怎么用deepwalk做网络重建

DeepWalk是一种常用的图嵌入算法，可以将网络中的节点转化为低维向量，从而方便进行后续的网络分析任务，如节点分类、链路预测等。网络重建是指通过已知的网络结构信息，预测缺失边的存在性，也可以使用DeepWalk进行重建。以下是使用DeepWalk进行网络重建的示例代码：

首先，安装依赖库：

!pip install networkx
!pip install gensim
!pip install scikit-learn

然后，导入必要的库：

import networkx as nx
import numpy as np
from gensim.models import Word2Vec
from sklearn.metrics import roc_auc_score, average_precision_score
from sklearn.model_selection import train_test_split

接下来，定义函数进行图嵌入：

def graph_embedding(G, dimensions=64, walk_length=30, num_walks=200, workers=4):
    walks = []
    for node in G.nodes():
        for i in range(num_walks):
            walks.append(nx.random_walk(G, node, walk_length=walk_length))
    embeddings = Word2Vec(walks, size=dimensions, window=10, min_count=0, sg=1, workers=workers)
    return embeddings

然后，定义函数进行网络重建：

def network_reconstruction(embeddings, edges, test_edges, threshold):
    X_train = np.array([np.concatenate((embeddings[str(edge[0])], embeddings[str(edge[1])])) for edge in edges])
    y_train = np.array([1 for edge in edges])
    X_test = np.array([np.concatenate((embeddings[str(edge[0])], embeddings[str(edge[1])])) for edge in test_edges])
    y_test = np.array([1 if edge[2] == 1 else 0 for edge in test_edges])
    clf = LogisticRegression(random_state=0)
    clf.fit(X_train, y_train)
    y_pred = clf.predict_proba(X_test)[:, 1]
    y_pred_bin = np.array([1 if pred >= threshold else 0 for pred in y_pred])
    roc = roc_auc_score(y_test, y_pred)
    ap = average_precision_score(y_test, y_pred)
    return roc, ap, y_pred_bin

最后，使用示例：

# 构建图
G = nx.karate_club_graph()

# 构建部分边列表和完整边列表
edges = list(G.edges(data=True))
test_edges = []
for node1 in G.nodes():
    for node2 in G.nodes():
        if node1 != node2 and not G.has_edge(node1, node2):
            test_edges.append((node1, node2, 0))
test_edges = test_edges[:100] # 取前100个测试边

# 进行图嵌入
embeddings = graph_embedding(G)

# 进行网络重建
roc, ap, y_pred_bin = network_reconstruction(embeddings, edges, test_edges, threshold=0.5)

# 输出结果
print('ROC AUC score:', roc)
print('Average Precision score:', ap)
print('Predicted edges:', y_pred_bin)

代码说明：

该示例使用了karate_club_graph构建了一个简单的图，并将其拆分成部分边列表和完整边列表。然后，使用graph_embedding函数进行图嵌入，生成节点的向量表示。接着，使用network_reconstruction函数进行网络重建，其中使用了逻辑回归模型，根据预测概率的阈值进行二分类。最终，输出ROC AUC和Average Precision两个评价指标的得分，以及预测的边的存在情况。