编辑回复: 这个应用例子也很有趣,让顾客来投票。
编辑回复: 应用场景这个举例很有趣,回答你的问题:
对应文章中的例子,等级泄露的转移矩阵:
M=[0 0 0 1/2]
[1 0 0 0 ]
[0 0 0 1/2]
[0 1 0 0 ]
等级沉没的转移矩阵
M=[0 0 1/2 1]
[1 0 0 0 ]
[0 0 0 0]
[0 1 1/2 0 ]
编辑回复: 这个总结和分析很不错。当遇到了一些问题,有时候不是直接解决它,而是跳脱出来提出了“随机浏览模型”反而把之前的等级泄露和等级沉没问题解决了。
编辑回复: 这个比喻不错~ 河流之间是有入链和出链的,但是也可能遇到等级泄露和等级沉没的问题,下雨就类似是随机浏览模型,给每个节点提供补充。
编辑回复: 矩阵在推导的过程中还是有用的,现在很多函数都封装好了,可以直接使用,所以矩阵接触的就少了。自己能跑通了确实会比较爽。
编辑回复: 最有影响力的文学作品,肿瘤基因,图书推荐 这几个场景不错。
编辑回复: 针对节点的初始权重:如果N个节点的总权重是1,那么可以设置每个节点的权重为1/N
作者回复: 更符合人们实际浏览网页的场景
作者回复: PageRank是基于图论的影响力模型,也是机器学习,数据分析的10大算法之一。机器学习和数据分析 很多时候概念有重叠,两者都是用数据解决问题,使用到很多模型,比如PageRank
编辑回复: 先检查下等级泄露的矩阵,这里设置的是:
M=[0 0 0 1/2]
[1 0 0 0 ]
[0 0 0 1/2]
[0 1 0 0 ]
然后看下你迭代的次数。参考代码:
import numpy as np
a_leak = np.array([[0, 0, 0, 1/2],
[1, 0, 0, 0],
[0, 0, 0, 1/2],
[0, 1, 0, 0]])
b = np.array([1/4, 1/4, 1/4, 1/4])
w = b
print(a1)
for i in range(100):
w = np.dot(a_leak, w)
print(w)