Pagerank个性化向量，边权重和悬挂字典(隐形传送向量)

Question

这是来自networkx的pagerank函数

def pagerank(G, alpha=0.85, personalization=None,
             max_iter=100, tol=1.0e-6, nstart=None, weight='weight',
             dangling=None):

我对个性化和重量感到困惑。

我理解当不提供个性化矩阵时，使用统一矩阵，当不提供权重时，使用边权重1。

我一直在读:边缘权重个性化和节点权重个性化。

http://www.cs.cornell.edu/~bindel/present/2015-08-kdd-talk_kdd-aug15.pdf

所以我的假设是个性化向量-->可以用于节点权重个性化。例如。我们正在计算特定主题t的节点的pagerank。我们给出了个性化向量，其中与主题越相关的节点获得的值越大。

但是边权重呢？当我给V的一条传出边比另一条边更高的权重时会发生什么？？

我不能分离这两个东西(边权重和个性化向量)。

还有:字典悬空:它代表隐形传送矢量。如果没有提供，则使用个性化向量。悬挂式字典对我来说更容易理解，即当我们到达悬挂式节点时，它提供了随机转换的概率。

有没有人可以帮我理解一下我提供了所有这三个，即边权重，个性化向量和悬空向量的场景( pagerank会受到怎样的影响)

Answer 1

这不是一个真正的编程问题，但我还是会回答的。

在NetworkX实现中，如果您设置了个性化向量，这些值也将用于“悬挂节点”-您不能单独设置悬挂节点的值。

'weight=‘参数给出了要用作数值边权重的边属性。weight=None的默认设置是将所有权重设置为等于(等于1)。如果您想要偏置某些边，可以根据图形中的属性随意调整它们。