本文探讨了PageRank算法在实践中遇到的死节点和局部陷阱问题，并介绍了通过添加传送机制进行改进的方法。特别关注了在推荐系统中如何利用PersonalizedPageRank实现非均匀随机游走，以提升商品间的相似度计算。
1. PageRank 算法问题与改进
PageRank 算法在实际迭代过程中会遇到两个问题：
- 死节点（dead ends）
产生此问题的原因是有些节点没有向外的连接，如下图的 b b b，那么就会导致最终重要性得分会变成0.
出现此问题后不满足列和为1的假设，最终求解会出现问题。
- 局部陷阱（spider traps）
这种问题是由于所有的往外的连接都在一个小的组内，最终这个“陷阱”会吸收掉所有的重要性，如下图的 b b b所示。
这个问题在数学本身的求解上并不是问题，但出现局部陷阱后得到的并不是我们所期望的重要性得分。
解决上面两个问题的方法比较简单，在出现问题的节点上加入传送（teleports）机制：
- 以 β \beta β的概率按照已知的连接情况进行游走；
- 以 1 − β 1-\beta 1−β的概率随机跳到任意一个节点上.
若添加的是均匀传送且在出问题的节点上 β = 0 \beta=0 β=0，则转移矩阵可变为：
而在实际的操作中，我们可以在每一次转移时都进行随机传送的操作，则节点 j j j重要性得分计算方程变为：
r j = ∑ i → j β r i d i + ( 1 − β ) 1 N r_{j}=\sum_{i \rightarrow j} \beta \frac{r_{i}}{d_{i}}+(1-\beta) \frac{1}{N} r
最低0.47元/天 解锁文章
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
