如何计算加权网络中节点对(i,j)的邻域重叠？

嘿，这个问题问到点子上了！邻域重叠是衡量网络节点相似性的核心指标之一，尤其是在加权网络里，我们得先从经典的无加权定义（也就是你提到的康奈尔教材版本）入手，再延伸到加权场景的实用变体。

一、经典无加权定义（对应康奈尔教材） #

先明确教材里的核心定义：

连接A和B的边的邻域重叠定义为：(同时是A和B邻居的节点数)/(至少是A或B其中一个邻居的节点数)，分母中不计算A或B本身。

用数学表达式更清晰：
对于节点i和j，无加权邻域重叠 $O_{ij}$ 的计算公式为：
$$O_{ij} = \frac{|N(i) \cap N(j)|}{|N(i) \cup N(j)|}$$
其中：

• $N(i)$ 代表节点i的邻居集合（注意：不包含节点j本身，因为定义要求分母排除彼此）
• $|·|$ 表示集合的元素数量（也就是邻居节点的个数）

举个简单例子：如果i的邻居是{k,l}，j的邻居是{k,m}，那么交集是{k}（数量1），并集是{k,l,m}（数量3），所以$O_{ij}=1/3$。

二、加权网络的扩展变体 #

经典定义只考虑节点是否存在连接，加权网络需要把边的权重（连接强度）纳入计算，目前没有统一的标准公式，常用的有以下几种，你可以根据研究场景选择：

1. 基于权重总和的交集/并集比值 #

这种方法把“节点数量”替换成“连接权重的总和”，核心是衡量共同连接的总强度占所有连接总强度的比例：
$$O^w_{ij} = \frac{\sum_{k \in N(i) \cap N(j)} (w_{ik} + w_{jk})}{\sum_{k \in N(i)} w_{ik} + \sum_{k \in N(j)} w_{jk}}$$
（注：分子是共同邻居与i、j的权重和，分母是i和j所有邻居的权重总和，刚好对应并集的权重总和逻辑，避免重复计算交集部分）

2. 基于权重极值的交集/并集比值 #

如果更关注共同连接的“紧密程度”而非总强度，可以用每个共同邻居的权重极值来计算：
$$O^w_{ij} = \frac{\sum_{k \in N(i) \cap N(j)} \min(w_{ik}, w_{jk})}{\sum_{k \in N(i) \cup N(j)} \max(w_{ik}, w_{jk})}$$
比如共同邻居k与i的权重是2，与j的权重是4，那么取最小值2计入分子，最大值4计入分母，这样能突出连接较弱的一侧对重叠的贡献。

3. 基于加权度归一化的乘积和比值 #

这种方法结合了节点的加权总连接强度（加权度），用共同邻居的权重乘积之和来体现重叠的“关联强度”：
首先计算节点i的加权度：$S(i) = \sum_{k \in N(i)} w_{ik}$
然后邻域重叠公式为：
$$O^w_{ij} = \frac{\sum_{k \in N(i) \cap N(j)} w_{ik} \times w_{jk}}{S(i) + S(j) - w_{ij}}$$
分母中减去$w_{ij}$是因为定义要求排除i和j彼此的连接，这种方法常用于预测加权网络中的边权重或节点相似性。

三、关键注意点 #

• 加权网络的邻域重叠没有“唯一正确”的公式，要根据你的研究目标选择：比如研究传播性选权重总和法，研究节点依赖关系选极值法。
• 计算时一定要注意：分母必须排除节点i和j本身，即使i和j之间有直接连接，也不能计入分母的邻居集合。

内容的提问来源于stack exchange，提问作者Henrique