嵌入

圖形嵌入算法。

屬性embedding_指派一個向量給圖形的每個節點。

光譜

類別 sknetwork.embedding.Spectral(n_components: int = 2, decomposition: str = 'rw', regularization: float = -1, normalized: bool = True)[原始碼]

圖形的光譜嵌入，根據拉普拉斯矩陣 \(L = D - A\) 或隨機漫步的轉移矩陣 \(P = D^{-1}A\) (預設值) 的光譜分解，其中 \(D\) 是度數的對角矩陣。

特徵向量會按照特徵值的遞增順序 (適用於拉普拉斯矩陣 \(L\)) 或遞減順序 (適用於隨機漫步的轉移矩陣 \(P\)) 加以考量，跳過第一個特徵向量。

參數:

n_components (int (預設 = 2)) – 嵌入空間的維度。
decomposition (str (laplacian 或 rw，預設值 = rw)) – 用於光譜分解的矩陣。
regularization (float (預設值 = -1)) – 正則化因子 \(\alpha\)，使得鄰接矩陣為 \(A + \alpha \frac{11^T}{n}\)。如果為負值，僅當圖形中斷時，才會套用正則化；正則化因子 \(\alpha\) 隨即設定為該參數的絕對值。
normalized (bool (預設值 = True)) – 如果 True，會將嵌入正規化，以便每個向量的嵌入空間規範為 1，亦即每個向量都位於單位球面上。

變量:

embedding (array, shape = (n, n_components)) – 節點的嵌入式。
embedding_row (array, shape = (n_row, n_components)) – 二部圖的列嵌入式。
embedding_col (array, shape = (n_col, n_components)) – 二部圖的欄嵌入式。
eigenvalues (array, shape = (n_components)) – 特徵值。
eigenvectors (array, shape = (n, n_components)) – 特徵向量。

範例

>>> from sknetwork.embedding import Spectral
>>> from sknetwork.data import karate_club
>>> spectral = Spectral(n_components=3)
>>> adjacency = karate_club()
>>> embedding = spectral.fit_transform(adjacency)
>>> embedding.shape
(34, 3)

參考

Belkin, M. & Niyogi, P. (2003). Laplacian Eigenmaps for Dimensionality Reduction and Data Representation, Neural computation.

fit(input_matrix: csr_matrix | ndarray, force_bipartite: bool = False) → Spectral[source]

計算影像嵌入式。

如果輸入矩陣 \(B\) 不是正方形（例如，二部圖的二鄰接矩陣）或非對稱（例如，有向圖的鄰接矩陣），請使用鄰接矩陣

\(A = \begin{bmatrix} 0 & B \\ B^T & 0 \end{bmatrix}\)

並傳回輸入矩陣 \(B\) 的列和欄的嵌入式。

參數:

input_matrix – 圖的鄰接矩陣或二鄰接矩陣。
force_bipartite (bool (預設值 = False)) – 如果 True，強制將輸入矩陣視為二鄰接矩陣。

傳回:

self

傳回類型:

光譜

fit_transform(*args, **kwargs) → ndarray

擬合資料並傳回嵌入。參數與 fit 方法相同。

傳回:: 嵌入 – 嵌入。
傳回類型:: np.ndarray

get_params()

以字典形式取得參數。

傳回:: params – 演算法的參數。
傳回類型:: dict

predict(columns: bool = False) → ndarray

傳回節點的嵌入。

參數:: columns (bool) – 若為 True，傳回欄位的預測值。
傳回:: embedding_ – 節點的嵌入。
傳回類型:: np.ndarray

set_params(params: dict) → Algorithm

設定演算法的參數。

參數:: params (dict) – 演算法的參數。
傳回:: self
傳回類型:: Algorithm

transform() → ndarray

傳回嵌入。

傳回:: 嵌入 – 嵌入。
傳回類型:: np.ndarray

SVD

類別 sknetwork.embedding.SVD(n_components=2, regularization: 無 | 浮點數 = 無, factor_singular: 浮點數 = 0.0, normalized: 布林值 = 錯誤, solver: 字串 | SVDSolver = 'lanczos')[原始碼]

