Python 求子图同构的QuickSI算法

我正在研究快速子图同构（QuickSI）算法，我在理解第6，（2）和（3）页所述的关于内支撑和平均内支撑计算的公式时遇到问题。如果“v”代表顶点，“e”代表边，那么f（v）和f（e）做什么？如何从第6页获得表2的值？第5页的定义4在帮助我理解方面并没有多大帮助。通过从查询图到数据图的同构映射，我理解了从查询图中提取不同的组件，并查看它们是否可以在数据图中找到。但是对于大型图来说，这种方法的计算时间似乎不太可行

在这里您可以找到原始文章：

提前谢谢你

函数f在定义1中描述-它只是保持标签（l）的同构函数

“平均内部支撑”是具有同构的“特征”（例如，顶点）的数量除以具有同构的图的数量。要获取表的值，您需要知道所使用的图（D）的数据集。除了在示例4中，它似乎没有被引用

---

真的，退一步——你需要实现这个特定的算法吗？有很多简单的方法可能会稍微慢一点，但更清晰。此外，为什么不使用其他人的子图同构算法实现？

感谢您的快速响应。是的，我必须实施这个。图（D）的数据集位于图2第1页。我一直在尝试使用这两个公式，但我无法从表2中得到答案。如果可能的话，你能帮助我一步一步地用数据集使用公式吗？我无法获得N-C型边缘的1.4或5.1，也无法获得C-C型边缘。谢谢！嗯，奇怪，我也试着计算了一下，但数值似乎不匹配。例如，phi平均值（N）应该是4/3，对吗？D中有4个顶点标记为“N”，有3个图包含f（v）-也就是说，3个图具有（至少一个？）映射。也许这张桌子实际上与他们给出的D不符？你可以问作者……我做的是边缘部分。在三个数据图上，我们有4个NC边映射。我尝试了以下方法：1）4/3，3个图上的4个映射。不起作用。2） 4/20，其中20是三个图中的边总数。没有成功。3) 4/16. 16条边，因为我从总共20条边中减去了NC的4个外观。我将尝试的最后一种方法是计算包含此边并可以映射的特征的总数。如果失败，我将最终与作者联系。