快速pagerank和个性化pagerank的实现
fast-pagerank的Python项目详细描述
快速个性化PageRank实现
我需要一个快速的网页排名为Wikisim项目。它必须足够快才能在相对较大的图形上实时运行。networkx显然是可以使用的库，但是它需要从我的图形表示（这是相当标准的csr矩阵）到它的内部图形数据结构的来回转换。这些翻译减缓了进程。
我在python中实现了算法的两个版本，它们都受到Cleve Moler的书Experiments with MATLAB中给出的稀疏快速解决方案的启发。功率法速度快得多，精度足以完成我们的任务。
个性化页面排名
我稍微修改了一下算法，以便能够计算个性化的pagerank以及。
与流行的python实现的比较：networkx和igraph
这两种实现（精确解和power方法）都比networkx中相应的方法快得多。power方法也比igraph本机实现快，igraph本机实现也是基于特征向量的解决方案。基准测试是在sagemaker实例上完成的。
NetworkX PageRank的主要缺点是什么？
我放弃使用networkx有一个简单的原因：我必须多次计算pagerank，而我对一个图的内部表示是一个简单的稀疏矩阵。每次我想计算pagerank时，我都必须将它转换为networkx的图形表示，这很慢。我的基准测试表明networkx有一个非常快速的pagerank（networkx.pagerank_numpy和networkx.pagerank_scipy）实现，但是在进行实际计算之前，从它自己的图形数据结构转换到csr矩阵正是降低整个算法速度的原因。
note：在基准测试中，我没有计算在nx.from_scipy_sparse_matrix（在将csr矩阵传递给networkx pagerank之前转换csr矩阵）上花费的时间，但我可以！因为这是我的另一个瓶颈，对于许多其他情况，一个有一个csr邻接矩阵。
python实现
python包位于https://github.com/asajadi/fast-pagerank中，您可以在README.md文件中找到安装指南。您还可以在the jupyter notebook或this blog post中找到详细的分析。
用法
安装：
pip install fast-pagerank
示例
让我们从https://www.cs.princeton.edu/~chazelle/courses/BIB/pagerank.htm
假设a=0，b=1，c=2，d=3:
>>> import numpy as np
>>> from scipy import sparse
>>> from fast_pagerank import pagerank
>>> from fast_pagerank import pagerank_power
>>> A = np.array([[0,1], [0, 2], [1, 2],[2,0],[3,2]])
>>> weights = [1,1,1,1,1]
>>> G = sparse.csr_matrix((weights, (A[:,0], A[:,1])), shape=(4, 4))
>>> pr=pagerank(G, p=0.85)
>>> pr
array([0.37252685, 0.19582391, 0.39414924, 0.0375 ])
输出元素基本上是写在节点上的相同的数字，但是规范化了（向量乘以4，您将得到相同的数字）
我们可以添加个性化设置，或者使用power方法：
>>> personalize = np.array([0.4, 0.2, 0.2, 0.4])
>>> pr=pagerank_power(G, p=0.85, personalize=personalize, tol=1e-6)
>>> pr
array([0.37817981, 0.18572635, 0.38609383, 0.05 ])
欢迎加入QQ群-->： 979659372
