Machine learningNetwork science

Temporal PageRank

A Temporal PageRank az időben fejlődő hálózatok klasszikus PageRank algoritmusának kiterjesztése, amely figyelembe veszi az interakciók újszerűségét és sorrendjét. Az éleket egy csökkenő súlyfüggvénnyel súlyozzák, így a frissebb kapcsolatok jobban hozzájárulnak egy csomópont pontszámához, mint a régiek. Az eredmény egy dinamikus fontossági rangsor, amely azt mutatja meg, hogy ki az, aki éppen most befolyásos, a hálózat teljes történetét tekintve.

Megnyitás itt: MethodMindHamarosanVideóHamarosanDownload slides

A teljes módszer elolvasása

Csak tagoknak

Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.

Bejelentkezés

Method map

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

Források

  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

Hogyan hivatkozzon erre az oldalra

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

Hivatkozik rá

ScholarGateTemporal PageRank (Temporal PageRank (Time-Aware Node Importance Ranking in Temporal Networks)). Letöltve 2026-06-15, forrás: https://scholargate.app/hu/network-analysis/temporal-pagerank · Adatkészlet: https://doi.org/10.5281/zenodo.20539026