在Python使用Barabasi Albert模型实现Rich Richer Richer现象

先决条件-社交网络简介，Barabasi Albert Graph

在社交网络中，有一种现象称为“变得越来越富有”，也称为“优先依恋”。在“优先依恋”中，已经富裕的人变得越来越多，而富有的人的收入却越来越少。这称为“越来越丰富的现象”或“优先依恋”。

例如，假设班上有一些学生，每个学生都是与某些学生的朋友，这被称为学位，即学生的学历就是其所拥有的朋友的数量。现在，高学历的学生是有钱的，而低学历的学生是穷的。现在假设班上有一个新学生，他/她必须结交m个朋友，因此他/她将选择学位更高的学生并与他们成为朋友，从而增加了有钱人的程度。这称为“变得越来越富有”或“优先依恋” 。

Barabasi Albert模型是特惠附件的实现。

逻辑–以下是Barabasi Albert模型背后的逻辑：

1. 拍摄一个具有n个₀节点的随机图，并以每个节点至少具有1条链接的条件将它们随机连接。
2. 每次我们添加一个小于或等于n _0个链接的新节点n，它将新节点连接到网络中已有的n个节点。
3. 现在，节点连接到特定节点的概率将取决于其程度。 (优先附件)。

方法–以下是实施Barabasi Albert模型的步骤：

1. 拍摄一个具有n个节点的图。
2. 从用户那里取m，即要连接到新节点的边数。
3. 取m0，即节点的初始数量，使m <= m0。
4. 现在添加n-m0个节点。
5. 现在，根据“优先附件”将边缘添加到这些n-m0节点。

以下是Barabasi Albert模型的实现。

Python3

import networkx as nx
import random
import matplotlib.pyplot as plt
  
  
def display(g, i, ne):
    pos = nx.circular_layout(g)
      
    if i == '' and ne == '':
        new_node = []
        rest_nodes = g.nodes()
        new_edges = []
        rest_edges = g.edges()
    else:
        new_node = [i]
        rest_nodes = list(set(g.nodes()) - set(new_node))
        new_edges = ne
        rest_edges = list(set(g.edges()) - set(new_edges) - set([(b, a) for (a, b) in new_edges]))
    nx.draw_networkx_nodes(g, pos, nodelist=new_node, node_color='g')
    nx.draw_networkx_nodes(g, pos, nodelist=rest_nodes, node_color='r')
    nx.draw_networkx_edges(g, pos, edgelist=new_edges, style='dashdot')
    nx.draw_networkx_edges(g, pos, edgelist=rest_edges,)
    plt.show()
  
  
def barabasi_add_nodes(g, n, m0):
    m = m0 - 1
  
    for i in range(m0 + 1, n + 1):
        g.add_node(i)
        degrees = nx.degree(g)
        node_prob = {}
  
        s = 0
        for j in degrees:
            s += j[1]
        print(g.nodes())
          
        for each in g.nodes():
            node_prob[each] = (float)(degrees[each]) / s
  
        node_probabilities_cum = []
        prev = 0
          
        for n, p in node_prob.items():
            temp = [n, prev + p]
            node_probabilities_cum.append(temp)
            prev += p
  
        new_edges = []
        num_edges_added = 0
        target_nodes = []
  
        while (num_edges_added < m):
            prev_cum = 0
            r = random.random()
            k = 0
              
            while (not (r > prev_cum and r <= node_probabilities_cum[k][1])):
                prev_cum = node_probabilities_cum[k][1]
                k = k + 1
            target_node = node_probabilities_cum[k][0]
              
            if target_node in target_nodes:
                continue
              
            else:
                target_nodes.append(target_node)
            g.add_edge(i, target_node)
            num_edges_added += 1
            new_edges.append((i, target_node))
  
        print(num_edges_added, ' edges added')
  
    display(g, i, new_edges)
    return g
  
  
def plot_deg_dist(g):
    all_degrees = []
      
    for i in nx.degree(g):
        all_degrees.append(i[1])
    unique_degrees = list(set(all_degrees))
    unique_degrees.sort()
    count_of_degrees = []
  
    for i in unique_degrees:
        c = all_degrees.count(i)
        count_of_degrees.append(c)
  
    print(unique_degrees)
    print(count_of_degrees)
  
    plt.plot(unique_degrees, count_of_degrees, 'ro-')
    plt.xlabel('Degrees')
    plt.ylabel('Number of Nodes')
    plt.title('Degree Distribution')
    plt.show()
  
  
N = 10
m0 = random.randint(2, N / 5)
g = nx.path_graph(m0)
display(g, '', '')
  
g = barabasi_add_nodes(g, N, m0)
plot_deg_dist(g)

输出：

Enter the value of n: 10
3
[0, 1, 3]
1  edges added
[0, 1, 3, 4]
1  edges added
[0, 1, 3, 4, 5]
1  edges added
[0, 1, 3, 4, 5, 6]
1  edges added
[0, 1, 3, 4, 5, 6, 7]
1  edges added
[0, 1, 3, 4, 5, 6, 7, 8]
1  edges added
[0, 1, 3, 4, 5, 6, 7, 8, 9]
1  edges added
[0, 1, 3, 4, 5, 6, 7, 8, 9, 10]
1  edges added
[1, 2, 3, 6]
[7, 1, 1, 1]

具有m0个节点的初始图

添加了新节点的最终节点

分布图