蓝砂石的博客

原创 关键节点kendall实验系数与论文对不上(解决方法)

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。......

原创 （python实现）复杂网络中的关键节点识别测评四指标

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

原创 (python)改进的k-shell算法来识别关键节点 The improved k-shell algorithm(IKS)

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∑

原创 networkx常用函数总结(持续更新)

neiworkx常用函数总结 用途 函数 获取结点i的邻居节点 G.neighbors(i)

原创 (python代码+讲解)重叠社区发现EAGLE层次算法的实现

EAGLE是一种基于最大团聚类的层次聚类算法，用来揭示网络的层次化和层次化社区结构。该算法采用一种聚类框架，来处理最大派系。1.算法的实现： 首先用Bron-Kerbosch算法找到网络中的最大派系，要设置一个阈值k来丢弃所有小于K的最大派系，通常k取3-6之间的值。算法分为两个阶段：第一阶段生成树状图；第二阶段选着合适的切割点，将树状图分成群落。第一阶段：（1）找出网络中的最大派系，忽略最大的子派系，其余作为初始社区（2）选择相似度最大的一对群落，将其合并到新的群落中，计算新群落与其他群落...

原创 （python)实现用CPM算法划分社区(两种代码)

1.自己实现的代码将社区分为9个，有部分节点未分配社区#自己实现派系过滤算法import numpy as npimport networkx as nxfrom itertools import combinationsimport matplotlib.pyplot as pltdef get_percolated_cliques(G, k): cliques = list(frozenset(c) for c in nx.find_cliques(G) if len(c) &g

原创 复杂网络数据集下载地址

csdn：https://blog.csdn.net/wzgang123/article/details/51089521国外网站：http://networkrepository.com/

原创 cpm(派系过滤算法)实现社区发现

https://blog.csdn.net/aspirinvagrant/article/details/45823329https://blog.csdn.net/u011089523/article/details/77746879

原创 (持续更新)复杂网络节点影响力评估MDD算法python代码（mixed degree decomposition）

混合度分解算法复现

原创 复杂网络中计算SIR阈值

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))

原创 领域kshell

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))

原创 (python)基于网络嵌入和局部中信息的关键节点识别算法（NLC）复现

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

原创 (python)改进的重力kshell的关键节点识别算法(KSGC)复现

一.算法介绍KSGC是一种基于重力公式的关键节点识别方法（三步）1.计算系数2.重力公式3.整体算法二.代码import networkx as nximport mathdef kshell(G): graph = G.copy() importance_dict={} level=1 while len(graph.degree): importance_dict[level]=[] while True:

原创 (python)将字典按value排序后变为列表

ksE是字典ksE = {'a':3,'b':2,'c':5}t = sorted([(v, k) for k, v in ksE.items()],reverse=True)

原创 安装特定版本的python包

用==版本号：pip install numpy==1.14.0

原创 两列表同时排序，排序后对应元素不变(用到zip打包和解包)

连接：1. 两个列表同时排序2.*和**的作用

原创 IC模型和LT模型

IC模型:在该模型中，在第t步，对于一个已激活节点u，它将尝试以pu,vp_{u,v}pu,v​的概率激活其每一个不活动的邻居v。节点u只有一次机会激活v，无论成功与否，以后u都不会尝试激活v。如果v被成功激活，那么从步骤t+ 1开始，v将被激活，并尝试激活其未激活的邻居。如果第T步没有激活节点，扩散过程将停止。LT模型:在该模型中，节点v的激活依赖于其活动邻居的集合。对于u到v的每条有向边，都有一个权值bu,vb_{u,v}bu,v​，表示u对v的影响。对于每个节点v，必须满足Σu neigh

原创 k-shell算法的比较

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

原创 python删除字符串左右两边的多个符号

引号中加入删除符号的列表n.strip('[{}\n]')

原创 Python 字典，统计value相同的key(用到了字典中，有k对应的集合，把v加入；没有这个k，创建k)

info = {"a":1,"b":1,"c":2}res = {}for i in info: if info2[i] > 1: res.setdefault(info[i],set()).add(i)

原创 pytorch学习3-基本数据类型

1.pytorch类型pytorch没有string类型，用one-hot，embedding表示string2.数据类型常用 FloatTensor、IntTensor、ByteTensor3.类型推断torch.randn(2,3) #初始化两行三列的tensora.type() #查看类型type(a) #python自带方法，返回基本数据类型 torch.Tensor,没有额外信息isinstance(a,torch.FloatTensor

原创 pytorch实战2-手写数字识别

1.编写辅助函数用于画图，显示图片。曲线import torchfrom matplotlib import pyplot as pltdef plot_curve(data): fig = plt.figure() plt.plot(range(len(data)),data,color='blue') plt.legend(['value'],loc='upper right') plt.xlabel('step') plt.ylabel('value'

原创 图嵌入Graph Embedding学习笔记

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...

