Machine learningNetwork science

Χρονικό PageRank

Το Χρονικό PageRank επεκτείνει τον κλασικό αλγόριθμο PageRank σε χρονικά εξελισσόμενα δίκτυα, ενσωματώνοντας την επικαιρότητα και τη σειρά των αλληλεπιδράσεων. Οι ακμές σταθμίζονται από μια συνάρτηση αποσύνθεσης, έτσι ώστε οι πρόσφατες επαφές να συμβάλλουν περισσότερο στη βαθμολογία ενός κόμβου από τις παλιές. Το αποτέλεσμα είναι μια δυναμική κατάταξη σπουδαιότητας που αποτυπώνει ποιος είναι επιδραστικός αυτή τη στιγμή, αντί για ολόκληρη την ιστορία του δικτύου.

Άνοιγμα στο MethodMindΣύντομαΒίντεοΣύντομαDownload slides

Διαβάστε ολόκληρη τη μέθοδο

Μόνο για μέλη

Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.

Σύνδεση

Method map

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

Πηγές

  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

Πώς να παραπέμψετε σε αυτή τη σελίδα

ScholarGate. (2026, June 3). Temporal PageRank (Time-Aware Node Importance Ranking in Temporal Networks). ScholarGate. https://scholargate.app/el/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

Αναφέρεται από

ScholarGateTemporal PageRank (Temporal PageRank (Time-Aware Node Importance Ranking in Temporal Networks)). Ανακτήθηκε στις 2026-06-15 από https://scholargate.app/el/network-analysis/temporal-pagerank · Σύνολο δεδομένων: https://doi.org/10.5281/zenodo.20539026