圖形鄰接或雙鄰接矩陣奇異值分解的圖形嵌入。

參數:

n_components (整數) – 嵌入的維度。
regularization (無 或者浮點數（預設為 無）) – 正則化因子 \(\alpha\)，使矩陣為 \(A + \alpha \frac{11^T}{n}\)。
factor_singular (浮點數 (預設值 = 0.)) –
應用於右奇異向量對奇異值的冪因子 \(\alpha\)。列和欄的嵌入分別為 \(U \Sigma^{1-\alpha}\) 和 \(V \Sigma^\alpha\)，其中：
- \(U\) 是左奇異向量的矩陣，形狀為 (n_row, n_components)
- \(V\) 是右奇異向量的矩陣，形狀為 (n_col, n_components)
- \(\Sigma\) 是奇異對角矩陣值，形狀為 (n_components, n_components)
normalized（布林值，預設＝False）－若True，會正規化嵌入，以使得嵌入空間中每一個向量的範數為 1，亦即每個向量都在單位球上。
solver ('lanczos'（Lanczos 演算法，預設）或SVDSolver（自訂解算器））－使用哪個解算器。

變量:

embedding (array, shape = (n, n_components)) – 節點的嵌入式。
embedding_row (array, shape = (n_row, n_components)) – 二部圖的列嵌入式。
embedding_col (array, shape = (n_col, n_components)) – 二部圖的欄嵌入式。
singular_values（np.ndarray，形狀 =（n_components））－奇異值。
singular_vectors_left（np.ndarray，形狀 =（n_row，n_components））－左奇異向量。
singular_vectors_right（np.ndarray，形狀 =（n_col，n_components））－右奇異向量。

範例

>>> from sknetwork.embedding import SVD
>>> from sknetwork.data import karate_club
>>> svd = SVD()
>>> adjacency = karate_club()
>>> embedding = svd.fit_transform(adjacency)
>>> embedding.shape
(34, 2)

參考

Abdi, H. (2007)。奇異值分解（SVD）與廣義奇異值分解（GSVD）。測量與統計百科全書。

fit(input_matrix: csr_matrix | ndarray) → GSVD

計算圖形的嵌入。

參數:: input_matrix – 圖的鄰接矩陣或二鄰接矩陣。
傳回:: self
傳回類型:: GSVD

fit_transform(*args, **kwargs) → ndarray

擬合資料並傳回嵌入。參數與 fit 方法相同。

傳回:: 嵌入 – 嵌入。
傳回類型:: np.ndarray

get_params()

以字典形式取得參數。

傳回:: params – 演算法的參數。
傳回類型:: dict

predict(adjacency_vectors: csr_matrix | ndarray) → ndarray

預測新列的嵌入，這些列是由其鄰接向量定義。

參數:: adjacency_vectors －節點的鄰接向量。形狀為 (n_col,) 的陣列（單一向量）或 (n_vectors, n_col)
傳回:: embedding_vectors – 節點嵌入。
傳回類型:: np.ndarray

set_params(params: dict) → Algorithm

設定演算法的參數。

參數:: params (dict) – 演算法的參數。
傳回:: self
傳回類型:: Algorithm

transform() → ndarray

傳回嵌入。

傳回:: 嵌入 – 嵌入。
傳回類型:: np.ndarray

GSVD

class sknetwork.embedding.GSVD(n_components=2, regularization: None | float = None, factor_row: float = 0.5, factor_col: float = 0.5, factor_singular: float = 0.0, normalized: bool = True, solver: str | SVDSolver = 'lanczos')[來源]

圖形嵌入採用鄰接矩陣或雙鄰接矩陣 \(A\) 的廣義奇異值分解。這等同於矩陣 \(D_1^{- \alpha_1}AD_2^{- \alpha_2}\) 的奇異值分解，其中 \(D_1, D_2\) 分別是行權重和列權重的對角矩陣，而 \(\alpha_1, \alpha_2\) 則為參數。

參數:

n_components (整數) – 嵌入的維度。
regularization (無 或者浮點數（預設為 無）) – 正則化因子 \(\alpha\)，使矩陣為 \(A + \alpha \frac{11^T}{n}\)。
factor_row (float (預設 = 0.5)) – 應用於行權重對角矩陣的冪因子 \(\alpha_1\)。
factor_col (float (預設 = 0.5)) – 應用於列權重對角矩陣的冪因子 \(\alpha_2\)。
factor_singular (浮點數 (預設值 = 0.)) –
應用於右奇異向量上奇異值的參數 \(\alpha\)。行和列的嵌入分別為 \(D_1^{- \alpha_1}U \Sigma^{1-\alpha}\) 及 \(D_2^{- \alpha_2}V \Sigma^\alpha\)，其中
- \(U\) 是左奇異向量的矩陣，形狀為 (n_row, n_components)
- \(V\) 是右奇異向量的矩陣，形狀為 (n_col, n_components)
- \(\Sigma\) 是奇異對角矩陣值，形狀為 (n_components, n_components)
normalized (bool (預設值 = True)) – 如果 True，會將嵌入正規化，以便每個向量的嵌入空間規範為 1，亦即每個向量都位於單位球面上。
solver ('lanczos'（Lanczos 演算法，預設）或SVDSolver（自訂解算器））－使用哪個解算器。

