TopRank（k）算法与PageRank算法的比较研究.pdfVIP

2014年 l1月 情报探索 第 11期(总 205期) N0V．2014 InformationResearch No．11(SefialNo．205) TopRank(k)算法与PageRank算法的比较研究：l： 尹 莉 (长安大学图书馆 陕西西安 710064) 摘 要：介绍了一种新的基于接近中心度的排名算法TopRank(k)，并将其与已有的PageRank算法进行分析 比较 ，说明了它 们各 自的特点。通过实证分析 ，论证 了在确定条件下，T0pRank(k)算法 比PageRank算法更有效，突出表现为节省大量时间。 关键词 ：接近中心度 ；TopRank(k)算法 ；PageRank算法 ：社会 网络分析 中图分类号：TP393 文献标识码 ：A doi：10．3969／j．issn．1005-8095．2014．11．004 ComparativeStudyofTopRankAlgorithm andPageRankAlgorithm YinLi (Chang’anUniversityLibrary，Xi’anShaanxi710064) Abstract：Thepaperintroducesanewclosenesscentrality—basedrankingalgorithmTopRank(k)，andcomparesitwithPageRank algorithm，describestheirrespectivefeatures．ThroughempiricalanalysisitdemonstratesthatTopRank(k)algorithm ismoreeffective thanPageRankalgorithm undercertainconditions，withoutstandingperformanceinsignificanttimesaving． Keywords：closenesscentrality；algorithm；PageRankalgorithm；socialnetworkanalysis 0 引言 络中的中心性如何。在图论和网络分析中，顶点中心 近几十年来 。社会网络分析一直是社会学研究 度的不同测量方法 已提出，常用的4种方法是点度 的主题。尤其是近几年，随着因特网的快速发展 ，许 中心度、中介 中心度 、接近中心度和特征向量中心 多大规模在线社会 网络 。如 Facebook、Friendster的 度。本文强调的是基于最短路径的接近中心度。一个 出现 ，使得许多大规模社会网络数据 (譬如作者合作 顶点的接近中心度是从它到其他顶点的平均最短距 网络等)很容易在线获得并进行分析。目前最普遍的 离的逆 ．可以认为它是一个顶点将信息传递到其他 分析方法是将复杂网络、图论、社会学分析的方法结 顶点的效率。接近中心度越大，从这个顶点到其他任 合起来 ，用图来表示社会网络，以顶点表示个体 ，以 何顶点的平均距离就越小，它在 向其他顶点传递信 边表示个体之间的关系。为了测量个体在社会网络 息的过程 中就居于较好 的位置。 中的地位 、作用 。通常用 中心度算法来计算个体的不 KazuyaOkamoto等人提 出TopRank(k)算法是 同中心度 。中心度算法应用于期刊评价也是近年来 基于最短路径的一种 中心度算法。一般 ，我们考虑一 非常流行的评价方法 。已经有非常多的算法是以中 个连通 的加权无向图G=(V，E)，有 n个顶点和m条 心度算法为基础的。其 中基于PageRank算法的