链路预测precision实现代码

链路预测的 precision 是用来度量预测结果中实际连边占预测结果中连边总数的比例，其计算公式为：

precision = TP / (TP + FP)

其中，TP 表示 true positive，即预测为连边且实际为连边的数量；FP 表示 false positive，即预测为连边但实际不是连边的数量。

以下是一个简单的链路预测 precision 实现代码，假设预测结果为列表 pred_edges，实际连边为列表 true_edges：

def link_prediction_precision(pred_edges, true_edges):
    tp = 0
    fp = 0
    for edge in pred_edges:
        if edge in true_edges:
            tp += 1
        else:
            fp += 1
    if tp + fp == 0:
        return 0.0
    else:
        return tp / (tp + fp)

需要注意的是，这个实现代码并不包括其它常见的性能度量，如 recall、F1-score 等。在实际使用中，需要结合具体应用场景选择合适的性能度量进行综合评价。

相关问题

运用DeepWalk对图进行嵌入并做链路预测，链路预测的结果用precision@5评价。给出python代码。

以下是使用DeepWalk进行图嵌入和链路预测，并使用precision@5评价的Python代码：

import networkx as nx
from deepwalk import DeepWalk
from sklearn.metrics import precision_score

# 构建图
G = nx.Graph()
G.add_edges_from([(0, 1), (0, 2), (1, 3), (2, 3), (2, 4), (3, 4), (3, 5)])

# 运行DeepWalk并得到嵌入
model = DeepWalk(G, walk_length=10, num_walks=80, workers=1)
model.train(window_size=5, iter=3)
embeddings = model.get_embeddings()

# 链路预测
test_edges = [(0, 4), (1, 4), (2, 5), (3, 0), (4, 5)]
y_true = [1, 0, 1, 0, 0]  # 1表示存在边，0表示不存在边
y_pred = []
for edge in test_edges:
    u, v = edge
    if u in embeddings and v in embeddings:
        score = embeddings[u] @ embeddings[v]  # 内积作为得分
        y_pred.append(score)
y_pred_sorted = [test_edges[i] for i in sorted(range(len(y_pred)), key=lambda k: y_pred[k], reverse=True)]
precision = precision_score(y_true, [int(edge in y_pred_sorted[:5]) for edge in test_edges], average='binary')
print('Precision@5:', precision)

在这个例子中，我们使用了一个相同的图，但是我们选择了5条边进行链路预测。我们计算了每条边的得分，并将它们按得分从高到低排序。然后，我们使用precision@5计算了预测结果的精度。

运用DeepWalk对图进行嵌入并做链路预测，链路预测的结果用precision@k评价。给出python代码。

首先，需要安装deepwalk和networkx库，可以通过以下命令安装：

pip install deepwalk
pip install networkx

接下来，我们可以使用以下代码进行图嵌入和链路预测：

import networkx as nx
from deepwalk import DeepWalk
from sklearn.metrics import precision_score

# 构建图
G = nx.Graph()
G.add_edges_from([(0, 1), (0, 2), (1, 3), (2, 3), (2, 4), (3, 4), (3, 5)])

# 运行DeepWalk并得到嵌入
model = DeepWalk(G, walk_length=10, num_walks=80, workers=1)
model.train(window_size=5, iter=3)
embeddings = model.get_embeddings()

# 链路预测
test_edges = [(0, 4), (1, 4)]
y_true = [1, 0]  # 1表示存在边，0表示不存在边
y_pred = []
for edge in test_edges:
    u, v = edge
    if u in embeddings and v in embeddings:
        score = embeddings[u] @ embeddings[v]  # 内积作为得分
        y_pred.append(score)
precision = precision_score(y_true, [int(score > 0) for score in y_pred], average='binary')
print('Precision@1:', precision)

以上代码中，我们使用networkx库构建了一个简单的图，并使用DeepWalk对其进行嵌入。然后，我们选择了两条边进行链路预测，并使用precision@1作为评价指标。具体来说，我们计算了两个节点的嵌入向量的内积，并将其作为两个节点之间是否存在边的得分。然后，我们将得分大于0的视为存在边，得分小于等于0的视为不存在边，并计算precision@1。