xiotangyuan / link-prediction-on-social-networks Goto Github PK

本项目代码包含以下几个链路预测算法：

• Variational Graph Auto-Encoders：一种用于图上无监督学习的端到端可训练卷积神经网络模型，也是本论文所研究的主要方向。
• Node2Vec：一种基于skip-gram模型的方法，用于学习给定图内随机游走的节点嵌入。
• Spectral Clustering：使用谱嵌入从邻接矩阵创建节点表示。
• 基线方法：Adamic-Adar， Jaccard Coefficient,，Preferential Attachment

• Python 3.6.6
• tensorflow 1.12.0
• networkx 2.2
• scipy 1.2.1
• scikit-learn 0.20.2
• pandas 0.24.0
• gensim 3.7.1
• matplotlib 3.0.3 系统安装配置好Python环境后，可使用python setup.py install 安装依赖。

• data/: 存放有advogato、facebook、fb-processed、gplus、hamster、twitter六个数据文件夹，里边包含原始网络边数据的txt文件和转化的邻接矩阵的pickle数据文件。
• train-test-split/: data文件夹中的数据集经过不同隐藏边比例划分后，存放在train-test-split文件夹。
• network-statistics/: 存放data文件夹数据集和networkx随机网络中结构信息，例如节点数、边数等。
• visualizations/: Visualizations of each network generated by networkx and matplotlib
• network-statistics/: 存放data文件夹中部分数据的网络拓扑图和networkx随机网络图。
• result/: 保存链路预测结果。包含不同算法在五种社交网络和随机网络的结果。

• gae/: 单独的VGAE模型代码以及数据文件。
• node2vec.py: node2vec算法代码。
• setup.py: 依赖包封装。

使用data文件夹的数据进行以下操作：

• process-fb-network.py:对10个Facebook自我中心网络进行预处理，生成邻接矩阵保存到data/fb-processed文件夹。
• process-fb-combined-network.py: 对把10个Facebook自我中心网络组合，生成邻接矩阵保存到data/fb-processed文件夹。
• process-others-network.py: 把advogato、gplus、hamster、twitter四个社交网络，生成邻接矩阵保存到data文件夹下对应文件夹中。

使用上一步生成邻接矩阵的pickle文件进行以下操作：

• train-test-splits-fb.py:对Facebook自我中心网络和他们组合的网络以及BA、PC、SBM三个随机网络按照不同隐藏边比例进行划分，结果保存在train-test-splits文件夹。
• train-test-splits-others.py: 对advogato、gplus、hamster、twitter四个社交网络按照不同隐藏边比例进行划分，结果保存在train-test-splits文件夹。

• link_prediction_scores.py: 包含AA、JC、PA、SC、Node2Vec、VGAE等方法的评估得分函数，计算链路预测AUC值和AP值。

• run-all-experiments.py: 在Facebook网络和三个随机网络上运行所有链接预测方法，返回结果，保存到results文件夹。
• run-others-experiments.py: 在advogato、gplus、hamster、twitter四个社交网络上运行所有链接预测方法，返回结果，保存到results文件夹。
• network-visualizations-statistics.py: 统计所有的网络结构信息，结果保存到network- statistics文件夹。绘制部分网络图，保存到visualization文件夹。
• plot-curves.py: 绘制部分ROC曲线和PR曲线。