✓ 文件回写 ✕ 属性回写 ✓ 直接返回 ✓ 流式返回 ✕ 统计值

拓扑链接预测（Topological Link Prediction）算法使用不同的指标并利用节点的拓扑属性来评估节点对之间的相似度，相似度分值较高则意味着（目前还没有连接的）两个节点在未来产生连接的可能性更大。

概述

AA 指标（Adamic-Adar Index）是以其提出者 Lada Adamic 和 Eytan Adar 命名的节点相似度指标。该指标基于图中两个节点的共同邻居来衡量它们之间的潜在连接强度。

• L.A. Adamic, E. Adar, Friends and Neighbors on the Web (2003)

AA 指标的基本思想是，度数较低的共同邻居能为两个节点间的相似度提供更有价值的信息，而度数较高的共同邻居则不然。它的计算公式如下：

其中，N(u) 是与节点 u 相连的节点集合。对于两个节点的每个共同邻居 u，AA 指标首先计算其度数 |N(u)| 的对数的倒数，然后将所有共同邻居的这些倒数值相加。

AA 指标分值较高表示节点间的相似度较大，分值为 0 则表示两个节点间没有相似性。

在上图中，N(D) ∩ N(E) = {B, F}，其中 $\frac{1}{\mathrm{log|N(B)|}}$ = $\frac{1}{\mathrm{log4}}$ = 1.6610，$\frac{1}{\mathrm{log|N(F)|}}$ = $\frac{1}{\mathrm{log3}}$ = 2.0959，因此 AA(D,E) = 1.6610 + 2.0959 = 3.7569。

特殊说明

• AA 指标算法忽略边的方向，按照无向边进行计算。

语法

• 命令：algo(topological_link_prediction)
• 参数：

示例

示例图如下：

文件回写

algo(topological_link_prediction).params({
  uuids: [3],
  uuids2: [1,5,7]
}).write({
  file:{ 
    filename: 'aa'
  }
})

结果：文件 aa

C,A,1.660964
C,E,3.321928
C,G,2.095903

直接返回

algo(topological_link_prediction).params({
  ids: 'C',
  ids2: ['A','C','E','G'],
  type: 'Adamic_Adar'
}) as aa 
return aa 

结果：aa

流式返回

find().nodes() as n
with collect(n._id) as nID
algo(topological_link_prediction).params({
  ids: 'C',
  ids2: nID
}).stream() as aa
where aa.num >= 2
return aa

结果：aa