基于Networkx实现两个网络的加权Jaccard相似度计算方法咨询

核心计算逻辑 #

加权Jaccard相似度同时考虑边的存在性和权重，公式如下：

J_w(G,K) = 权重交集和 / 权重并集和
其中：

• 对于同时存在于两张图的边，交集部分取两条边权重的较小值，并集部分取较大值
• 仅存在于单张图的边，交集部分计0，并集部分取该边的权重值
• 不存在的边权重默认计0

实现代码 #

import networkx as nx

def weighted_jaccard_similarity(g, h, weight_key='weight'):
    # 提取两张图的边与对应权重，无权重边默认权重为1
    g_edge_weights = {(u, v): d.get(weight_key, 1.0) for u, v, d in g.edges(data=True)}
    h_edge_weights = {(u, v): d.get(weight_key, 1.0) for u, v, d in h.edges(data=True)}
    # 取所有出现过的边的并集，自动适配节点/边有差异的场景
    all_edges = set(g_edge_weights.keys()).union(set(h_edge_weights.keys()))
    
    intersect_total = 0.0
    union_total = 0.0
    for edge in all_edges:
        w_g = g_edge_weights.get(edge, 0.0)
        w_h = h_edge_weights.get(edge, 0.0)
        intersect_total += min(w_g, w_h)
        union_total += max(w_g, w_h)
    
    # 处理空图除零异常
    if union_total == 0:
        return 1.0
    return round(intersect_total / union_total, 6)

# 若需要计算加权Jaccard距离，使用如下公式
# weighted_jaccard_distance = 1 - weighted_jaccard_similarity(g, h)

示例测试 #

用你提供的两个有向图测试：

# 构造示例图G
G = nx.DiGraph()
G.add_weighted_edges_from([
    ('v1', 'a', 1), ('v1', 'b', 1), ('a', 'd', 1), ('a', '11', 7),
    ('b', 'v4', 1), ('b', 'v9', 1), ('v9', 'b', 1)
])

# 构造示例图K
K = nx.DiGraph()
K.add_weighted_edges_from([
    ('v1', 'asssssss', 1), ('v1', 'b', 1), ('asssssss', 'd', 1),
    ('asssssss', '11', 7), ('b', 'asssssss', 10), ('b', 'd', 10), ('v9', 'b', 1)
])

# 计算相似度
print(weighted_jaccard_similarity(G, K))

输出结果：0.047619

特性说明 #

• 自动兼容有向/无向图：依赖networkx原生的边表示逻辑，有向图按有序边匹配，无向图按无序边匹配，无需额外传参
• 自动适配异构网络：不需要提前对齐两张图的节点或边，自动覆盖所有出现过的边
• 兼容缺省权重场景：边没有设置对应权重字段时，默认用1作为权重，和普通无权重Jaccard计算逻辑对齐

内容的提问来源于stack exchange，提问作者Forinstance