PageRank'teki Değişimler

PageRank formülü \(\vec{PR}=\alpha \cdot A \cdot \vec{PR} + (1-\alpha)\cdot \vec{e}\), \(\vec{PR}\) için yinelemeli olarak çözülebilir. Her yinelemede, \(\vec{PR}\)'nin mevcut değeri, gerçek değere daha yakın yeni bir değeri hesaplamak için kullanılır. Bu da art arda gelen her iki yineleme arasındaki \(\vec{PR}\) farkının giderek küçülmesi, sonunda \(\vec{PR}\) gerçek değere yakınsayıp farkın (neredeyse) sıfır olması anlamına gelir. Bu egzersizde, PageRank algoritmasını ve nasıl yakınsadığını inceleyeceksin.

Bu egzersiz, kursun bir parçasıdır

R ile Ağ Verileri Kullanarak Predictive Analytics

Kursa Göz Atın

Egzersiz talimatları

network ile page.rank() kullanarak ve niter=1 belirterek PageRank algoritmasıyla bir yineleme hesapla. Vektör özniteliğini çıkar ve sonucu iter1 değişkenine ata.
Aynı adımı niter=2 ile tekrarla. Sonucu iter2 değişkenine ata.
iter1 ve iter2 vektörleri arasındaki mutlak farkın toplamını hesapla.
iter9 ve iter10'u da iter1 ve iter2 ile aynı şekilde hesapladık. Bu iki yineleme arasındaki fark, 1 ve 2. yinelemeler arasındaki farktan daha küçük mü?

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# 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(___(___ - ___))

Kodu Düzenle ve Çalıştır