معرفی شرکت ها

fastnode2vec-0.0.6

Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
0.0.6
0.0.5
0.0.4
0.0.3
0.0.2
0.0.1
0.0.6
0.0.5
0.0.4
0.0.3
0.0.2
0.0.1

توضیحات

Fast implementation of node2vec
ویژگی مقدار
سیستم عامل -
نام فایل fastnode2vec-0.0.6
نام fastnode2vec
نسخه کتابخانه 0.0.6
نگهدارنده []
ایمیل نگهدارنده []
نویسنده Louis Abraham
ایمیل نویسنده louis.abraham@yahoo.fr
آدرس صفحه اصلی https://github.com/louisabraham/fastnode2vec
آدرس اینترنتی https://pypi.org/project/fastnode2vec/
مجوز MIT
[![Downloads](https://pepy.tech/badge/fastnode2vec)](https://pepy.tech/project/fastnode2vec) [![PyPI version](https://badge.fury.io/py/fastnode2vec.svg)](https://badge.fury.io/py/fastnode2vec) [![DOI](https://zenodo.org/badge/257390910.svg)](https://zenodo.org/badge/latestdoi/257390910) # fastnode2vec *Really* fast implementation of node2vec based on [numba](https://numba.pydata.org/) and [gensim](https://radimrehurek.com/gensim/). Memory usage is **linear** and scales with your data unlike most other implementations. The algorithm is described in this [blog post](https://louisabraham.github.io/articles/node2vec-sampling.html). ## API `Node2Vec` inherits from gensim's [`Word2Vec`](https://radimrehurek.com/gensim/models/word2vec.html), all its APi is valid. ```python from fastnode2vec import Graph, Node2Vec graph = Graph([("a", "b"), ("b", "c"), ("c", "a"), ("a", "d")], directed=False, weighted=False) # or graph = Graph([("a", "b", 1), ("b", "c", 2), ("c", "a", 3), ("a", "d", 4)], directed=False, weighted=True) n2v = Node2Vec(graph, dim=10, walk_length=100, context=10, p=2.0, q=0.5, workers=2) n2v.train(epochs=100) print(n2v.wv["a"]) ``` ## CLI ``` Usage: fastnode2vec [OPTIONS] FILENAME Options: --directed --weighted --dim INTEGER [required] --p FLOAT --q FLOAT --walk-length INTEGER [required] --context INTEGER --epochs INTEGER [required] --workers INTEGER --batch-walks INTEGER --debug PATH --output PATH --help Show this message and exit. ``` Compute embeddings of the [Gnutella peer-to-peer network](https://snap.stanford.edu/data/p2p-Gnutella08.html): ``` wget https://snap.stanford.edu/data/p2p-Gnutella08.txt.gz fastnode2vec p2p-Gnutella08.txt.gz --dim 16 --walk-length 100 --epochs 10 --workers 2 ``` ## Load embeddings produced by the CLI Just use the [`Word2Vec`](https://radimrehurek.com/gensim/models/word2vec.html) API. ```python from gensim.models import KeyedVectors wv = KeyedVectors.load("p2p-Gnutella08.txt.gz.wv", mmap='r') ``` ## Citing If you have used this software in a scientific publication, please cite it using the following BibLaTeX code: ``` @software{fastnode2vec, author = {Louis Abraham}, title = {fastnode2vec}, year = 2020, publisher = {Zenodo}, doi = {10.5281/zenodo.3902632}, url = {https://doi.org/10.5281/zenodo.3902632} } ```


نیازمندی

مقدار نام
- numpy
- numba
- gensim
- click
- tqdm


زبان مورد نیاز

مقدار نام
>=3.6 Python


نحوه نصب


نصب پکیج whl fastnode2vec-0.0.6:

    pip install fastnode2vec-0.0.6.whl


نصب پکیج tar.gz fastnode2vec-0.0.6:

    pip install fastnode2vec-0.0.6.tar.gz