使用python的networkX来计算个性化页面排名

我正在尝试构建一个有向图并在此图上计算个性化页面排名。因此，假设我有一个顶点{1,2,3,4}图和边缘会从 2，3，4到顶点1，我想：使用python的networkX来计算个性化页面排名

（1）计算对于每个顶点的个性化网页排名1

（2）计算对于每个顶点的个性化网页排名为2

的问题是，我应该怎么传中，个性化的网页排名功能此选项。下面的代码似乎并没有做我想做的：

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，即使它不应该是这样的。

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

在回答下面发表评论，我的个性化网页排名的理解来自于以下几个：

的等效定义是在开始从s 随机游走终端节点的条款。令（X0，X1，...，XL）为从几何（α）长度的X0 = s开始的随机游走。这里由L〜几何（α）表示Pr [L = ] = (1−α) α。这个行走从s开始，并在每一步执行以下操作：以概率α终止; 并且剩余概率1-α继续到当前节点的随机出站邻居。这里，如果当前节点是u，那么随机邻居v∈Nout（u）是以概率wu选择的，如果该图是加权的，或者如果图是未加权的，则具有统一的概率012/1/dout（u）。那么任何结点t的PPR是，这一走，停在t时的概率：

发现本文第6页：https://cs.stanford.edu/people/plofgren/bidirectional_ppr_thesis.pdf

，所以我想我所期待的计算时的“个性化网页排名对于s而言，t是“如果我们根据上述过程从s开始随机游走，那么此步行在t终止的概率是多少。

来源

2017-04-04 chibro2

你必须解释你的意思是“个性化的......”在PageRank中，可以统一跳转到随机页面。 networkx中的“个性化”允许跳跃在不同页面上具有不同的着陆概率。在第一种情况下，所有页面的重量都是1，因此跳跃是统一的。在第二种情况下，所有页面的重量都是2，所以跳跃是统一的。所以两者都给出相同的结果（如果你根本没有分配权重，结果也是一样的）。 – Joel

@Joel只是在问题中增加了更多信息。 – chibro2

在PageRank的概念化中，随机冲浪者正在围绕以下链接移动。在每一步中，冲浪者都会有一个非零概率进入随机页面（而不是跟随链接）。如果随机页面的选择是加权的，那么它被称为个性化的PageRank。

在你的情况下，你想跳转到一个特定的页面。所以你需要告诉它，当冲浪者跳跃而不是沿着边缘时，所有其他页面在这些步骤中被选择的概率为零。

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})

来源

2017-04-04 05:39:53 Joel

使用python的networkX来计算个性化页面排名

回答

相关问题