Raises:
NetworkXNotImplemented

如果 G 是 DiGraph 、 Multigraph 或 MultiDiGraph 。

NetworkXAlgorithmError

如果 ebunch 或 G （如果 ebunch 为None）中存在自环。

NodeNotFound

如果 ebunch 中有一个节点不在 G 中。

References

[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

Examples

>>> 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
On this page