optimize_graph_edit_distance#

optimize_graph_edit_distance(G1, G2, node_match=None, edge_match=None, node_subst_cost=None, node_del_cost=None, node_ins_cost=None, edge_subst_cost=None, edge_del_cost=None, edge_ins_cost=None, upper_bound=None)[source]#

返回图G1和G2之间图编辑距离(GED)的连续近似值。

图编辑距离是一种图相似性度量,类似于字符串的Levenshtein距离。它被定义为将图G1转换为与G2同构的图所需的最小编辑路径成本(一系列节点和边编辑操作)。

Parameters:
G1, G2: 图

两个图G1和G2必须是同类型的。

node_match可调用对象

一个函数,如果G1中的节点n1和G2中的节点n2在匹配时应被视为相等,则返回True。

该函数将被调用如下:

node_match(G1.nodes[n1], G2.nodes[n2]).

即,该函数将接收n1和n2的节点属性字典作为输入。

如果指定了node_subst_cost,则忽略此参数。如果既没有指定node_match也没有指定node_subst_cost,则不考虑节点属性。

edge_match可调用对象

一个函数,如果G1中节点对(u1, v1)和G2中节点对(u2, v2)的边属性字典在匹配时应被视为相等,则返回True。

该函数将被调用如下:

edge_match(G1[u1][v1], G2[u2][v2]).

即,该函数将接收正在考虑的边的边属性字典作为输入。

如果指定了edge_subst_cost,则忽略此参数。如果既没有指定edge_match也没有指定edge_subst_cost,则不考虑边属性。

node_subst_cost, node_del_cost, node_ins_cost可调用对象

分别返回节点替换、节点删除和节点插入成本的函数。

这些函数将被调用如下:

node_subst_cost(G1.nodes[n1], G2.nodes[n2]), node_del_cost(G1.nodes[n1]), node_ins_cost(G2.nodes[n2]).

即,这些函数将接收节点属性字典作为输入。这些函数应返回正数值。

如果指定了node_subst_cost,则覆盖node_match。如果既没有指定node_match也没有指定node_subst_cost,则使用默认的节点替换成本0(在匹配过程中不考虑节点属性)。

如果没有指定node_del_cost,则使用默认的节点删除成本1。如果没有指定node_ins_cost,则使用默认的节点插入成本1。

edge_subst_cost, edge_del_cost, edge_ins_cost可调用对象

分别返回边替换、边删除和边插入成本的函数。

这些函数将被调用如下:

edge_subst_cost(G1[u1][v1], G2[u2][v2]), edge_del_cost(G1[u1][v1]), edge_ins_cost(G2[u2][v2]).

即,这些函数将接收边属性字典作为输入。这些函数应返回正数值。

如果指定了edge_subst_cost,则覆盖edge_match。如果既没有指定edge_match也没有指定edge_subst_cost,则使用默认的边替换成本0(在匹配过程中不考虑边属性)。

如果没有指定edge_del_cost,则使用默认的边删除成本1。如果没有指定edge_ins_cost,则使用默认的边插入成本1。

upper_bound数值

考虑的最大编辑距离。

Returns:
图编辑距离的连续近似值生成器。

References

[1]

Zeina Abu-Aisheh, Romain Raveaux, Jean-Yves Ramel, Patrick Martineau. An Exact Graph Edit Distance Algorithm for Solving Pattern Recognition Problems. 4th International Conference on Pattern Recognition Applications and Methods 2015, Jan 2015, Lisbon, Portugal. 2015, <10.5220/0005209202710278>. <hal-01168816> https://hal.archives-ouvertes.fr/hal-01168816

Examples

>>> G1 = nx.cycle_graph(6)
>>> G2 = nx.wheel_graph(7)
>>> for v in nx.optimize_graph_edit_distance(G1, G2):
...     minv = v
>>> minv
7.0