Bipartite Graphen und Empfehlungssysteme

Fortgeschrittene Netzwerkanalyse in Python

Eric Ma

Data Carpentry instructor and author of nxviz package

Empfehlungssysteme

Bisher: Nutzer empfohlen, sich zu vernetzen
Graph: „unipartit“ (nur Nutzer)
Jetzt: „bipartit“ (Repos–Nutzer)
Repos empfehlen, an denen Nutzer arbeiten können

Empfehlungssysteme

ch1-3.007.png

Empfehlungssysteme

ch1-3.008.png

Empfehlungssysteme

ch1-3.009.png

Code: Knotenmengen

list(G.nodes(data=True))

[('repo3', {'bipartite': 'repositories'}),
 ('repo1', {'bipartite': 'repositories'}),
 ('user1', {'bipartite': 'users'}),
 ('user2', {'bipartite': 'users'}),
 ('repo2', {'bipartite': 'repositories'}),
 ('user3', {'bipartite': 'users'})]

list(G.edges())

[('repo1', 'user3'),
 ('user1', 'repo2'),
 ('user2', 'repo2'),
 ('repo2', ‘user3')]

Code: Knotenmengen

user1_nbrs = G.neighbors('user1')

user1_nbrs

['repo2']

user3_nbrs = G.neighbors('user3')
user3_nbrs

['repo2', 'repo1']

Code: Knotenmengen

set(user1_nbrs).intersection(user3_nbrs)

{'repo2'}

set(user3_nbrs).difference(user1_nbrs)

{'repo1'}

Lass uns üben!

Fortgeschrittene Netzwerkanalyse in Python