Czasowy PageRank
Temporal PageRank rozszerza klasyczny algorytm PageRank na sieci ewoluujące w czasie, uwzględniając aktualność i kolejność interakcji. Krawędzie są ważone funkcją zaniku, tak aby ostatnie kontakty wnosiły większy wkład w wynik węzła niż stare. Rezultatem jest dynamiczny ranking ważności, który odzwierciedla, kto jest wpływowy w danym momencie, a nie w całej historii sieci.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Temporal PageRank (Time-Aware Node Importance Ranking in Temporal Networks). ScholarGate. https://scholargate.app/pl/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.
- Skierowany PageRankAnaliza sieci↔ compare
- Analiza dyfuzji sieciowejAnaliza sieci↔ compare
- Centralność pośrednictwa czasowegoAnaliza sieci↔ compare
- Detekcja społeczności w czasieAnaliza sieci↔ compare
- Temporalna centralność wektorów własnychAnaliza sieci↔ compare
- Analiza społecznych sieci czasowychAnaliza sieci↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →