runUntilConvergence API

API

def runUntilConvergence[VD: ClassTag, ED: ClassTag](graph: Graph[VD, ED],tol: Double,resetProb: Double = 0.15): Graph[Double, Double]

功能描述
 本算法模型基于Spark框架，根据指定的收敛精度，通过残差迭代方式计算图中各节点PageRank值，PageRank值取值范围[0,N]，N为节点个数。本算法接口与开源Spark GraphX算法接口完全一致，本算法支持有向无权。

API描述

包名：package org.apache.spark.graphx.lib
类名：PageRank
方法名：runUntilConvergence
输入：graph: Graph[VD,ED]
核心参数：
1. tol：收敛时允许的容差（通常取值1e-7）
2. resetProb：重置概率系数，默认值（0.15）

参数详情：

参数名称	参数含义	取值类型
graph	GraphX图数据	Graph[VD,ED]，VD、ED为泛型类型，分别表示输入图的节点属性类型与边属性类型，计算过程不感知。
tol	收敛时允许的容差	Double如1e-7等，取值范围：大于0
resetProb	重置系数	Double，经验值0.15，取值范围：[0,1]

输出：Graph：Graph[Double,Double]，节点属性存储该节点的PageRank值，同时，为与开源保持一致，边属性存储源节点出度的倒数。

使用样例

PageRank样例：

val conf = new SparkConf().setAppName("PageRank").setMaster(host)
val sc = new SparkContext(conf)
val edges = Array(Edge(1,2,1.0), Edge(1,3,1.0), Edge(1,6,1.0), Edge(2,8,1.0), Edge(3,1,1.0), Edge(3,2,1.0), Edge(3,4,1.0), Edge(3,6,1.0), Edge(3,7,1.0), Edge(3,8,1.0), Edge(4,7,1.0), Edge(4,8,1.0), Edge(5,2,1.0), Edge(5,4,1.0), Edge(5,6,1.0), Edge(5,7,1.0), Edge(5,8,1.0), Edge(6,2,1.0), Edge(6,4,1.0), Edge(6,5,1.0), Edge(6,7,1.0), Edge(6,8,1.0), Edge(7,4,1.0), Edge(7,8,1.0), Edge(7,9,1.0), Edge(7,11,1.0), Edge(8,2,1.0), Edge(8,4,1.0), Edge(8,7,1.0), Edge(8,11,1.0), Edge(9,4,1.0), Edge(9,7,1.0), Edge(9,8,1.0), Edge(9,11,1.0), Edge(10,1,1.0), Edge(10,3,1.0), Edge(10,4,1.0), Edge(10,5,1.0), Edge(11,6,1.0), Edge(11,8,1.0), Edge(11,9,1.0))
val g = Graph.fromEdges(sc.parallelize(edges, 3), 1D)
PageRank.runUntilConvergence (g, 1e-7, 0.15)

样例结果

第一列为节点ID，第二列为PR值。

10,0.15000000000000002
1,0.21632361452756482
3,0.24316669078281006
5,0.2960495884141481
6.0.6716152259655768
9,0.9086302548739689
2,1.0095338325502028
11,1.325458202205165
4,1.5562848351772833
7,1.8027471258784566
8,2.8201906296248227

run API

API

def run [VD: ClassTag, ED: ClassTag](graph: Graph[VD, ED],numIter: Int,resetProb: Double = 0.15): Graph[Double, Double]

功能描述
 本算法模型基于Spark框架，根据指定的收敛精度，通过残差迭代方式计算图中各节点PageRank值，PageRank值取值范围[0,N]，N为节点个数。本算法接口与开源Spark GraphX算法接口完全一致，本算法支持有向无权。

API描述

包名：package org.apache.spark.graphx.lib
类名：PageRank
方法名：run
输入：graph:Graph[VD,ED]
核心参数：
1. numIter：迭代次数
2. resetProb：重置概率系数，默认值（0.15）

参数详情：

参数名称	参数含义	取值类型
graph	GraphX图数据	Graph[VD,ED]，VD、ED为泛型类型，分别表示输入图的节点属性类型与边属性类型，计算过程不感知。
numIter	迭代次数	Int，取值范围：大于0。
resetProb	重置系数	Double，经验值0.15，取值范围：[0,1]。

输出：Graph：Graph[Double,Double]，节点属性存储该节点的PageRank值，同时，为与开源保持一致，边属性存储源节点出度的倒数。

使用样例

PageRank样例：

val conf = new SparkConf().setAppName("PageRank").setMaster(host)
val sc = new SparkContext(conf)
val edges = Array(Edge(1,2,1.0), Edge(1,3,1.0), Edge(1,6,1.0), Edge(2,8,1.0), Edge(3,1,1.0), Edge(3,2,1.0),Edge(3,4,1.0), Edge(3,6,1.0), Edge(3,7,1.0), Edge(3,8,1.0), Edge(4,7,1.0), Edge(4,8,1.0), Edge(5,2,1.0), Edge(5,4,1.0), Edge(5,6,1.0), Edge(5,7,1.0), Edge(5,8,1.0), Edge(6,2,1.0), Edge(6,4,1.0), Edge(6,5,1.0), Edge(6,7,1.0), Edge(6,8,1.0), Edge(7,4,1.0), Edge(7,8,1.0), Edge(7,9,1.0), Edge(7,11,1.0), Edge(8,2,1.0), Edge(8,4,1.0), Edge(8,7,1.0), Edge(8,11,1.0), Edge(9,4,1.0), Edge(9,7,1.0), Edge(9,8,1.0), Edge(9,11,1.0), Edge(10,1,1.0), Edge(10,3,1.0), Edge(10,4,1.0), Edge(10,5,1.0), Edge(11,6,1.0), Edge(11,8,1.0), Edge(11,9,1.0))
val g = Graph.fromEdges(sc.parallelize(edges, 3), 1D)
PageRank.run (g, 100, 0.15)

样例结果

第一列为节点ID，第二列为PR值。

10,0.15000000000000002
1,0.21632361452756482
3,0.24316669078281006
5,0.2960495884141481
6.0.6716152259655768
9,0.9086302548739689
2,1.0095338325502028
11,1.325458202205165
4,1.5562848351772833
7,1.8027471258784566
8,2.8201906296248227