Weighted PageRank

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

本算法模型基于Spark框架，根据指定的收敛精度，通过幂乘法方式计算图中各结点PageRank值，直至两轮迭代收敛误差小于所设阈值。本算法兼容两种初始化方式，若初始化策略为1时（默认策略），结点PR值初始1/N，PageRank值取值范围[0, 1]；若初始化策略为0时，结点PR值初始1，PageRank值取值范围[0, N]，N为结点个数。本算法支持有向有权。

1. 包名：package org.apache.spark.graphx.lib
2. 类名：WeightedPageRank
3. 方法名：runUntilConvergence
4. 输入：graph: Graph[VD, Double]，带边权重的GraphX图数据
5. 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，缺省值（0.15）。
6. 参数详情：

   参数名称	取值类型	描述
   graph	Graph[VD, Double]，VD为泛型类型，分别表示输入图的结点属性类型，计算过程不会感知。Double为边权值，取值范围：大于0。	GraphX图数据
   tol	Double如1e-7等，取值范围：大于0。	收敛时允许的容差
   resetProb	Double，经验值0.15，取值范围：[0,1]。	重置系数

7. 输出：Graph：Graph[Double, Double]，结点属性存储该结点的PageRank值，边属性存储归一化后的边权值（转移概率）。

WeightedPageRank样例：

val conf = new SparkConf().setAppName(“WPR”).setMaster(host)
val sc = new SparkContext(conf)
val edges = Array(Edge(0, 1, 0.8), Edge(0, 3, 0.2), Edge(1, 2, 0.6), Edge(1, 4, 0.4), Edge(2, 3, 1.0))
val graph = Graph.fromEdges(sc.parallelize(edges, 3), 1.0D)
val tol = 1e-7
val resetProb = 0.15
WeightedPageRank.runUntilConvergence(graph, tol, resetProb)

第一列为结点ID，第二列为PR值。

0,0.12346810618504848
1,0.20742641296812722
2,0.22925557943241917
3,0.27985559905505475
4,0.15999430235935014

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

本算法模型基于Spark框架，通过幂乘法方式计算图中各结点PageRank值，直至固定的迭代轮数。本算法兼容两种初始化方式，若初始化策略为1时（默认策略），结点PR值初始1/N，PageRank值取值范围[0, 1]；若初始化策略为0时，结点PR值初始1，PageRank值取值范围[0, N]，N为结点个数。本算法支持有向有权。

1. 包名：package org.apache.spark.graphx.lib
2. 类名：WeightedPageRank
3. 方法名：run
4. 输入：graph: Graph[VD, Double]，带边权重的GraphX图数据
5. 核心参数：
   1. numIter：迭代次数
   2. resetProb：重置概率系数，缺省值（0.15）。
6. 参数详情：

   参数名称	取值类型	描述
   graph	Graph[VD, Double]，VD为泛型类型，分别表示输入图的结点属性类型，计算过程不感知。Double为边权值，取值范围：大于0。	GraphX图数据
   numIter	Int，取值范围：大于0。	迭代次数
   resetProb	Double，经验值0.15，取值范围：[0,1]。	重置系数

7. 输出：Graph：Graph[Double, Double]，结点属性存储该结点的PageRank值，边属性存储归一化后的边权值（转移概率）。

WeightedPageRank样例：

val conf = new SparkConf().setAppName(“WPR”).setMaster(host)
val sc = new SparkContext(conf)
val edges = Array(Edge(0, 1, 0.8), Edge(0, 3, 0.2), Edge(1, 2, 0.6), Edge(1, 4, 0.4), Edge(2, 3, 1.0))
val graph = Graph.fromEdges(sc.parallelize(edges, 3), 1.0D)
val iter = 10
val resetProb = 0.15
val resultG = WeightedPageRank.run(graph, iter, resetProb).vertices.collectAsMap()
println(resultG)

第一列为结点ID，第二列为PR值。

0,0.12347829782187406
1,0.2074150506862632
2,0.22926032815143343
3,0.2798376250731247
4,0.16000869826730468

def setInitStrategy(strategy: Int): WeightedPageRank

该接口用于设置WeightedPageRank算法结点初始值初始化策略，算法模型提供两种常用策略。

• 结点初始值为1，则算法运行结果PR值总和为N。
• （默认策略）结点初始值为1/N，则算法运行结果PR值总和为1，N为结点数。

1. 包名：package org.apache.spark.graphx.lib
2. 类名：WeightedPageRank
3. 方法名：setInitStrategy
4. 输入：strategy: Int，结点初始化策略，0代表策略1，1代表策略2
5. 参数详情：

   参数名称	取值类型	参数含义
   strategy	可取0，1；0代表策略1，1代表策略2，当取其他值时，采用策略2。	Int

6. 输出：WeightedPageRank对象，用于调用run/runUntilConvergence接口进行有权PageRank计算

WeightedPageRank样例：

val edges = Array(Edge(0, 1, 0.8), Edge(0, 3, 0.2), Edge(1, 2, 0.6), Edge(1, 4, 0.4), Edge(2, 3, 1.0))
val graph = Graph.fromEdges(sc.parallelize(edges, 3), 1.0D)
val resultBase = Map(2 -> 1.146301640757167, 4 -> 0.8000434913365232, 1 -> 1.0370752534313155, 3 -> 1.399188125365623, 0 -> 0.61739148910937)
val iter = 10
val resetProb = 0.15
val resultG = WeightedPageRank.setInitStrategy(WPRParams.INIT_USE_ONE).run(graph, iter, resetProb).vertices.collectAsMap()

第一列为结点ID，第二列为PR值。

0,0.61739148910937
1,1.0370752534313155
2,1.146301640757167
3,1.399188125365623
4,0.8000434913365232