Temporālais PageRank
Temporālais PageRank paplašina klasisko PageRank algoritmu uz laika gaitā mainīgiem tīkliem, iekļaujot mijiedarbību aktualitāti un secību. Šķautnes tiek svērtas ar sabrukšanas funkciju, lai nesenie kontakti dotu lielāku ieguldījumu mezgla vērtējumā nekā vecie. Rezultāts ir dinamiska nozīmīguma ranžēšana, kas atspoguļo to, kurš ir ietekmīgs tieši tagad, nevis visā tīkla vēsturē.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Temporal PageRank (Time-Aware Node Importance Ranking in Temporal Networks). ScholarGate. https://scholargate.app/lv/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.
- Virziena PageRankTīklu analīze↔ compare
- Tīkla difūzijas analīzeTīklu analīze↔ compare
- Laika starpības centrālās vērtības noteikšanaTīklu analīze↔ compare
- Temporālā kopienu noteikšanaTīklu analīze↔ compare
- Laika mērauklu īpašvērtību centrālās vērtībasTīklu analīze↔ compare
- Temporālā sociālo tīklu analīzeTīklu analīze↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →