蓝砂石的博客

import networkx as nxG = nx.read_edgelist("jazz.txt")d =dict(G.degree())k = 0k2 = 0for i in d: k += d[i] k2 += d[i] ** 2print(k/(k2-k))

import networkx as nximport gcimport matplotlib.pyplot as pltimport numpy as npimport pandas as pdimport timeimport osdef get_neigbors(g, node, depth=1): output = {} layers = dict(nx.bfs_successors(g, source=node, depth_limit=depth))

一.算法介绍使用DeepWalk和kshell计算节点重要性。本次复现实在deepwalk源码上进行的复现，只更改了main文件，把下边的代码替换掉原来的main，再把源码中python2的代码改成python3的就可以运行二.main文件代码#! /usr/bin/env python# -*- coding: utf-8 -*-import osimport sysimport randomfrom io import openfrom argparse import Argum

kendall是用SIR真实的影响力排序，与自己算法的排序进行比较，kendall系数越接近1代表排序结果越准确，但我在实验中发现，使用度中心得到的kendall系数和论文中的对不上，而且差的太多，论文中是0.8，我的实验结果是0.2。......

一.肯德尔相关系数二.单调值分析法三.最短路径算法四.SIR传播范围

文献：Weighted kshell degree neighborhood: A new method for identifying the influential spreaders from a variety of complex network connectivity structures

如果图有10个节点，就需要10个维度的one-hot向量缺点：节点多的化向量的长度比较大，one-hot会丢失一些节点的信息Graph Embedding优点，简化节点特征长度，保留了一些节点在图上的信息deepwalk 为了无监督的计算每个节点的embedding，联想到word embedding 它也是无监督计算词的表征，但需要一些语料，图上没有有序的语料，采用随机游走得到图上语料的连续信息https://www.bilibili.com/video/BV1K5411H7EQ?p=5...

特征向量中心性

实现k-shell代码def kshell(graph): importance_dict = {} ks = 1 while graph.nodes(): temp = [] node_degrees_dict = {} for i in G.degree(): node_degrees_dict[i[0]]=i[1] kks = min(node_degrees_dict.values.

一.介绍k-shell算法中很多节点的kshell值相同，无法区分它们的重要性，因此对k-shell算法进行了改进，提出了IKS算法二.算法思路熵是用来表示信息的不确定性，熵越大表示信息的不确定性越大。这篇文章将熵扩展到了复杂网络中，称为节点信息熵。节点信息熵越大，节点影响力越大。是对每个shell中的节点用信息熵排序，再重复从每个shell中取熵最大的节点。三.公式令节点viv_{i}vi​的度为kik_{i}ki​，节点viv_{i}vi​的重要性 lil_{i}li​:li=ki∑