Förändringar i PageRank

PageRank-formeln \(\vec{PR}=\alpha \cdot A \cdot \vec{PR} + (1-\alpha)\cdot \vec{e}\) kan lösas för \(\vec{PR}\) iterativt. I varje iteration används det aktuella värdet av \(\vec{PR}\) för att beräkna ett nytt värde som ligger närmare det sanna värdet. Det innebär att skillnaden mellan \(\vec{PR}\) för varje par av efterföljande iterationer blir allt mindre, tills \(\vec{PR}\) konvergerar mot det sanna värdet och skillnaden blir (nästan) noll. I den här övningen undersöker du PageRank-algoritmen och hur den konvergerar.

Den här övningen är en del av kursen

Prediktiv analys med nätverksdata i R

Visa kurs

Övningsinstruktioner

Beräkna en iteration med PageRank-algoritmen med hjälp av page.rank() på network och ange niter=1. Extrahera vektorattributet och tilldela resultatet till iter1.
Upprepa föregående steg med niter=2. Tilldela resultatet till iter2.
Beräkna summan av den absoluta skillnaden mellan vektorerna iter1 och iter2.
Vi har beräknat iter9 och iter10 på samma sätt som iter1 och iter2. Är skillnaden mellan dessa två iterationer mindre än skillnaden mellan iteration 1 och 2?

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Compute one iteration of PageRank 
iter1 <- page.rank(___, algo = 'power', options = list(niter = ___))$vector

# Compute two iterations of PageRank 
iter2 <- ___(___, algo = 'power', options = list(niter = ___))$vector

# Inspect the change between one and two iterations
sum(abs(___ - ___))

# Inspect the change between nine and ten iterations
sum(___(___ - ___))

Redigera och kör kod