เปรียบเทียบวิธี

	PageRank แบบเบย์เซียน	เทมพอรัลเพจแรงก์
สาขาวิชา	การวิเคราะห์เครือข่าย	การวิเคราะห์เครือข่าย
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	1999 (PageRank); 2000s (Bayesian extension)	2016
ผู้ริเริ่ม	Page, L. & Brin, S. (PageRank); Bayesian extension by multiple authors	Rozenshtein, P. & Gionis, A.
ประเภท	Probabilistic centrality measure	Centrality / ranking algorithm for temporal networks
แหล่งต้นตำรับ	Page, L., Brin, S., Motwani, R., & Winograd, T. (1999). The PageRank citation ranking: Bringing order to the web. Stanford InfoLab Technical Report.	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.
ชื่อเรียกอื่น	Bayesian PR, probabilistic PageRank, uncertainty-aware PageRank, stochastic PageRank	TPR, time-aware PageRank, streaming PageRank, dynamic PageRank
ที่เกี่ยวข้อง	6	6
สรุป	Bayesian PageRank extends the classic PageRank algorithm by embedding it within a Bayesian probabilistic framework. Instead of returning a single deterministic rank score for each node, it quantifies uncertainty over rank estimates — particularly valuable when the network is incomplete, noisy, or observed with error. It is used in web analysis, citation networks, and social network research where rank uncertainty matters.	Temporal PageRank extends the classic PageRank algorithm to time-evolving networks by incorporating the recency and ordering of interactions. Edges are weighted by a decay function so that recent contacts contribute more to a node's score than old ones. The result is a dynamic importance ranking that captures who is influential right now, rather than over the entire history of the network.