變量:

embedding (array, shape = (n, n_components)) – 節點的嵌入式。
embedding_row (array, shape = (n_row, n_components)) – 二部圖的列嵌入式。
embedding_col (array, shape = (n_col, n_components)) – 二部圖的欄嵌入式。
singular_values（np.ndarray，形狀 =（n_components））－奇異值。
singular_vectors_left（np.ndarray，形狀 =（n_row，n_components））－左奇異向量。
singular_vectors_right（np.ndarray，形狀 =（n_col，n_components））－右奇異向量。
weights_col (np.ndarray, shape = (n2)) – 應用於列的權重。

範例

>>> from sknetwork.embedding import GSVD
>>> from sknetwork.data import karate_club
>>> gsvd = GSVD()
>>> adjacency = karate_club()
>>> embedding = gsvd.fit_transform(adjacency)
>>> embedding.shape
(34, 2)

參考

Abdi, H. (2007). 奇異值分解 (SVD) 和廣義奇異值分解。測量與統計百科全書，907-912。

fit(input_matrix: csr_matrix | ndarray) → GSVD[source]

計算圖形的嵌入。

參數:: input_matrix – 圖的鄰接矩陣或二鄰接矩陣。
傳回:: self
傳回類型:: GSVD

fit_transform(*args, **kwargs) → ndarray

擬合資料並傳回嵌入。參數與 fit 方法相同。

傳回:: 嵌入 – 嵌入。
傳回類型:: np.ndarray

get_params()

以字典形式取得參數。

傳回:: params – 演算法的參數。
傳回類型:: dict

預測(鄰接向量: 稀疏矩陣 | ndarray) → ndarray[source]

預測新列的嵌入，這些列是由其鄰接向量定義。

參數:: adjacency_vectors －節點的鄰接向量。形狀為 (n_col,) 的陣列（單一向量）或 (n_vectors, n_col)
傳回:: embedding_vectors – 節點嵌入。
傳回類型:: np.ndarray

設定參數(params: 字典) → 演算法

設定演算法的參數。

參數:: params (dict) – 演算法的參數。
傳回:: self
傳回類型:: Algorithm

轉換() → ndarray

傳回嵌入。

傳回:: 嵌入 – 嵌入。
傳回類型:: np.ndarray

PCA

類別 sknetwork.embedding.PCA(n_components=2, 已正規化: 布林 = 錯誤, 求解器: 字串 | SVDSolver = 'lanczos')[source]

透過鄰接或雙鄰接矩陣的主成分分析來嵌入圖。

參數:

n_components (整數) – 嵌入的維度。
normalized（布林值，預設＝False）－若True，會正規化嵌入，以使得嵌入空間中每一個向量的範數為 1，亦即每個向量都在單位球上。
solver ('lanczos'（Lanczos 演算法，預設）或SVDSolver（自訂解算器））－使用哪個解算器。

變量:

embedding (array, shape = (n, n_components)) – 節點的嵌入式。
embedding_row (array, shape = (n_row, n_components)) – 二部圖的列嵌入式。
embedding_col (array, shape = (n_col, n_components)) – 二部圖的欄嵌入式。
singular_values（np.ndarray，形狀 =（n_components））－奇異值。
singular_vectors_left（np.ndarray，形狀 =（n_row，n_components））－左奇異向量。
singular_vectors_right（np.ndarray，形狀 =（n_col，n_components））－右奇異向量。

範例

>>> from sknetwork.embedding import PCA
>>> from sknetwork.data import karate_club
>>> pca = PCA()
>>> adjacency = karate_club()
>>> embedding = pca.fit_transform(adjacency)
>>> embedding.shape
(34, 2)

參考

Jolliffe, I.T. (2002). Principal Component Analysis Series: Springer Series in Statistics.

fit(adjacency: csr_matrix | ndarray) → PCA[source]

