Graphes bipartites et systèmes de recommandation

Analyse de réseaux intermédiaire en Python

Eric Ma

Data Carpentry instructor and author of nxviz package

Systèmes de recommandation

Précédemment : recommander des utilisateurs à relier entre eux
Graphe : version « unipartite » (utilisateurs seulement)
Maintenant : version « bipartite » (dépôts-utilisateurs)
Recommander des dépôts où contribuer aux utilisateurs

Systèmes de recommandation

ch1-3.007.png

Systèmes de recommandation

ch1-3.008.png

Systèmes de recommandation

ch1-3.009.png

Code : ensembles de nœuds

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 : ensembles de nœuds

user1_nbrs = G.neighbors('user1')

user1_nbrs

['repo2']

user3_nbrs = G.neighbors('user3')
user3_nbrs

['repo2', 'repo1']

Code : ensembles de nœuds

set(user1_nbrs).intersection(user3_nbrs)

{'repo2'}

set(user3_nbrs).difference(user1_nbrs)

{'repo1'}

Passons à la pratique !

Analyse de réseaux intermédiaire en Python