更新时间:2023-08-17 GMT+08:00
分享

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

表1 PersonalRank算法参数说明

参数

是否必选

说明

类型

取值范围

默认值

source

节点的ID

String

-

-

alpha

权重系数

Double

0~1,不包括0和1

0.85

convergence

收敛精度

Double

0~1,不包括0和1

0.00001

max_iterations

最大迭代次数

Int

1~2000

1000

directed

是否考虑边的方向

Bool

true或false

true

  • 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。

分享:

    相关文档

    相关产品