Machine learningNetwork science

Temporální PageRank

Temporální PageRank rozšiřuje klasický algoritmus PageRank na časově se vyvíjející sítě začleněním aktuálnosti a pořadí interakcí. Hrany jsou váženy funkcí rozpadu tak, aby nedávné kontakty přispívaly ke skóre uzlu více než staré. Výsledkem je dynamické hodnocení důležitosti, které zachycuje, kdo je v danou chvíli vlivný, spíše než v průběhu celé historie sítě.

Otevřít v MethodMindJiž brzyVideoJiž brzyDownload slides

Přečíst celou metodu

Pouze pro členy

Pro přečtení této sekce se přihlaste s bezplatným účtem.

Přihlásit se

Method map

The neighbourhood of related methods — select a node to explore.

Zdroje

  1. Rozenshtein, P. & Gionis, A. (2016). Temporal PageRank. In Proceedings of the European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML PKDD), Part II, LNCS 9852, pp. 674–689. Springer. DOI: 10.1007/978-3-319-46227-1_42
  2. Lerman, K. & Ghosh, R. (2010). Information Contagion: An Empirical Study of the Spread of News on Digg and Twitter Social Networks. In Proceedings of the Fourth International AAAI Conference on Weblogs and Social Media (ICWSM), pp. 90–97. AAAI Press. link

Jak citovat tuto stránku

ScholarGate. (2026, June 3). Temporal PageRank (Time-Aware Node Importance Ranking in Temporal Networks). ScholarGate. https://scholargate.app/cs/network-analysis/temporal-pagerank

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side

Odkazuje sem

ScholarGateTemporal PageRank (Temporal PageRank (Time-Aware Node Importance Ranking in Temporal Networks)). Získáno 2026-06-15 z https://scholargate.app/cs/network-analysis/temporal-pagerank · Datová sada: https://doi.org/10.5281/zenodo.20539026