图神经网络
作者:互联网
图与节点的基本
图直径:
图中所有的两两节点他们的最短路径的最大值。·
节点的度中心性:
公式Ndegree/(n-1) 也就是该节点的度/(全部的节点-1)
节点的特征向量中心性Eigenvector Centrality:
如果一个节点连接的度越多,其特征向量中心性越大。
中介中心性Betweenness Centrality :
经过该节点的最短路径/其余两两节点的最短路径。
先来看曹操的betweenness的计算,分子的第一项:蔡文姬出发到甄姬的最短路径没有经过曹操,所以为0,假设蔡文姬出发去周瑜的最短路径经过曹操所以为1,从蔡文姬出发去夏侯惇的最短路径经过曹操所以为1,从蔡文姬出发前往典韦的最短路径有两条(都是要经过一个人才到)里面有一条是经过曹操的所以其为0.5,所以分子的第一项为(0+1+1+0.5)。分子的第二项:从甄姬出发到蔡文姬的最短路径不经过曹操所以为0,从甄姬出发到典韦的最短路径不经过曹操所以为0,从甄姬出发到周瑜的最短路径经过曹操所以其为1,从甄姬出发到夏侯惇的最短路径经过曹操,所以其为1,所以分子的第二项为(0+0+1+1)。后面的也是同样来类推。来看分母,先是蔡文姬去除了曹操以外的所有人总共有4条最短路径,除了曹操之外总共有5个人,所以分母为5*4
连接中心性closeness
计算曹操的closeness:分子是全部节点的个数-1,任意两个节点之间的距离为1,曹操到任意的其他5个人的距离均是为1,所以分母为5。
再计算甄姬的closeness:分子是全部节点的个数-1,甄姬到曹操和蔡文姬的最短路径是1,而到典韦,夏侯惇,周瑜都需要经过曹操,所以最短距离是2。
网页排序算法pageRank
如果一个网页被很多其他网页所链接,那么说明他受到普遍的承认和信赖,那么他的排名就高。PR值越高说明该网页越受欢迎(越重要
假设一个由只有4个页面组成的集合:A,B,C和D。如果所有页面都只链向A,那么A的PR(PageRank)值将是B,C及D的和。
换句话说,根据链出总数平分一个页面的PR值。
使用networkx进行计算
import numpy as np import pandas as pd import networkx as nx edges = pd.DataFrame() #使用pd构造dataframe edges["sources"] = [1,1,2,2,3,3,4,4,5,5] #构造源节点列表 edges["targets"] = [2,4,5,3,1,2,5,1,3,4] #构造目标节点列 edges["weights"] = [1,1,1,1,1,1,1,1,1,1] #构造边的权重列 #使用pandas来生成图,比如从1出发到2,权重是1,从1出发到4权重也是1 Graph = nx.from_pandas_edgelist(edges,source="sources",target="targets",edge_attr="weights") print(nx.degree(Graph)) #打印每一个节点的度 print(list(nx.connected_components(Graph))) #打印连通的成分 print(nx.diameter(Graph)) #打印图直径,图上的任意两个相邻的点之间的路径的最大值为图直径 print(nx.degree_centrality(Graph)) #打印度中心性 print(nx.eigenvector_centrality(Graph)) #打印特征向量中心性 print(nx.betweenness_centrality(Graph)) #betweenness_centrality print(nx.closeness_centrality(Graph)) #closeness_centrality print(nx.pagerank(Graph)) #pagerank print(nx.hits(Graph)) #hits
标签:曹操,Graph,路径,nx,神经网络,print,节点 来源: https://www.cnblogs.com/zqh962903415/p/14872875.html