7,129
个编辑
更改
跳到导航
跳到搜索
第622行：
第622行： − 以节点G为例，G给B和E投票，所以B得到1/2。+ + + 第629行：
第631行： − +
→邻接函数 Adjacency functionc
+ \frac{1}{2}('G') + \frac{1}{2}('H') + \frac{1}{2}('I') + 0('J') + 0('K')
+ \frac{1}{2}('G') + \frac{1}{2}('H') + \frac{1}{2}('I') + 0('J') + 0('K')
</math>
</math>
以节点G为例，G给B和E投票，所以B得到<math>\frac{1}{2}</math>。
矩阵<math> M </math>每一列加起来都是1（值得注意的是，对于没有出链的节点，列加起来等于0，比如图1的节点A），即:
矩阵<math> M </math>每一列加起来都是1（值得注意的是，对于没有出链的节点，列加起来等于0，比如图1的节点A），即:
事实上，<math> M </math>是一个转移矩阵transition matrix（也叫概率矩阵probability matrix，马尔可夫矩阵Markov matrix）。因此，PageRank是eigenvector centrality的一个变体。
事实上，<math> M </math>是一个转移矩阵Transition matrix（也叫概率矩阵Probability matrix，马尔可夫矩阵Markov matrix）。因此，PageRank是Eigenvector centrality的一个变体。
====矩阵M====
====矩阵M====