python导入Karate数据集实现链路预测并使用模型对原始网络进行预测得到一些新的边

可以使用 NetworkX 库来读取 Karate 数据集。首先，需要安装 NetworkX 库：

pip install networkx

然后，可以使用以下代码读取 Karate 数据集：

import networkx as nx

G = nx.karate_club_graph()

接下来，需要将原始网络分成训练集和测试集。可以使用 NetworkX 库提供的 `train_test_split_edge` 函数来实现：

from networkx.algorithms.link_prediction import train_test_split_edge

G_train, G_test = train_test_split_edge(G)

现在，可以使用 DeepWalk、Node2Vec 或 GraphSAGE 等图嵌入方法将节点嵌入到低维空间中，并使用分类器进行链路预测。以 DeepWalk 为例，可以使用 `deepwalk` 函数生成节点嵌入：

from node2vec import Node2Vec
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import roc_auc_score

# 使用 DeepWalk 生成节点嵌入
node2vec = Node2Vec(G_train, dimensions=128, walk_length=80, num_walks=10, workers=4)
model = node2vec.fit(window=10, min_count=1, batch_words=4)

# 使用逻辑回归分类器进行链路预测
X_train = [model[str(u)] + model[str(v)] for u, v in G_train.edges()]
y_train = [1] * len(G_train.edges())
X_test = [model[str(u)] + model[str(v)] for u, v in G_test.edges()]
y_test = [1] * len(G_test.edges())

clf = LogisticRegression()
clf.fit(X_train, y_train)
y_pred = clf.predict_proba(X_test)[:, 1]
auc_score = roc_auc_score(y_test, y_pred)

print(f"AUC score: {auc_score:.4f}")

最后，可以使用训练好的模型对原始网络进行预测，得到一些新的边：

new_edges = []
for u in G.nodes():
    for v in G.nodes():
        if u != v and not G.has_edge(u, v):
            X = [model[str(u)] + model[str(v)]]
            y_pred = clf.predict_proba(X)[:, 1]
            if y_pred > 0.9:
                new_edges.append((u, v))

print(f"New edges: {new_edges}")

这里的阈值可以根据具体情况进行调整。