链接预测

链接预测算法。

属性 links_ 以稀疏矩阵的形式给出每个节点的预测链接。

最近邻居

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

使用余弦相似度在嵌入空间中通过最近邻居进行链接预测。

对于二部图，仅预测行和列之间的链接。

参数：

• n_neighbors (int) – 最近邻居的数量。如果为 None，则考虑所有节点。

• threshold (float) – 余弦相似度的阈值。仅保留高于此阈值的链接。

• embedding_method (BaseEmbedding) – 用于在向量空间中表示节点的嵌入方法。如果为 None（默认），则使用身份。

变量：

links (sparse.csr_matrix) – 链接矩阵。

示例

>>> 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

使用余弦相似度在嵌入空间中通过最近邻居进行链接预测

参数：

• input_matrix (sparse.csr_matrix, np.ndarray) – 图的邻接矩阵或二部邻接矩阵。

• index (np.ndarray) – 要考虑的源节点的索引。如果为 None，则会为所有节点预测链接。

返回值：

self

返回类型：

NN

fit_predict(*args, **kwargs) → csr_matrix

将算法拟合到数据并返回链接。与 fit 方法相同的参数。

返回值：

links_ – 链接矩阵。

返回类型：

sparse.csr_matrix

get_params()

获取参数作为字典。

返回值：

params – 算法的参数。

返回类型：

dict

predict() → csr_matrix

返回预测的链接。

返回值：

links_ – 链接矩阵。

返回类型：

sparse.csr_matrix

set_params(params: dict) → Algorithm

设置算法的参数。

参数：

params (dict) – 算法的参数。

返回值：

self

返回类型：

算法