Search Engine + Recommendation System

PageRank

  • 该网络的 邻接矩阵 通过变换可以变成 概率转移 矩阵
    设该转移矩阵为M，最终每个节点的重要性向量为r，则有了一个状态转移方程M⋅r=r，（虽然严格意义上，应该写作 M⋅rn=rn+1，即一个标准的Markov过程）
  • 在随机过程中可以证明，马尔可夫概率转移矩阵的最大特征值为1， 每个节点的最终重要性向量就是 特征值为1对应的特征向量。

收敛性证明：（其实就是Markov过程收敛的条件）

设Markov过程为 Pn+1=APn

  • A 为随机矩阵（A矩阵所有元素大于等于0， 并且每一列的元素和都为1）
  • A 为不可约的（当图是强连通时，A为不可约）
  • A 为非周期的
    该过程收敛，且与初始值无关。

PageRank中涉及矩阵乘法的Power Iteration, 大矩阵可以分到多个服务器上计算，小矩阵可以快速幂

死角

图中很可能存在 dead end， 或者 trip，flow 只进不出，在这种时候需要引入一个 β , 使得 flow 有 1−β 的概率随机出现在任何一个节点上；有 β 的概率正常流动。

又是想去学随机过程的一天555

posted @   爱吃番茄的玛丽亚  阅读(23)  评论(0)  编辑  收藏  举报
相关博文：
·  Network Science：巴拉巴西网络科学学习笔记3——第二章随机网络
·  五天学会Deep Learning
·  pageRank 算法
·  PageRank算法概述与Python实现
·  Stanford_CS224W----Page Rank: Graph as Matrix
阅读排行：
· winform 绘制太阳，地球，月球 运作规律
· 超详细：普通电脑也行Windows部署deepseek R1训练数据并当服务器共享给他人
· 上周热点回顾（3.3-3.9）
· AI 智能体引爆开源社区「GitHub 热点速览」
· 写一个简单的SQL生成工具
点击右上角即可分享
微信分享提示