PageRank Temporel
Le PageRank Temporel étend l'algorithme PageRank classique aux réseaux évoluant dans le temps en intégrant la récence et l'ordre des interactions. Les arêtes sont pondérées par une fonction de décroissance afin que les contacts récents contribuent davantage au score d'un nœud que les anciens. Le résultat est un classement dynamique d'importance qui capture qui est influent en ce moment, plutôt que sur toute l'histoire du réseau.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Temporal PageRank (Time-Aware Node Importance Ranking in Temporal Networks). ScholarGate. https://scholargate.app/fr/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 DirigéAnalyse de réseaux↔ compare
- Analyse de la diffusion en réseauAnalyse de réseaux↔ compare
- Centralité d'intermédiarité temporelleAnalyse de réseaux↔ compare
- Détection de communautés temporellesAnalyse de réseaux↔ compare
- Centralité par vecteur propre temporelAnalyse de réseaux↔ compare
- Analyse des réseaux sociaux temporelsAnalyse de réseaux↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →