struc2vec

Try to implement the algorithm

各代码文件作用

Graph.py

定义了一些关于图的操作

def build_graph(): 建立一个图，是否有向、存在权重可选
def normalize_weight(): 将权重按比转换成小数
def get_k_neighbors(self, diameter: int)：diameter: 直径，返回值形式为：
    {
        k: {
            node: 点node的第k跳的邻居节点序列
        }
    }
def get_sequence_degree(self, k_nbrs: dict): k_nbrs: 上个函数的返回值，返回值形式为：
    {
        k: {
            node: 点node的第k跳邻居节点按入读有小到大排列成的序列
        }
    }
def get_dtw_distance(s1, s2): s1、s2为两个序列，返回值为s1与s2按dtw算法求出的距离

struc2vec.py

定义了具体进行struc2vec的方法

Struc2Vec类中的参数定义如下：

fk_uv: 记录论文中的u、v的距离的矩阵，为了便于理解可以看作为一个字典
    {
        k: {
            u: {
                v: fk_uv[k][u][v] 第k层，u、v之间的距离
            }
        }
    }
wk_uv: 记录第k层u、v的权重的矩阵，为了便于理解，同样可以看作为一个字典
    {
        k: {
            u: {
                v: wk_uv[k][u][v] 第k层，从u到v的节点权重
            }
        }
    }
wku: 记录论文中(uk, uk+1)和(uk, uk-1)的权重，是一个三维数组，可以看作是一个字典
    {
        k: {
            u: [w(uk, uk+1), w(uk, uk-1)} 
        }
    }
wk_average: 记录第k层边权重的平均值，同样可以看作是一个字典
    {
        k: wk_average 第k层边权重的平均值
    }
tku: u的入射边权重中大于平均权重的个数，可以看作为一个字典
    {
        k: {
            u: thk[k][u] 第k层，u的大于平均权重的入射边的个数
        }
    }
zku: 第k层u的归一化因子，可以看作为一个字典
    {
        k: {
            u: 
        }
    }
pk_uv: 第k层节点u走到节点v的概率，可以看作为一个字典
    {
        k: {
            u: {
                v: 第k层从u到v的概率
            }
        }
    }
pku: 第k层uk到uk+1或uk到uk-1的概率，可以看作为一个字典
    {
        k: {
            u: [pk(uk, uk+1), pk(uk, uk-1)]
        }
    }

def get_fk_uv(self): 获得fk_uv
def get_wk_uv(self): 获得wk_uv
def get_wk_average(self): 获得wk_average
def get_tku(self): 获得tku
def get_wku(self): 获得wku
def get_zku(self): 获得zku
def get_pk_uv(self): 获得pk_uv
def get_pku(self): 获得pku

采用先准备好相应数据再进行游走的方法，按顺序执行以下函数：

[1] get_fk_uv [2] get_wk_uv [3]