PersonalRank算法

概述

PersonalRank算法又称Personalized PageRank算法。该算法继承了经典PageRank算法的思想，利用图链接结构来递归计算各节点的重要性。与PageRank算法不同的是，为了保证随机行走中各节点的访问概率能够反映出用户的偏好，PersonalRank算法在随机行走中的每次跳转会以（1-alpha）的概率返回到source节点，因此可以基于source节点个性化地计算网络节点的相关性和重要性。（PersonalRank值越高，source节点的相关性/重要性越高）。

适用场景

PersonalRank算法适用于商品推荐、好友推荐和网页推荐等场景。

参数说明

• alpha决定跳转概率系数，也称为阻尼系数，是算法内的计算控制变量。
• convergence定义每次迭代各个点相较于上次迭代变化的绝对值累加和上限，当小于这个值时认为计算收敛，算法停止。

注意事项

收敛精度（convergence）设置较大值时，迭代会较快停止。

示例

需要在图引擎编辑器的算法区内，选定该算法进行操作。具体操作详见使用算法分析图。

输入参数source=Lee，alpha=0.85，convergence=0.00001，max_iterations=1000，directed=true，计算结果中的top节点组成的子图会展示在绘图区，节点大小根据PersonalRank值的大小来区别，JSON结果会展示在查询结果区。