pynetim 0.4.3

A Python library for Network Influence Maximization

PyNetIM

PyNetIM 是一个用于**社交网络影响力最大化（Influence Maximization, IM）**问题的 Python 库，集成了多种经典算法与扩散模型，并提供 Python 实现 + C++ 加速后端，适用于算法复现、性能对比与科研实验。

---

📦 最新版本

当前版本: v0.4.3
发布日期: 2026-03-30

🎯 v0.4.3 主要更新

✨ 新功能

• IC 和 LT 模型新增激活节点记录功能:
  • 添加 record_activated 参数（默认为 false），用于控制是否记录种子集激活的节点
  • 添加 set_record_activated(record) 方法，可在运行时动态开启/关闭记录功能
  • 添加 run_single_simulation(seed=0) 方法，用于单次独立传播模拟
  • 每次调用 run_single_simulation 都会进行一次独立的传播模拟，从种子集出发，返回该次模拟中被激活的所有节点
  • 支持通过不同的 seed 参数进行多次独立的模拟实验

📚 API 更新

• IndependentCascadeModel:

  • 构造函数新增 record_activated 参数
  • 新增 set_record_activated(record: bool) 方法
  • 新增 run_single_simulation(seed: int = 0) -> Set[int] 方法

• LinearThresholdModel:

  • 构造函数新增 record_activated 参数
  • 新增 set_record_activated(record: bool) 方法
  • 新增 run_single_simulation(seed: int = 0) -> Set[int] 方法

🧪 测试

• 新增功能验证测试：
  • IC 模型单次模拟测试
  • LT 模型单次模拟测试
  • 多次独立模拟测试
  • set_record_activated 动态切换测试
  • 编译和运行测试全部通过

📝 使用示例

# IC 模型
from pynetim.cpp.diffusion_model import IndependentCascadeModel

ic_model = IndependentCascadeModel(graph, seeds, record_activated=True)
activated_nodes = ic_model.run_single_simulation(seed=42)
print(f"激活的节点: {activated_nodes}")

# LT 模型
from pynetim.cpp.diffusion_model import LinearThresholdModel

lt_model = LinearThresholdModel(graph, seeds, theta_l=0.0, theta_h=1.0, record_activated=True)
activated_nodes = lt_model.run_single_simulation(seed=42)
print(f"激活的节点: {activated_nodes}")

# 动态开启/关闭记录
ic_model.set_record_activated(True)

🔧 技术细节

• 修改文件:

  • src/pynetim/cpp/include/diffusion_model.h - 添加核心功能实现
  • src/pynetim/cpp/bindings/ic_bind.cpp - IC 模型 Python 绑定
  • src/pynetim/cpp/bindings/lt_bind.cpp - LT 模型 Python 绑定
  • src/pynetim/cpp/diffusion_model/independent_cascade_model.pyi - 类型提示
  • src/pynetim/cpp/diffusion_model/linear_threshold_model.pyi - 类型提示

• 实现细节:

  • run_single_trial 方法新增 activated_nodes 参数，用于记录激活节点
  • 当 record_activated 为 true 时，遍历所有节点收集激活的节点
  • 使用独立的随机数生成器确保每次模拟的独立性

📖 查看完整更新: CHANGELOG.md

---

🎯 v0.4.2 主要更新

🐛 Bug 修复

• 修复 Graph 对象生命周期管理问题:
  • 修复了 Python 层 Graph 对象被垃圾回收后，C++ 层模型仍持有悬空指针导致的段错误
  • 根本原因：Graph 没有以正确的 std::shared_ptr 形式被 Python 管理
  • 解决方案：在 graph_bind.cpp 中使用 std::make_shared 创建 Graph 对象
  • 现在 Python 和 C++ 共享同一个 shared_ptr，引用计数统一管理
  • py::keep_alive 真正生效，确保 Graph 对象在模型使用期间不会被回收

🧪 测试

• 新增生命周期验证测试：
  • test_weakref.py - 使用 weakref 验证 Graph 对象生命周期
  • test_weakref2.py - 带 seeds 的生命周期测试
  • 测试结果：Graph 对象在模型使用期间保持存活，不会发生段错误

📚 技术细节

• 关键知识点: py::class_<T, std::shared_ptr<T>> 只保证 Python 用 shared_ptr 管理对象，但前提是这个对象本来就是 shared_ptr 创建的
• 修改文件: graph_bind.cpp

