A new metric for quantifying pairwise vertex connectivity in graphs is defined and an implementation presented. While general in nature, it features a combination of input features well-suited for social networks, including applicability to directed or undirected graphs, weighted edges, and computes using the impact from all-paths between the vertices. Moreover, the $O(V+E)$ method is applicable to large graphs. Comparisons with other techniques are included.


翻译:在图表中,界定并介绍了一种用于量化双向顶点连接的新指标,该指标虽然具有一般性质,但具有适合社交网络的组合输入特征,包括适用于定向或非定向图形、加权边缘,以及使用顶点之间全方位影响进行计算。此外,$O(V+E)的方法适用于大图,包括与其他技术的比较。

0
下载
关闭预览

相关内容

【图神经网络导论】Intro to Graph Neural Networks,176页ppt
专知会员服务
124+阅读 · 2021年6月4日
【图与几何深度学习】Graph and geometric deep learning,49页ppt
【干货书】机器学习速查手册,135页pdf
专知会员服务
122+阅读 · 2020年11月20日
因果图,Causal Graphs,52页ppt
专知会员服务
239+阅读 · 2020年4月19日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
Unsupervised Learning via Meta-Learning
CreateAMind
41+阅读 · 2019年1月3日
已删除
将门创投
6+阅读 · 2019年1月2日
Arxiv
0+阅读 · 2021年7月13日
Geometric Graph Convolutional Neural Networks
Arxiv
10+阅读 · 2019年9月11日
Arxiv
9+阅读 · 2018年3月28日
Arxiv
3+阅读 · 2018年2月11日
VIP会员
相关资讯
Unsupervised Learning via Meta-Learning
CreateAMind
41+阅读 · 2019年1月3日
已删除
将门创投
6+阅读 · 2019年1月2日
Top
微信扫码咨询专知VIP会员