# 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1PersonalRank算法参数说明 
| 参数             | 是否必选 | 说明       | 类型      | 取值范围        | 默认值     |
|:---|:---|:---|:---|:---|:---|
| source         | 是    | 节点的ID    | String  | -           | -       |
| alpha          | 否    | 权重系数     | Double  | 0\~1，不包括0和1 | 0.85    |
| convergence    | 否    | 收敛精度     | Double  | 0\~1，不包括0和1 | 0.00001 |
| max_iterations | 否    | 最大迭代次数   | Integer | 1\~2000     | 1000    |
| directed       | 否    | 是否考虑边的方向 | Boolean | true或false  | true    |
   
![](https://support.huaweicloud.com/usermanual-ges/public_sys-resources/note_3.0-zh-cn.png)
- 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](https://support.huaweicloud.com/usermanual-ges/ges_01_0025.html)。
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。