Temporales PageRank
Temporales PageRank erweitert den klassischen PageRank-Algorithmus auf zeitlich sich entwickelnde Netzwerke, indem es die Aktualität und Reihenfolge von Interaktionen berücksichtigt. Kanten werden mit einer Zerfallsfunktion gewichtet, sodass neuere Kontakte stärker zum Score eines Knotens beitragen als ältere. Das Ergebnis ist eine dynamische Wichtigkeitsrangfolge, die erfasst, wer aktuell einflussreich ist, anstatt über die gesamte Historie des Netzwerks.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Temporal PageRank (Time-Aware Node Importance Ranking in Temporal Networks). ScholarGate. https://scholargate.app/de/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.
- Gerichtetes PageRankNetzwerkanalyse↔ compare
- NetzwerkdiffusionsanalyseNetzwerkanalyse↔ compare
- Temporale ZwischenzentralitätNetzwerkanalyse↔ compare
- Zeitliche GemeinschaftserkennungNetzwerkanalyse↔ compare
- Temporale EigenvektorzentralitätNetzwerkanalyse↔ compare
- Zeitliche Analyse sozialer NetzwerkeNetzwerkanalyse↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →