在networkx中快速计算特征向量中心性需要很长时间答案

【问题标题】：Fast calculation of eigenvector centrality takes too long in networkx在networkx中快速计算特征向量中心性需要很长时间
【发布时间】：2019-06-21 16:46:33
【问题描述】：

我正在使用 networkx 来计算特征向量中心性。问题是它花费的时间太长（已经运行了大约 6 个小时）。有没有更快的方法来获得结果？

图中大约有 200,000 个节点和 60,000,000 条边。

【问题讨论】：

是的。但是您需要在networkx之外使用外部模块。无论如何，特征向量的维数将是 200000，所以没关系。
@serafeim 外部模块是什么意思？
我的意思是不使用networkx函数来计算领先的特征向量。使用 ARPACK，您可以更快地找到邻接的主要特征向量。你能提供更多信息吗？ 200000 个节点代表什么？另外，如果您发布一些数据，我可以发布答案
查看我的回答，回答您的问题并提供圆顶额外的想法
Networkx 有一个内置的方法可以更快地完成它。

标签： python networkx igraph eigenvector

【解决方案1】：

通过查看源代码，networkx.algorithms.centrality.eigenvector 使用幂方法找到了前导特征向量。

如果您坚持使用 networkx，请使用 Joel 注意到的：

eigenvector_centrality_numpy

centrality = nx.eigenvector_centrality_numpy(G)

或者：

您可以使用使用 ARPACK 的scipy.sparse.linalg.eigs 并请求仅返回 1 个特征向量。

玩具示例：

import scipy.sparse as sparse

X = np.array() # dimensions 200000 by 200000 as the adjacency
# Note: k=1 and you request the Largest real.
vals, vecs = sparse.linalg.eigs(X, k=1, which='LR')

在任何情况下，2000000 x 200000 都很大，并且根据矩阵的稀疏性和性质，算法可能需要很长时间。您还需要大量 CPU 和 RAM。

networkx.algorithms.centrality.eigenvector 的额外提示：

如果您坚持使用 networkx，请尝试放宽容忍度：

eigenvector_centrality(G, max_iter=100, tol=1e-06, nstart=None, weight=None)

尝试设置tol=1e-04 甚至tol=1e-03

【讨论】：

networkx 已经内置了这个eigenvector_centrality_numpy.

【解决方案2】：

尝试使用eigenvector_centrality_numpy。来自文档：

此算法使用 SciPy 稀疏特征值求解器 (ARPACK) 来找到最大的特征值/特征向量对。

所以这将进行 serafeim 的计算，并进行一点额外处理。

【讨论】：