計算圖形的嵌入。

參數:: adjacency – 圖形的鄰接或雙鄰接矩陣。
傳回:: self
傳回類型:: PCA

fit_transform(*args, **kwargs) → ndarray

擬合資料並傳回嵌入。參數與 fit 方法相同。

傳回:: 嵌入 – 嵌入。
傳回類型:: np.ndarray

get_params()

以字典形式取得參數。

傳回:: params – 演算法的參數。
傳回類型:: dict

predict(adjacency_vectors: csr_matrix | ndarray) → ndarray

預測新列的嵌入，這些列是由其鄰接向量定義。

參數:: adjacency_vectors －節點的鄰接向量。形狀為 (n_col,) 的陣列（單一向量）或 (n_vectors, n_col)
傳回:: embedding_vectors – 節點嵌入。
傳回類型:: np.ndarray

set_params(params: dict) → Algorithm

設定演算法的參數。

參數:: params (dict) – 演算法的參數。
傳回:: self
傳回類型:: Algorithm

transform() → ndarray

傳回嵌入。

傳回:: 嵌入 – 嵌入。
傳回類型:: np.ndarray

隨機投影

類別 sknetwork.embedding.RandomProjection(n_components: int = 2, alpha: float = 0.5, n_iter: int = 3, random_walk: bool = False, regularization: float = -1, normalized: bool = True, random_state: int | None = None)[source]

基於鄰接矩陣的隨機投射將圖嵌入

\((I + \alpha A +... + (\alpha A)^K)G\)

其中 \(A\) 是鄰接矩陣，\(G\) 是隨機高斯矩陣，\(\alpha\) 是平滑因子，\(K\) 是非負整數。

參數:

n_components (int (預設 = 2)) – 嵌入空間的維度。
alpha (float (預設 = 0.5)) – 平滑參數。
n_iter (int (預設 = 3)) – 鄰接矩陣的冪次迭代次數。
random_walk (bool (預設 = False)) – 如果為 True，使用隨機遊走的轉移矩陣 \(P = D^{-1}A\)，而不是鄰接矩陣。
regularization (float (預設 = -1)) – 正規化因子 \(\alpha\)，因此矩陣為 \(A + \alpha \frac{11^T}{n}\)。如果是負值，則僅在圖形斷開連接時套用正規化（接著等於參數的絕對值）。
normalized (bool (預設 = True)) – 如果為 True，則正規化嵌入，使每個向量在嵌入空間中的範數為 1，亦即，每個向量都位於單位球面上。
random_state (int, optional) – 隨機數產生器所使用的種子。

變量:

embedding (array, shape = (n, n_components)) – 節點的嵌入式。
embedding_row (array, shape = (n_row, n_components)) – 二部圖的列嵌入式。
embedding_col (array, shape = (n_col, n_components)) – 二部圖的欄嵌入式。

範例

>>> from sknetwork.embedding import RandomProjection
>>> from sknetwork.data import karate_club
>>> projection = RandomProjection()
>>> adjacency = karate_club()
>>> embedding = projection.fit_transform(adjacency)
>>> embedding.shape
(34, 2)

參考

Zhang, Z., Cui, P., Li, H., Wang, X., & Zhu, W. (2018). Billion-scale network embedding with iterative random projection, ICDM.

fit(input_matrix: csr_matrix | ndarray, force_bipartite: bool = False) → RandomProjection[source]

計算影像嵌入式。

參數:

input_matrix (sparse.csr_matrix, np.ndarray) – 圖形的鄰接矩陣或雙鄰接矩陣。
force_bipartite (bool (預設值 = False)) – 如果 True，強制將輸入矩陣視為二鄰接矩陣。

傳回:

self

傳回類型:

RandomProjection

fit_transform(*args, **kwargs) → ndarray

擬合資料並傳回嵌入。參數與 fit 方法相同。

傳回:: 嵌入 – 嵌入。
傳回類型:: np.ndarray

get_params()

以字典形式取得參數。

傳回:: params – 演算法的參數。
傳回類型:: dict

predict(columns: bool = False) → ndarray

傳回節點的嵌入。

參數:: columns (bool) – 若為 True，傳回欄位的預測值。
傳回:: embedding_ – 節點的嵌入。
傳回類型:: np.ndarray

set_params(params: dict) → Algorithm

設定演算法的參數。

參數:: params (dict) – 演算法的參數。
傳回:: self
傳回類型:: Algorithm

transform() → ndarray

傳回嵌入。

傳回:: 嵌入 – 嵌入。
傳回類型:: np.ndarray

盧萬

類別 sknetwork.embedding.LouvainEmbedding(解析度: 浮點數 = 1, 模組化: 字串 = 'Dugue', 最佳化公差: 浮點數 = 0.001, 集合公差: 浮點數 = 0.001, 集合數: 整數 = -1, 洗牌節點: 布林值 = False, 隨機狀態: RandomState | 整數 | 無 = None, 孤立節點: 字串 = '移除')[來源]

