基础PageRank是应用于有向无权图,他假设从一个结点发出的所有链接都具有相同的权值。
加权PageRank是给从一个结点发出的不同链接分配不同权重,可以更有效在引文网络对研究者进行排名。
基础PageRank和加权PageRank存在的问题,权重是由两个结点之间的直接关系来计算的,而忽略了局部结构捕获的高阶关系,即直接连接的用户之间的链接权值应根据他们所参与的局部结构进行调整。
1)研究了3结点模式,包括简单的和锚定的。因为基于边和基于模式的关系在用户排名中是互补的。因此研究了一种线性和非线性的方法来有效地结合基于边和基于模式的邻接矩阵。
α∈[0,1],平衡了以边为基础和以模式为基础的关系。
2)研究了4结点和5结点的模式。
最后报告了MPR的性能,并融合七个3结点简单模式。
经证明,基于模式的高阶关系整合到传统的基于边的关系中对实现社交网络中用户排名是有效的。
在MPR框架中,在组合邻接矩阵上运行PageRank算法。
即计算转移概率矩阵
并用PMk代替下式中的转移概率矩阵P。
向量x是所有PageRank值叠加,d属于[0,1]是阻尼因子,阻尼因子给没有传入边的结点分配一些权