随机游走及应用

目录

第1关：Web数据挖掘知识测验

答案：

第2关：PageRank网页排名算法

编程要求

测试说明

代码：

---

第1关：Web数据挖掘知识测验

答案：

第2关：PageRank网页排名算法

编程要求

本次编程的任务是： 网页A、B、C、D、E间的链接关系如下图所示：

• 补全右侧代码片段，实现一个简单的PageRank算法:首先根据给出的链接关系图构建转移矩阵M，并将网页的PageRank值初始化并存入矩阵U中。然后通过矩阵乘法进行迭代，每次迭代进行比较，如果收敛则输出每个网页的PageRank值，否则继续迭代。 共有四处PageRank网页排名算法的关键代码需要补全，分别是：

1.根据初始图构建初始转移矩阵M： 下面给出了一个简单的网页间链接关系示意图。

根据上图我们可以构建转移矩阵M如下所示：

M = [[0, 0, 1],
     [1/2, 0, 0],
     [1/2, 1, 0]]

M的第一行代表A、B、C网页出链到A网页的概率，第二行代表A、B、C网页出链到B网页的概率，第三行代表A、B、C网页出链到C网页的概率。因为B、C网页的出链网页只有一个，所以对应矩阵内元素值为1。由于A网页出链有两个不同的网页，故将其概率平分，对应矩阵内元素值为1/2。 2.网页的PageRank值初始化： 一般地，网页的初始PageRank值设定为1/N。 故上图网页PageRank值初始化如下所示：

U = [1 / 3, 1 / 3, 1 / 3]

3.通过矩阵乘法进行迭代 通过矩阵U不断与矩阵M相乘进行迭代更新网页的PageRank值，其中np.dot(矩阵名, 矩阵名)是矩阵乘法方法。 4.判断收敛 由于收敛的条件为迭代前后PageRank值矩阵相同，需要用U_past_none_alpha来存储上一次迭代的结果。然后通过str(U) == str(U_past_none_alpha)来判断矩阵是否相同。

测试说明

平台将对你补充的代码进行评测，正确的输出结果请在测试集中查看。

代码：

import numpy as np

#请补充代码,根据图构建转移矩阵
#********** Begin **********#
M = np.array([[0, 0, 0, 0, 1],
             [1/3, 0, 0, 0, 0],
             [1/3, 0, 0, 0, 0],
             [1/3, 1/2, 0, 0, 0],
             [0, 1/2, 1, 1, 0]])
#********** End **********#
#请补充代码,设定初始page-rank值
#********** Begin **********#
U = np.array([1/5, 1/5, 1/5, 1/5, 1/5])
#********** End **********#

U_past_none_alpha = [] #中间迭代矩阵
while True:
    # 请补充代码,通过矩阵乘法进行迭代
    #********** Begin **********#
    U = np.dot(M, U)
    #********** End **********#

    # 请补充代码,进行判断若收敛跳出循环,否则继续迭代
    #********** Begin **********#
    if str(U) == str(U_past_none_alpha):
       break
    U_past_none_alpha = U
    #********** End **********#
print('Un收敛于: ', U)

---

开始你的任务吧，祝你成功！