گراف‌ها و گراف‌های دانش

D = np.diag(A.sum(axis=1))                     # ماتریس درجه
L = D - A                                      # لاپلاسین
eigenvalues, eigenvectors = np.linalg.eigh(L)  # ترتیب صعودی
eigenvalues[1]                                 # مقدار فیدلر
fiedler = eigenvectors[:, 1]                   # بردار فیدلر
group_a = np.where(fiedler >= 0)[0]            # یک خوشه
group_b = np.where(fiedler < 0)[0]             # خوشه‌ی دیگر
G = nx.karate_club_graph()                     # 34 گره، 78 یال
nx.number_connected_components(G)
nx.pagerank(G)                                 # اهمیت گره

def verify(triples, text):
    verified = []
    for t in triples:
        s, e = t["span"]
        if text[s:e] != t["evidence"]:          # اسپن باید با متن مبدأ مطابقت داشته باشد
            continue
        verified.append(t)
    return verified

triples = extract(doc)                          # الگوهای رجکس PATTERNS، هر کدام یک شناسه‌ی P
graph = build_graph(verify(triples, doc))       # فاعل به رابطه، مفعول
for rel, obj, ev in graph.get("Tim Cook", []):  # متغیر ev جمله‌ی مبدأ است
    if rel == "P169":                           # مدیرعاملِ