連結預測

連結預測演算法。

屬性 links_ 給出每個節點預測連結的稀疏矩陣。

最近鄰居

類別 sknetwork.linkpred.NNLinker(n_neighbors: int | None = 10, threshold: float = 0, embedding_method: BaseEmbedding | None = None)

使用餘弦相似性，在嵌入空間中透過最近鄰居進行連結預測。

對於二分圖，僅預測列和欄之間的連結。

參數:

• n_neighbors (int) – 最近鄰居數量。如果是 None，則所有節點都會被考慮。

• threshold (float) – 餘弦相似性的閾值。僅保留高於這個閾值的連結。

• embedding_method (BaseEmbedding) - 用於表示向量空間中節點的內嵌方法。若為 None（預設），則使用身分。

變數 :

links (sparse.csr_matrix) - 連結矩陣。

範例

>>> from sknetwork.linkpred import NNLinker
>>> from sknetwork.data import karate_club
>>> linker = NNLinker(n_neighbors=5, threshold=0.5)
>>> graph = karate_club(metadata=True)
>>> adjacency = graph.adjacency
>>> links = linker.fit_predict(adjacency)
>>> links.shape
(34, 34)

fit(input_matrix: csr_matrix | ndarray, index: ndarray | None = None) → NNLinker

使用餘弦相似度，藉由在嵌入空間中的最近鄰預測連結

參數:

• input_matrix (sparse.csr_matrix, np.ndarray) - 圖形的鄰接矩陣或雙鄰接矩陣。

• index (np.ndarray) - 要考慮的源節點索引。若為 None，則會預測所有節點的連結。

傳回值 :

self

傳回類型 :

NN

fit_predict(*args, **kwargs) → csr_matrix

將演算法適用於資料並傳回連結。與 fit 方法相同的參數。

傳回值 :

links_ - 連結矩陣。

傳回類型 :

sparse.csr_matrix

get_params()

以字典取得參數。

傳回值 :

params - 演算法的參數。

傳回類型 :

dict

預測() → csr_matrix

傳回預測的連結。

傳回值 :

links_ - 連結矩陣。

傳回類型 :

sparse.csr_matrix

設定參數(參數: 字典) → 演算法

設定演算法的參數。

參數:

參數 (字典) – 演算法的參數。

傳回值 :

self

傳回類型 :

演算法