Machine learningNetwork science

پیج‌رنک زمانی (Temporal PageRank)

پیج‌رنک زمانی با گنجاندن تازگی و ترتیب تعاملات، الگوریتم کلاسیک پیج‌رنک را به شبکه‌های در حال تحول زمانی گسترش می‌دهد. یال‌ها با یک تابع کاهشی وزن‌دهی می‌شوند تا تماس‌های اخیر سهم بیشتری در امتیاز یک گره نسبت به تماس‌های قدیمی داشته باشند. نتیجه، یک رتبه‌بندی اهمیت پویا است که نشان می‌دهد چه کسی در حال حاضر تأثیرگذار است، نه در کل تاریخچه شبکه.

باز کردن در MethodMindبه‌زودیویدیوبه‌زودیDownload slides

مطالعهٔ کامل روش

ویژهٔ اعضا

برای خواندن این بخش با حساب رایگان وارد شوید.

ورود

Method map

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

منابع

  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

نحوهٔ استناد به این صفحه

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

ارجاع‌شده در

ScholarGateTemporal PageRank (Temporal PageRank (Time-Aware Node Importance Ranking in Temporal Networks)). بازیابی‌شده در 2026-06-15 از https://scholargate.app/fa/network-analysis/temporal-pagerank · مجموعه‌داده: https://doi.org/10.5281/zenodo.20539026