快速开始

基本使用

创建图

from pynetim import IMGraph

# 从边列表创建（统一权重）
edges = [(0, 1), (1, 2), (2, 3), (3, 4), (4, 5)]
graph = IMGraph(edges, weights=0.3)

# 逐边指定权重
weights = [0.1, 0.2, 0.15, 0.25, 0.3]
graph = IMGraph(edges, weights=weights)

# 查询邻居
for neighbor, weight in graph.out_neighbors_with_weights(0):
    print(f"邻居: {neighbor}, 权重: {weight}")

选择种子节点

from pynetim import IMGraph, IMMAlgorithm

# 创建图
graph = IMGraph(edges, weights=0.3)

# 使用 IMM 算法
imm = IMMAlgorithm(graph, model='IC', epsilon=0.5)
seeds = imm.run(k=10)
print(f"种子节点: {seeds}")

评估影响力

from pynetim import IndependentCascadeModel

# 创建传播模型
model = IndependentCascadeModel(graph, seeds)

# 单次模拟
count = model.run_single_simulation()

# 蒙特卡洛模拟（多线程）
avg_influence = model.run_monte_carlo_diffusion(1000, num_threads=4)
print(f"平均影响力: {avg_influence:.2f}")

算法选择指南

场景	推荐算法	原因
大规模图	IMMAlgorithm	时间复杂度低，精度高
需要精度保证	OPIMCAlgorithm	可证明近似保证
快速原型	DegreeDiscountAlgorithm	速度最快
深度学习研究	BiGDNAlgorithm	端到端学习

传播模型选择

模型	说明	使用场景
IndependentCascadeModel	独立级联模型	社交网络传播
LinearThresholdModel	线性阈值模型	观点传播
SusceptibleInfectedModel	SI 模型	疫情传播
SusceptibleInfectedRecoveredModel	SIR 模型	疫情传播（含恢复）

完整示例

from pynetim import IMGraph, IndependentCascadeModel, IMMAlgorithm

# 1. 创建图
edges = [(0, 1), (1, 2), (2, 3), (3, 4), (4, 5)]
graph = IMGraph(edges, weights=0.3)

# 2. 选择种子节点
imm = IMMAlgorithm(graph, model='IC', epsilon=0.5)
seeds = imm.run(k=2)
print(f"种子节点: {seeds}")

# 3. 评估影响力
model = IndependentCascadeModel(graph, set(seeds))
avg_influence = model.run_monte_carlo_diffusion(1000, num_threads=4)
print(f"平均影响力: {avg_influence:.2f}")