Python 链接预测 – 使用Networkx预测网络中的边缘

链接预测是网络分析领域的关键思想。它涉及预测网络节点之间建立链接的潜力。作为网络分析的有效工具，包括链接预测任务在内，Python的NetworkX模块是一个强大的工具。本详细教程将向您展示如何使用NetworkX来预测链接，并提供简洁易懂的示例。

链接预测简介

网络或图中的节点代表实体，而这些节点之间的边缘或链接反映了它们之间的关系。链接预测利用网络的当前拓扑结构来预测节点之间的潜在链接。链接预测具有各种用途，例如预测社交网络中的社交关系和合著网络中的研究者合作。

开始使用NetworkX

在进行链接预测之前，请确保已安装NetworkX库。如果没有安装，请使用pip安装。

pip install networkx

为了进行链接预测，我们还需要安装numpy和pandas库：

pip install numpy pandas

NetworkX中网络创建的基础知识

让我们从在NetworkX中创建一个基本的网络开始-

import networkx as nx

# Create an empty graph
G = nx.Graph()

# Add nodes
G.add_node(1)
G.add_node(2)
G.add_node(3)

# Add edges
G.add_edge(1, 2)
G.add_edge(1, 3)

# Draw the graph
nx.draw(G, with_labels=True)

这个简单的网络只有三个节点和两条边。

在NetworkX中进行链接预测

为了进行链接预测，NetworkX提供了多个函数。它们基于不同的方法和理论。

示例1：共同邻居

使用共同邻居是一种简单的链接预测方法。它意味着如果两个节点有很多共同邻居，它们更有可能创建一个链接。

# Create a graph
G = nx.complete_graph(5)
G.remove_edge(1, 3)

# Perform link prediction
preds = nx.common_neighbors(G, 1, 3)
print(len(list(preds)))  # Output: 3

这里，我们添加了五个节点，并消除了一条边来构建一个完全图（一个网络中，每对节点之间都通过直接边连接）。根据共享邻居的数量，我们预测这个缺失的链接。

示例2：Jaccard系数

通过将共享邻居的数量除以总邻居数来计算Jaccard系数，该系数评估了边的可能性。

# Create a graph
G = nx.complete_graph(5)
G.remove_edge(1, 3)

# Perform link prediction
preds = nx.jaccard_coefficient(G, [(1, 3)])
for u, v, p in preds:
   print(f'({u}, {v}) -> {p}')  # Output: (1, 3) -> 0.6

在这个例子中，计算了删除的边的Jaccard系数。

示例3：优先连接

根据优先连接的理论，具有高度（更多连接）的节点更有可能在未来相互连接。

# Create a graph
G = nx.complete_graph(5)
G.remove_edge(1, 3)

# Perform link prediction
preds = nx.preferential_attachment(G, [(1, 3)])
for u, v, p in preds:
   print(f'({u}, {v}) -> {p}')  # Output: (1, 3) -> 12

在本例中，计算了被删除的边的优先附加分数。

示例4：Adamic/Adar指数

与共同邻居相似，Adamic/Adar指数对具有较高度数的节点给予较少的重视。

# Create a graph
G = nx.complete_graph(5)
G.remove_edge(1, 3)

# Perform link prediction
preds = nx.adamic_adar_index(G, [(1, 3)])
for u, v, p in preds:
   print(f'({u}, {v}) -> {p}')  # Output: (1, 3) -> 1.8204784532536746

在这种情况下，计算了被消除的边缘所知的十进制值，该值被称为Adamic / Adar指数。

示例5：资源分配指数

另一个根据两个节点的共享邻居创建得分的度量标准是资源分配指数。

# Create a graph
G = nx.complete_graph(5)
G.remove_edge(1, 3)

# Perform link prediction
preds = nx.resource_allocation_index(G, [(1, 3)])
for u, v, p in preds:
   print(f'({u}, {v}) -> {p}')  # Output: (1, 3) -> 0.6666666666666666

这里计算了被移除的边的资源分配指数。