📖 查看完整更新: CHANGELOG.md

---

🎯 v0.4.1 主要更新

🐛 Bug 修复

• 修复 C++ 扩展的线程安全问题:
  • 修复 IndependentCascadeModel 和 LinearThresholdModel 在多线程模式下的线程安全问题
  • 通过参数传递替代直接访问成员变量 seeds，消除跨线程共享 std::set 的状态
  • 解决了与 PyTorch 等多线程库结合使用时的 segmentation fault 问题
  • 经过严格测试：5000 次迭代、8 线程并发、10 图并发均稳定运行
  • 单线程和多线程结果完全一致，确保正确性

🧪 测试

• 新增严格验证测试：
  • 单线程/多线程一致性测试
  • 长时间多线程压力测试 (2000 次迭代)
  • 多线程并发访问测试 (8 线程)
  • 多图并发处理测试 (10 个图)
  • 极限压力测试 (5000 次迭代)

📖 查看完整更新: CHANGELOG.md

---

🎯 v0.4.0 主要更新

✨ 新功能

• C++ 图完整支持: 所有工具函数现在支持 IMGraphCpp（C++ 图）
  • set_edge_weight() - 支持三种权重模型（CONSTANT、TV、WC）
  • infection_threshold() - 支持基于度分布的感染阈值计算
  • graph_statistics() - 支持完整的图统计信息
  • graph_density() - 支持图密度计算
  • connectivity_analysis() - 支持连通性分析

⚡ 性能优化

• 避免重复计算度字典
• 使用 Counter 优化度分布统计
• 合并重复代码逻辑，提升可维护性

🐛 Bug 修复

• 修复缺失的 networkx 模块导入
• 修复整数除法导致的精度丢失问题
• 修复连通性分析中的重复代码

📚 文档改进

• 为所有主要模型和算法添加学术参考文献
  • 4个传播模型（LT、IC、SIR、SI）
  • 3个影响力最大化算法（Degree Discount、RIS、IMM）
  • 1个关键工具函数（infection_threshold）
• 新增文档：
  • CHANGELOG.md - 完整的更新日志
  • REFERENCES_DOCUMENTATION.md - 参考文献文档

📖 查看完整更新: CHANGELOG.md

---

✨ 功能概览

• 多种经典影响力最大化算法（Heuristic / Simulation / RIS）
• 多种传播模型（IC / LT / SI / SIR）
• 统一的图结构封装（基于 NetworkX）
• Python 可读实现 + C++ 高性能实现
• 支持蒙特卡洛扩散模拟
• 内置算法计时装饰器

---

📁 项目结构总览

src/
├─ pynetim/
│  ├─ __init__.py
│  │
│  ├─ cpp/                  # C++ 后端（pybind11 绑定）
│  │  ├─ diffusion_model/
│  │  ├─ graph/
│  │  └─ __init__.py
│  │
│  ├─ py/                   # Python 实现（核心逻辑）
│  │  ├─ algorithms/
│  │  ├─ diffusion_model/
│  │  ├─ graph/
│  │  └─ decorator/
│  │
│  ├─ utils/                # 通用工具函数
│  └─ __init__.py
│
└─ tests/                   # 测试代码

---

🧠 架构说明

PyNetIM 采用 “Python 逻辑层 + C++ 计算层” 的设计：

• 算法逻辑、实验流程 → Python
• 高频计算（扩散 / 图操作） → C++
• 上层算法 对后端透明

Algorithm (Python)
   ↓
Diffusion Model Interface
   ↓
Graph Interface
   ↓
Python 实现  /  C++ 扩展

---

⚙️ C++ 后端（pynetim/cpp）

该目录包含 C++ 实现的高性能模块，通过 pybind11 暴露给 Python。

📁 cpp/diffusion_model

cpp/diffusion_model/
├─ diffusion_model.h              # 扩散模型公共接口
├─ ic_bind.cpp                    # IC 模型 pybind11 绑定
├─ lt_bind.cpp                    # LT 模型 pybind11 绑定
├─ independent_cascade_model.pyi  # IC Python 类型存根
├─ linear_threshold_model.pyi     # LT Python 类型存根
└─ __init__.py

说明：

• .cpp 文件仅包含 Python 绑定逻辑

• .pyi 用于：

  • IDE 自动补全
  • 类型检查（MyPy / PyCharm）

支持的模型：

• Independent Cascade (IC)
• Linear Threshold (LT)