原创 networkx图中识别关键节点的中心性函数

特征向量中心性

原创 pytorch实战1-线性回归学习

线性回归1.构造实验数据import numpy as npX = 2 * np.random.rand(100, 1)y = 4 + 3 * X + np.random.randn(100, 1)with open("data1.csv","w") as f: for i,j in zip(X,y): f.write(str(i[0])+","+str(j[0])+"\n")f.close()2.线性回归代码import numpy as npdef co

原创 DataFrame添加列名，查看均值等，seaborn

查看数据seaborn画图简单好看（看两两特征的关系，对角线是自己和自己）dropna()处理缺失值

原创 卷积神经网络的卷积过程

原创 python 文件夹操作（获取当前路径，新建文件夹，判断文件是否存在）

获取当前路径import ospath = os.getcwd()新建文件夹path = path+"/uploads"if not os.path.exists(path1): os.makedirs(path1)

原创 (Python编程)稳定的copra算法(copra-ep)

一.介绍按节点的熵值和相似性进行了排序，按排序结果进行标签传播二.代码#coding=utf-8import randomfrom numpy import *import timeimport copyimport networkx as nx#每个节点的度数，每个节点的邻居节点，总边数def Degree_Sorting(Adjmartrix,vertices,G): degree_s = [[i,0] for i in range(vertices)] nei

原创 python的格式化输出

在print中加入f参数，变量放入{}name = "张三"score = 99print(f"{name}同学的成绩是：{score}")

原创 (Python编程)Assignment 1 COMP9021, Term 1, 2021，渐开螺旋矩阵，骰子

一.题目Consider the board below, which can be imagined as being infinite, so only a small part is represented. A die is placed on cell number 1 of the board in the position indicated: 3 at the top, 2 at the front (towards cell number 4 of the board), and 1

转载 (python编程)k-shell的实现

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.

原创 transformer讲的不错的文章

详解Transformer （Attention Is All You Need） - 知乎 (zhihu.com)

原创 节点重要性评估方法

SIRKendall τ correlation coefficient

原创 领导者社区和自组织社区的数据

原创 社区发现：论文中模块度Q的计算

2.Extending the definition of modularity to directed graphs with overlapping communities

原创 python 编程常用函数（持续更新）

from numpy import *a= list(range(10))random.shuffle(a)print(a)

原创 复杂网络中的社团结构划分及分析应用----学习笔记

1.介绍二分图又称作二部图，是图论中的一种特殊模型，设G(V,E)是一个无向图，如果顶点可分割为两个互不相交的子集(U,K),并且图中的每条边(i,j)所关联的两个顶点i和j分别属于这两个不同的顶点集（i∈U,j∈K)则称图为一个二分图。根据一个一般的网络G(V,E)建立与之相关的二分网络G(V,V',E),把原始网络中G的节点分别作为二分网络的两部分节点(V,V')根据原来的边集E在两部分节点之间连边，这样就建立了一个二分网络。最大流问题是在网络中求源点到汇点的最大流值的问题，在二分网络..

原创 COPRA算法学习笔记

RAK算法可以非常简单地描述。每个顶点都与一个标签相关联，标签是一个标识符，比如整数。1.初始化时，每个顶点都有一个唯一的标签2. 然后，重复地，每个顶点x更新它的标签，用最多邻居使用的标签替换它。如果相同最大邻居数量使用多个标签，则随机选择其中一个。经过几次迭代后，相同的标签趋向于与社区的所有成员相关联。3.所有具有相同标签的顶点被添加到一个社区中传播阶段并不总是收敛到这样一种状态，即在连续迭代中所有顶点具有相同的标号。为了确保传播阶段终止，Raghavan等人提出使用“异步”更新，即顶点

原创 社区发现 SSN-LDA算法 学习笔记

SSN-LDA(Simple Social Network-LDA)是一种基于潜在狄利克雷分配的分层贝叶斯算法，在SSN-LDA中，社区被建模为图形模型中的潜在变量，并被定义为社会参与者空间上的分布。SSN-线性判别分析的优点是它只需要拓扑信息作为输入。该模型在两个研究合作网络上进行了评估:CiteSeer和NanoSCI。实验结果表明，该方法有望在大规模网络中发现社区结构。与以往的社区发现研究不同，用基于分层贝叶斯网络的方法，从社会网络中发现概率社区。这样，每个社会行动者都为社会中的每个社区贡献了一份