标签：node CS224W Embeddings Matrix 0.1 beta PageRank 跳转 节点
文章目录
- PageRank
- How to solve PageRank?
- Random Walk with restarts and Personalized PageRank
- Matrix Factorization and Node Embeddings
- Limitations of node embeddings via matrix factorization and random walks
CS224W: Machine Learning with Graphs
公式输入请参考： 在线Latex公式
从矩阵的角度来理解图，从而可以：
Determine node importance via random walk (PageRank)
Obtain node embeddings via matrix factorization (MF)
View other node embeddings (e.g. Node2Vec) as MF
PageRank
网页看做图结构这个没问题，需要注意的是，现在的互联网除了超链接方式进行连接之外，还有提交post，评论，点赞，购买等关系。
在网页构成的有向图中，不是每个页面都是同样重要。
有三种方法来分析网页的重要性：
PageRank
Personalized PageRank (PPR)
Random Walk with Restarts
Links as votes
把链接数量看做重要性的衡量标准，相当于把度当做重要性标准，由于网页图是有向图，那么
第一个问题就是用出度还是入度作为衡量标准？用入度，因为出度比较容易作假
第二个问题既然链接重要性不一样，那么不同链接应该有不同的权重，重要的链接应该占有更大比重，这样使得问题变成了递归计算。
用以下公式表示节点
j
j
j的重要度“rank”：
r
j
=
∑
i
→
j
r
i
d
i
r_j=\sum_{i\rightarrow j}\cfrac{r_i}{d_i}
rj=i→j∑diri
重要性和出度有关，出度越大，分到的重要度越小。
上图中：
r
j
=
r
i
/
3
+
r
k
/
4
r_j=r_i/3+r_k/4
rj=ri/3+rk/4
Matrix Formulation
Stochastic adjacency matrix
标签：node,CS224W,Embeddings,Matrix,0.1,beta,PageRank,跳转,节点 来源： https://blog.csdn.net/oldmao_2001/article/details/120253335
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。