---

📁 cpp/graph

cpp/graph/
├─ Graph.h            # C++ 图结构定义
├─ graph_bind.cpp     # 图结构 pybind11 绑定
├─ graph.pyi          # Python 类型存根
└─ __init__.py

功能：

• 提供 C++ 层图结构
• 为 IC / LT 等模型提供高效邻接访问

---

🐍 Python 实现（pynetim/py）

该部分包含 完整、可读、可修改的实现，是算法理解与二次开发的主要入口。

---

📁 py/algorithms —— 影响力最大化算法

py/algorithms/
├─ base_algorithm.py
├─ heuristic_algorithm.py
├─ simulation_algorithm.py
├─ RIS_algorithm.py
└─ __init__.py

已实现算法

启发式算法（速度快）：

• SingleDiscountAlgorithm
• DegreeDiscountAlgorithm

基于模拟的算法（精度高）：

• GreedyAlgorithm
• CELFAlgorithm

RIS 系列算法（适合大规模图）：

• BaseRISAlgorithm
• IMMAlgorithm

---

📁 py/diffusion_model —— 扩散模型（Python 版本）

py/diffusion_model/
├─ base_diffusion_model.py
├─ independent_cascade_model.py
├─ linear_threshold_model.py
├─ susceptible_infected_model.py
├─ susceptible_infected_recovered_model.py
├─ run_monte_carlo_diffusion.py
└─ __init__.py

说明：

• Python 版本 逻辑完整

• 用于：

  • 算法理解
  • 实验修改

• run_monte_carlo_diffusion.py 提供统一的蒙特卡洛扩散接口

---

📁 py/graph —— Python 图封装

py/graph/
├─ graph.py
└─ __init__.py

核心类：

• IMGraph

  • 封装 NetworkX 图
  • 管理节点、边、权重
  • 为算法与扩散模型提供统一接口

---

📁 py/decorator —— 装饰器

py/decorator/
├─ decorator.py
└─ __init__.py

• Timer：用于统计算法运行时间

---

🧰 工具函数（pynetim/utils）

utils/
├─ utils.py
└─ __init__.py

主要功能：

• set_edge_weight

  • WC（入度倒数）
  • 随机权重
  • 自定义权重

---

🧪 测试

运行测试

PyNetIM 提供了完整的测试套件，用于验证库的功能和性能。

NetworkX 图测试

运行 NetworkX 图的测试：

conda run -n pynetim python tests/test.py

C++ 图测试

运行 C++ 图的测试：

conda run -n pynetim python tests/test_cpp.py

测试覆盖

测试套件涵盖了以下功能：

NetworkX 图测试 (tests/test.py):

• 基本图操作（创建、节点、边）
• 图统计信息计算
• 图密度计算
• 连通性分析
• 边权重设置（CONSTANT、TV、WC）
• 感染阈值计算

C++ 图测试 (tests/test_cpp.py):

• 基本图操作（创建、节点、边）
• 邻接查询
• 度数查询（批量）
• 边权重设置
• IC 扩散模型测试
• LT 扩散模型测试
• SI 扩散模型测试
• SIR 扩散模型测试

---

🚀 快速开始

import networkx as nx
from pynetim.py.graph import IMGraph
from pynetim.py.algorithms import DegreeDiscountAlgorithm

# 创建图
g = nx.erdos_renyi_graph(100, 0.1)

# 构建 IMGraph（WC 权重）
graph = IMGraph(g, edge_weight_type='WC')

# 运行算法
algo = DegreeDiscountAlgorithm(graph)
seeds = algo.run(k=10)

print(seeds)

---

🔧 扩展说明

• ✔ 可新增 Python 扩散模型
• ✔ 可新增 自定义 IM 算法
• ✔ C++ 层主要用于性能优化

---

📦 安装

pip install pynetim

---

🙏 致谢

感谢以下对本项目提供帮助的个人和工具：

• TraeAI - 提供了强大的 AI 辅助开发环境，显著提升了代码开发效率和问题解决能力
• GLM-4.7 (Trae AI Assistant) - 在项目开发过程中提供了关键的技术支持，特别是在 C++/Python 互操作、对象生命周期管理等复杂问题上提供了精准的分析和解决方案

---

📄 License

MIT License 详见 LICENSE