PageRank Temporal
PageRank Temporal extiende el algoritmo PageRank clásico a redes que evolucionan en el tiempo incorporando la actualidad y el orden de las interacciones. Los arcos se ponderan mediante una función de decaimiento de modo que los contactos recientes contribuyen más a la puntuación de un nodo que los antiguos. El resultado es un ranking dinámico de importancia que captura quién es influyente en este momento, en lugar de a lo largo de toda la historia de la red.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Temporal PageRank (Time-Aware Node Importance Ranking in Temporal Networks). ScholarGate. https://scholargate.app/es/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.
- PageRank DirigidoAnálisis de redes↔ compare
- Análisis de Difusión en RedAnálisis de redes↔ compare
- Centralidad de Intermediación TemporalAnálisis de redes↔ compare
- Detección Temporal de ComunidadesAnálisis de redes↔ compare
- Centralidad de autovector temporalAnálisis de redes↔ compare
- Análisis Temporal de Redes SocialesAnálisis de redes↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →