问题描述
我正在尝试为单次迭代实现 pagerank 算法。 Based on my colab here 公式定义为：
??=∑?→??????+(1−?)1?
我试图实现为：
r1 = (beta * (r0/degi)) + ( (1 - beta) * 1/node_count)
但是，在与 networkX 实现交叉检查时，我得到了不同的值。 nx source code 有点难以理解，因为它适用于具有悬空值的多次迭代。
我的代码（最好在 colab 上查看）
def one_iter_pagerank(G,beta,r0,node_id):
# Todo: Implement this function that takes a nx.Graph,r0 and node id.
# The return value r1 is one interation PageRank value for the input node.
# Please round r1 to 2 decimal places.
degi = G.degree[node_id]
node_count = G.number_of_nodes() # correct?
r1 = (beta * (r0/degi)) + ( (1 - beta) * 1/node_count)
print('r1:',r1)
# crosscheck
# alpha == beta? (without= 0.128,with=)
r2 = nx.pagerank(G,max_iter=1,tol=0.1)[node_id]
r3 = nx.pagerank(G,tol=0.1,alpha=beta)[node_id]
print('r2:',r2,'\nr3:',r3)
beta = 0.8
r0 = 1 / G.number_of_nodes() # assign base value?
node_id = 0
print('r0:',r0)
r1 = one_iter_pagerank(G,node_id)
返回多个值：
r0: 0.029411764705882353 # base value?
r1: 0.007352941176470587 # my calculation
r2: 0.13427287581699343 # nx calc with no alpha
r3: 0.12810457516339868 # nx calc with alpha
那么我的实现在哪里错误/与 nx 结果如此不同？
colab 基于 Stanford CS224W course CS224W: Machine Learning with Graphs here
解决方法
暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！
如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。
小编邮箱:dio#foxmail.com (将#修改为@）