由 Louvain 群集產生的圖表內嵌。內嵌的每個組件都對應到透過 Louvain 取得的群集。

參數:

解析度 (浮點數) – 解析度參數。
模組化 (字串) – 要最佳化的目標函數。可以為 'Dugue'、'Newman' 或 'Potts'。
tol_optimization – 輸入新的最佳化路徑的目標函數最小增加。
tol_aggregation – 輸入新的聚合路徑的目標函數最小增加。
n_aggregations – 最大聚合數。負值視為無限制。
shuffle_nodes – 最佳化前啟用節點洗牌。
random_state – 隨機數產生器或隨機種子。如果是 None，會使用 numpy.random。
isolated_nodes (str) – 如何處置孤立的欄位節點。可以是 'remove'（預設值）、'merge' 或 'keep'。

變量:

embedding (array, shape = (n, n_components)) – 節點的嵌入式。
embedding_row (array, shape = (n_row, n_components)) – 二部圖的列嵌入式。
embedding_col (array, shape = (n_col, n_components)) – 二部圖的欄嵌入式。
labels_row (np.ndarray) – 列標籤（用來建立欄位的嵌入式）。
labels_col (np.ndarray) – 欄標籤（用來建立列的嵌入式）。

範例

>>> from sknetwork.embedding import LouvainEmbedding
>>> from sknetwork.data import house
>>> louvain = LouvainEmbedding()
>>> adjacency = house()
>>> embedding = louvain.fit_transform(adjacency)
>>> embedding.shape
(5, 2)

fit(input_matrix: csr_matrix, force_bipartite: bool = False)[source]

根據羅浮演算法所得到之群集結果，將圖形嵌入。

參數:

input_matrix – 圖的鄰接矩陣或二鄰接矩陣。
force_bipartite (bool (預設值 = False)) – 如果 True，強制將輸入矩陣視為二鄰接矩陣。

傳回:

self

傳回類型:

BiLouvainEmbedding

fit_transform(*args, **kwargs) → ndarray

擬合資料並傳回嵌入。參數與 fit 方法相同。

傳回:: 嵌入 – 嵌入。
傳回類型:: np.ndarray

get_params()

以字典形式取得參數。

傳回:: params – 演算法的參數。
傳回類型:: dict

predict(columns: bool = False) → ndarray

傳回節點的嵌入。

參數:: columns (bool) – 若為 True，傳回欄位的預測值。
傳回:: embedding_ – 節點的嵌入。
傳回類型:: np.ndarray

set_params(params: dict) → Algorithm

設定演算法的參數。

參數:: params (dict) – 演算法的參數。
傳回:: self
傳回類型:: Algorithm

transform() → ndarray

傳回嵌入。

傳回:: 嵌入 – 嵌入。
傳回類型:: np.ndarray

Force Atlas

類別 sknetwork.embedding.ForceAtlas(n_components: int = 2, n_iter: int = 50, approx_radius: float = -1, lin_log: bool = False, gravity_factor: float = 0.01, repulsive_factor: float = 0.1, tolerance: float = 0.1, speed: float = 0.1, speed_max: float = 10)[source]☛

使用 Force Atlas 佈局顯示圖形。

參數:

n_components (整數) – 圖形佈局的維度。
n_iter (整數) – 更新位置的迭代次數。如果為 None，請使用 self.n_iter 的值。
approx_radius (浮點數) – 如果提供了正值，則僅使用給定節點中此距離內的節點來計算排斥力。
lin_log (布林值) – 如果 True，則使用直線對數模式。
gravity_factor (浮點數) – 重力力縮放常數。
repulsive_factor (浮點數) – 排斥力縮放常數。
tolerance (浮點數) – 在擺動常數中定義的容差。
speed (浮點數) – 速度常數。
speed_max (浮點數) – 使用於對速度施加約束的常數。

變量:

embedding (np.ndarray) – 給定維度中的配置。

範例

>>> from sknetwork.embedding.force_atlas import ForceAtlas
>>> from sknetwork.data import karate_club
>>> force_atlas = ForceAtlas()
>>> adjacency = karate_club()
>>> embedding = force_atlas.fit_transform(adjacency)
>>> embedding.shape
(34, 2)

