思路

为最终比较划分好测试集和不存在边集【全集1-train-test-对角元】，根据集合中非零元【即边的数目】构建比较矩阵test_rd【比较n次，随机生成n个值右取整作为抽取的要比较的边】，下一步对test的邻接矩阵赋值，相似性指标给予一个分值存入test_pre，然后依据判断条件【test==1】只取其中非零边【为什么？降低内存？】，对应位置的test_pre存入test_data，再把最初的test_rd构建成稀疏矩阵【？为什么不直接比】，最后test_rd 和 non_rd比大小，分别给n',n''计算AUC

---

AUC计算方法

---

triu

triu Extract upper triangular part.提取上三角

---

function [ auc ] = CalcAUC( train, test, sim, n )

%% 计算AUC，输入计算的相似度矩阵

    sim = triu(sim - sim.*train);%只保留上三角，因为同一条边取一次就足够了

对于CN来说

对应位置元素相乘，结果为训练集的相似度矩阵，这个不参与比较，因此要从sim中除掉

% 只保留测试集和不存在边集合中的边的相似度（自环除外）

    non = 1 - train - test - eye(max(size(train,1),size(train,2)));

%1代表全集，全连通图，减去边集，减去对角元，剩下的为不存在边集

生成non【不存在边集】

    test = triu(test);

    non = triu(non);

    % 分别取测试集和不存在边集合的上三角矩阵，用以取出他们对应的相似度分值？？【点乘sim,即后边的test_pre = sim .* test】

    test_num = nnz(test);

    non_num = nnz(non);

    test_rd = ceil( test_num * rand( 1, n)); 

n=5为例 因为testnum=1，而且向右取整 如果testnum=5时

% ceil是取大于等于的最小整数，n为抽样比较的次数

    non_rd = ceil( non_num * rand( 1, n));

---

    这里开始不太懂

test_pre = sim .* test;%具体某条边乘他的相似性作为预测分值

    non_pre = sim .* non;%具体某条不存在边乘他的相似性作为预测分值

---

  这里不懂

  test_data =  test_pre( test == 1 )'; %？？？？【将test中非零元对应位置的test_pre值取出存入test_data】

    % 行向量，test 集合存在的边的预测值

    non_data =  non_pre( non == 1 )'; 

    % 行向量，nonexist集合存在的边的预测值

    test_rd = test_data( test_rd );

    non_rd = non_data( non_rd );

    clear test_data non_data;

    n1 = length( find(test_rd > non_rd) ); 

    n2 = length( find(test_rd == non_rd));

第二个元素相等

    auc = ( n1 + 0.5*n2 ) / n;

end