代码拉取完成,页面将自动刷新
同步操作将从 Secure_DisOpt&Cont/Top-k influence node acquisition in a complex network model 强制同步,此操作会覆盖自 Fork 仓库以来所做的任何修改,且无法恢复!!!
确定后同步将在后台操作,完成时将刷新页面,请耐心等待。
import networkx as nx
from numpy import *
import math
import random
import time
def Compute_Degree(G):
#将G.degree()的返回值变为字典
node_to_degree = {}
for item in G.degree():
node_to_degree[item[0]]=item[1]
return node_to_degree
def k_shell(G):
#返回一个key为核数,value为节点的dict
newG=G.copy()
core_to_node={}
now_ks=1
while len(newG.degree):
core_to_node[now_ks]=[]
while True:
level_node_list=[]
for item in newG.degree:
if item[1]<=now_ks:
level_node_list.append(item[0])
newG.remove_nodes_from(level_node_list)
core_to_node[now_ks].extend(level_node_list)
if not len(newG.degree):
return core_to_node
if min(newG.degree, key=lambda x:x[1])[1]>now_ks:
break
now_ks=min(newG.degree, key=lambda x:x[1])[1]
return core_to_node
def sumDegree(G):
"""
计算G中度的和
"""
G_degrees = Compute_Degree(G)
sum = 0
for v in G_degrees.values():
sum += v
return sum
def degree_norm(G):
"""
归一化
"""
sum = sumDegree(G)
I = {}
G_degrees = Compute_Degree(G)
for k, v in G_degrees.items():
I[k] = v / sum
return I
def Entropy(G):
"""
Entropy(G) 计算出G中所有节点的熵
I 为重要性
e 为节点的熵sum += I[i]*math.log(I[i])
"""
I = degree_norm(G)
ent_of_G = {}
for k, v in I.items():
sum = 0
for i in G.neighbors(k):
sum += I[i] * math.log(I[i])
sum = -sum
ent_of_G[k] = sum
return ent_of_G
def kshellEntropy(G):
# 计算所有壳层下,所有节点的熵值,返回字典,key是核数,value是一个字典,代表节点及其对应熵值
ks = k_shell(G)
ent_of_G = Entropy(G)
kshell_ent = {}
new_ks = sorted(ks.keys(), reverse=True)
for ksI in new_ks:
ksE = {}
for i in ks[ksI]:
ksE[i] = ent_of_G[i]
kshell_ent[ksI] = ksE
return kshell_ent
def kshellEntropySort(G):
#排序
k_shell_Ent = kshellEntropy(G)
k_shell_ans = []
sorted_ksEnt = sorted(k_shell_Ent.keys(), reverse=True)
for item in sorted_ksEnt:
t = sorted([(v, k) for k, v in k_shell_Ent[item].items()], reverse=True)
# 熵值相同的节点放在一个set里面
t_new = {}
for item in t:
t_new.setdefault(item[0], list()).append(item[1])
# 按熵值排序变成列表
t = sorted([(k, v) for k, v in t_new.items()], reverse=True)
# 把相同熵值的节点列表打乱顺序随机选择
sub_ksES = []
for item in t:
if len(item[1]) == 1:
sub_ksES += item[1]
else:
random.shuffle(item[1])
sub_ksES += item[1]
k_shell_ans.append(sub_ksES)
return k_shell_ans
def get_top_nodes(G):
starttime = time.time()
top_nodes = []
node_rank = kshellEntropySort(G)
while (len(node_rank) != 0):
for i in range(len(node_rank)):
top_nodes.append(node_rank[i].pop(0))
while True:
if [] in node_rank:
node_rank.remove([])
else:
break
endtime = time.time()
print('改进的基于信息熵的k_shell算法: %f second' % (endtime - starttime))
return top_nodes
此处可能存在不合适展示的内容,页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容,可点击提交进行申诉,我们将尽快为您处理。