參考

Jacomy M., Venturini T., Heymann S., Bastian M. (2014)。ForceAtlas2，一種連續圖形配置演算法，用於專為 Gephi 軟體設計的手動網路視覺化。 Plos One。

fit(adjacency: csr_matrix | ndarray, pos_init: ndarray | None = None, n_iter: int | None = None) → ForceAtlas[source]

計算配置。

參數:

adjacency – 圖形鄰接矩陣，視為未導向圖。
pos_init – 用來起始的位置。如未提供，則為隨機。
n_iter (整數) – 更新位置的迭代次數。如果為 None，請使用 self.n_iter 的值。

傳回:

self

傳回類型:

ForceAtlas

fit_transform(*args, **kwargs) → ndarray

擬合資料並傳回嵌入。參數與 fit 方法相同。

傳回:: 嵌入 – 嵌入。
傳回類型:: np.ndarray

get_params()

以字典形式取得參數。

傳回:: params – 演算法的參數。
傳回類型:: dict

predict(columns: bool = False) → ndarray

傳回節點的嵌入。

參數:: columns (bool) – 若為 True，傳回欄位的預測值。
傳回:: embedding_ – 節點的嵌入。
傳回類型:: np.ndarray

set_params(params: dict) → Algorithm

設定演算法的參數。

參數:: params (dict) – 演算法的參數。
傳回:: self
傳回類型:: Algorithm

transform() → ndarray

傳回嵌入。

傳回:: 嵌入 – 嵌入。
傳回類型:: np.ndarray

Spring

類別 sknetwork.embedding.Spring(n_components: int = 2, strength: float | None = None, n_iter: int = 50, tol: float = 0.0001, approx_radius: float = -1, position_init: str = 'random')[來源]

用於顯示小圖形的 Spring 排列。

參數:

n_components (整數) – 圖形佈局的維度。
強度 (float) – 移動節點的力道強度。
n_iter (int) – 更新位置的迭代次數。
容許誤差 (float) – 位置變動的最小相對值，以繼續更新。
approx_radius (浮點數) – 如果提供了正值，則僅使用給定節點中此距離內的節點來計算排斥力。
位置初始化 (str) – 如何初始化排列。如果為「光譜」，使用維度為 2 的光譜嵌入，否則使用隨機初始化。

變量:

嵌入 (np.ndarray) – 排列。

範例

>>> from sknetwork.embedding import Spring
>>> from sknetwork.data import karate_club
>>> spring = Spring()
>>> adjacency = karate_club()
>>> embedding = spring.fit_transform(adjacency)
>>> embedding.shape
(34, 2)

備註

簡單的實作，旨在顯示小圖形。

參考

Fruchterman, T. M. J., Reingold, E. M. (1991)。透過力導向配置繪製圖形。軟體 - 實務與經驗。

fit(adjacency: csr_matrix | ndarray, position_init: ndarray | None = None, n_iter: int | None = None) → Spring[來源碼]

計算配置。

參數:

adjacency – 圖形鄰接矩陣，視為未導向圖。
position_init (np.ndarray) - 節點自訂初始位置。形狀必須為 (n, 2)。如果 None，使用 self.pos_init 的值。
n_iter (整數) – 更新位置的迭代次數。如果為 None，請使用 self.n_iter 的值。

傳回:

self

傳回類型:

彈簧

fit_transform(*args, **kwargs) → ndarray

擬合資料並傳回嵌入。參數與 fit 方法相同。

傳回:: 嵌入 – 嵌入。
傳回類型:: np.ndarray

get_params()

以字典形式取得參數。

傳回:: params – 演算法的參數。
傳回類型:: dict

predict(adjacency_vectors: csr_matrix | ndarray) → ndarray[來源碼]

預測新列的嵌入，這些列是由其鄰接向量定義。

參數:: adjacency_vectors －節點的鄰接向量。形狀為 (n_col,) 的陣列（單一向量）或 (n_vectors, n_col)
傳回:: embedding_vectors – 節點嵌入。
傳回類型:: np.ndarray

set_params(params: dict) → Algorithm

設定演算法的參數。

參數:: params (dict) – 演算法的參數。
傳回:: self
傳回類型:: Algorithm

變換() → 清單

傳回嵌入。

傳回:: 嵌入 – 嵌入。
傳回類型:: np.ndarray