Çok Katmanlı PageRank
Multilayer PageRank (Centrality on Multiplex and Multilayer Networks) · Ayrıca şöyle bilinir: multiplex PageRank, layer-coupled PageRank, multilayer random walk centrality, MuxRank
Çok Katmanlı PageRank, klasik PageRank rastgele-yürüyüş merkeziliğini, birden çok birbirine bağlı katman içeren ağlara genişletir — örneğin, insanların aynı anda arkadaşlık, profesyonel bağlar ve çevrimiçi platformlar aracılığıyla bağlandığı bir sosyal ağ. Sanal bir gezginin hem katman içinde hem de katmanlar arasında atlamasına izin vererek, algoritma yalnızca herhangi bir tek katman içinde değil, tüm çok katmanlı yapı boyunca etkili olan düğümleri tanımlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Verileriniz, aynı varlık kümesini iki veya daha fazla farklı ilişki türü veya bağlam (örneğin, ortak yazarlık artı atıf ağları veya birden çok sosyal platform) aracılığıyla bağlı olarak tanımladığında ve yalnızca birine hakim olmak yerine etkisi katmanlar arasına yayılan düğümleri tanımlamak istediğinizde Çok Katmanlı PageRank kullanın. Katman üyeliği bilindiğinde, ağın yönlü veya yönsüz katman içi bağlantıları olduğunda ve araştırma sorusu çok yönlülük veya bağlamlar arası merkezilikle ilgili olduğunda uygundur. Yalnızca tek bir ilişki türünüz olduğunda (basit PageRank yeterlidir), katmanlar aynı aktörleri bağlamlar arasında temsil etmek yerine farklı düğüm kümelerini temsil ettiğinde veya ağınız çok seyrek ve küçük olduğunda (katman başına ~30'dan az düğüm), rastgele yürüyüş yakınsaması ve sıralama kararlılığı güvenilmez hale geldiği için kullanmayın.
Güçlü yönler & sınırlılıklar
- Çok yönlülüğü yakalar: tek katmanlı PageRank'in tespit edemediği, aynı anda birden çok ilişki bağlamında etkili düğümleri tanımlar.
- Hem yönlü hem de yönsüz katman içi kenarları ve asimetrik katmanlar arası bağlamaları yönetir.
- Durağan bir dağılıma yakınsamayı garanti eden titiz bir rastgele yürüyüş temeline dayanır.
- Katmanlar arası bağlama parametresi, katmana özgü ve küresel etkiyi ayırt etmek için prensipli duyarlılık analizine olanak tanır.
- Supra-komşuluk seyrek formatta depolandığında, güç-iterasyon çözücüleri aracılığıyla büyük ağlara (milyonlarca düğüm) ölçeklenebilir.
- Katmanlar arası bağlama gücünün seçimi nadiren prensiplidir ve düğümlerin sıralamasını önemli ölçüde değiştirebilir.
- Supra-komşuluk matrisini oluşturmak ve depolamak, yoğun formda O(N*L)^2 bellek maliyetine sahiptir, bu da birçok katman veya çok büyük ağlar için aşırı olabilir.
- Aynı düğüm kümesinin katmanlar arasında görünmesini (veya açık bir eşleşmeyi) gerektirir, bu da pratikte her zaman mevcut değildir.
- Yorumlama, tek katmanlı PageRank'ten daha az sezgiseldir; çok yönlülük skorlarını uzman olmayan kitlelere açıklamak zordur.
SSS
Çok Katmanlı PageRank, PageRank'i her katmanda ayrı ayrı çalıştırmaktan nasıl farklıdır?
PageRank'i katman başına çalıştırmak, yalnızca o katman içindeki yerel etkiyi yansıtan bir skor verir. Çok Katmanlı PageRank, katmanları bir supra-komşuluk matrisi aracılığıyla bağlar, böylece rastgele gezgin katmanlar arasında hareket edebilir ve katmanlar arası etkiyi yansıtan tek bir çok yönlülük skoru üretir — yalnızca bir katmanda öne çıkan düğümler, birçok katmanda öne çıkan düğümlerden daha düşük skor alır.
Katmanlar arası bağlama gücünü nasıl seçmeliyim?
Evrensel bir kural yoktur. Yaygın bir uygulama, algoritmayı bir dizi bağlama değeri üzerinde çalıştırmak ve en üst sıradaki düğümlerin sabit kalıp kalmadığını kontrol etmektir (değerler arası sıralama korelasyonu). Alan bilgisi — örneğin, sosyal platformlar arasında geçişin kolay mı yoksa maliyetli mi olduğu — seçime rehberlik edebilir. Ana sonuçların yanı sıra duyarlılık analizlerini de rapor edin.
Hangi yazılımlar Çok Katmanlı PageRank'i uygular?
De Domenico'nun MuxViz platformu (R/Python), çok katmanlı PageRank ve çok yönlülüğü doğrudan uygular. NetworkX (Python), supra-komşuluk matrislerini işlemek üzere genişletilebilir ve igraph, güç iterasyonunda kullanılan temel özdeğer çözücülerini sağlar.
Yöntem, ağırlıklı çok katmanlı ağlar için uygun mudur?
Evet. Katman içi kenarlar, güç iterasyonundan önce geçiş olasılığı matrisine dahil edilen ağırlıklar taşıyabilir. Benzer şekilde, katmanlar arası bağlama ağırlıkları katman çiftleri arasında farklılık gösterebilir, bu da her katmandan katmana atlamanın ne kadar cezalandırılacağı üzerinde daha ince kontrol sağlar.
Bunun yerine Çok Katmanlı Özvektör Merkeziliği'ni ne zaman kullanmalıyım?
Çok katmanlı özvektör merkeziliği de katmanlar arası özyinelemeli prestiji yakalar ancak PageRank'in sönümleme (ışınlanma) terimini içermez. Seyrek veya bağlantısız katmanlarda kararsız olabilir. PageRank'in sönümleme faktörü, onu pratikte daha sağlam hale getirir; özvektör merkeziliğini yalnızca saf özyinelemeli prestijin teorik yorumu araştırma sorunuz için önemli olduğunda tercih edin.
Kaynaklar
- De Domenico, M., Sole-Ribalta, A., Omodei, E., Gomez, S., & Arenas, A. (2015). Ranking in interconnected multilayer networks reveals versatile nodes. Nature Communications, 6, 6868. DOI: 10.1038/ncomms7868 ↗
- Boccaletti, S., Bianconi, G., Criado, R., del Genio, C. I., Gomez-Gardenes, J., Romance, M., Sendina-Nadal, I., Wang, Z., & Zanin, M. (2014). The structure and dynamics of multilayer networks. Physics Reports, 544(1), 1–122. DOI: 10.1016/j.physrep.2014.07.001 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Multilayer PageRank (Centrality on Multiplex and Multilayer Networks). ScholarGate. https://scholargate.app/tr/network-analysis/multilayer-pagerank
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Yönlendirilmiş PageRankAğ analizi↔ karşılaştır
- Özvektör Merkezi̇lli̇ği̇Ağ analizi↔ karşılaştır
- Çok Katmanlı Aradalık MerkeziyiliğiAğ analizi↔ karşılaştır
- Çok Katmanlı Topluluk TespitiAğ analizi↔ karşılaştır
- Çok Katmanlı Ağ AnaliziAğ analizi↔ karşılaştır