使用python的networkX來計算個性化頁面排名

我正在嘗試構建一個有向圖並在此圖上計算個性化頁面排名。因此，假設我有一個頂點{1,2,3,4}圖和邊緣會從 2，3，4到頂點1，我想：使用python的networkX來計算個性化頁面排名

（1）計算對於每個頂點的個性化網頁排名1

（2）計算對於每個頂點的個性化網頁排名爲2

的問題是，我應該怎麼傳中，個性化的網頁排名功能此選項。下面的代碼似乎並沒有做我想做的：

import networkx as nx 

G = nx.DiGraph() 

[G.add_node(k) for k in [1,2,3,4]] 
G.add_edge(2,1) 
G.add_edge(3,1) 
G.add_edge(4,1) 


ppr1 = nx.pagerank(G,personalization={1:1, 2:1, 3:1, 4:1}) 
ppr2 = nx.pagerank(G,personalization={1:2, 2:2, 3:2, 4:2})

眼下ppr1 == ppr2，即使它不應該是這樣的。

============================================== ==================== 更新。

在回答下面發表評論，我的個性化網頁排名的理解來自於以下幾個：

的等效定義是在開始從s 隨機遊走終端節點的條款。令（X0，X1，...，XL）爲從幾何（α）長度的X0 = s開始的隨機遊走。這裏由L〜幾何（α）表示Pr [L = ] = (1−α) α。這個行走從s開始，並在每一步執行以下操作：以概率α終止; 並且剩餘概率1-α繼續到當前節點的隨機出站鄰居。這裏，如果當前節點是u，那麼隨機鄰居v∈Nout（u）是以概率wu選擇的，如果該圖是加權的，或者如果圖是未加權的，則具有統一的概率012/1/dout（u）。那麼任何結點t的PPR是，這一走，停在t時的概率：

發現本文第6頁：https://cs.stanford.edu/people/plofgren/bidirectional_ppr_thesis.pdf

，所以我想我所期待的計算時的「個性化網頁排名對於s而言，t是「如果我們根據上述過程從s開始隨機遊走，那麼此步行在t終止的概率是多少。

來源

2017-04-04 chibro2

你必須解釋你的意思是「個性化的......」在PageRank中，可以統一跳轉到隨機頁面。 networkx中的「個性化」允許跳躍在不同頁面上具有不同的着陸概率。在第一種情況下，所有頁面的重量都是1，因此跳躍是統一的。在第二種情況下，所有頁面的重量都是2，所以跳躍是統一的。所以兩者都給出相同的結果（如果你根本沒有分配權重，結果也是一樣的）。 – Joel

@Joel只是在問題中增加了更多信息。 – chibro2

在PageRank的概念化中，隨機衝浪者正在圍繞以下鏈接移動。在每一步中，衝浪者都會有一個非零概率進入隨機頁面（而不是跟隨鏈接）。如果隨機頁面的選擇是加權的，那麼它被稱爲個性化的PageRank。

在你的情況下，你想跳轉到一個特定的頁面。所以你需要告訴它，當衝浪者跳躍而不是沿着邊緣時，所有其他頁面在這些步驟中被選擇的概率爲零。

ppr1 = nx.pagerank(G,personalization={1:1, 2:0, 3:0, 4:0}) 
ppr2 = nx.pagerank(G,personalization={1:0, 2:1, 3:0, 4:0})

來源

2017-04-04 05:39:53 Joel

使用python的networkX來計算個性化頁面排名

回答

相關問題