Hesaplama Web merkeziyetleri için yaklaşım ve hızlandırma tekniklerinin çoğu PageRank yöntemi için tasarlanmıştır. Bu nedenle, aşağıda bu yönteme odaklanacağız. Mevcut PageRank hızlandırma tekniklerine ilişkin iyi bir kısa genel bakış bulunabilir. Aşağıdaki hızlandırma yaklaşımlarını ayırt ediyoruz:

– genellikle matris çarpımlarından kaçınarak, daha ucuz hesaplamalarla yaklaşım,
– yakınsamanın hızlanması,
– bir özvektör problemini çözmek yerine doğrusal bir denklem sistemini çözmek,
– Web grafiğinin ayrışmasını kullanmak ve
– yeniden hesaplamalar yerine güncelleme.

Bu yaklaşımları aşağıda ayrı ayrı tartışacağız.

Daha Ucuz Hesaplamalarla Yaklaşım

Ding ve ark. Hem PageRank hem de Merkezler ve Yetkililer tarafından elde edilen sıralamaların, köşelerin derecesi ile güçlü bir şekilde ilişkili olduğunu gösteren deneysel sonuçlar hakkında rapor. Bu, özellikle yalnızca ilk 20 sorgu sonucu dikkate alındığında geçerlidir. Yazarların önerdiği birleştirici çerçeve içinde, dereceye göre sıralama, PageRank ve Hubs & Authorities tarafından üretilen sıralamalar arasında bir ara olarak görülebilir.

Bu sonucun derecenin iyi bir yaklaşıklık olduğunu teorik olarak da gösterdiği iddia edilmektedir. Bu, PageRank ve Merkezler ve Yetkililer sıralamalarının güçlü bir şekilde ilişkili olduğu grafikler için doğru gibi görünüyor.

Bununla birlikte, diğer yazarlar, Web grafiğinin bölümleriyle hesaplamalı deneyler gerçekleştirdiler ve in-derece ile PageRank arasında yalnızca çok az korelasyon saptadılar, örneğin bkz. İkinci sonucu doğrulayan daha büyük ölçekli bir çalışma bulunabilir.

Yakınsamanın hızlanması. Bu ivme tekniğinin temeli, en büyük özdeğere karşılık gelen özvektörü belirlemek için güç yöntemidir. Güç yönteminin her yinelemesi matris çarpımından oluştuğu ve dolayısıyla Web grafiği için çok pahalı olduğu için amaç yineleme sayısını azaltmaktır.

Bir olasılık önerildi ve genişletildi. İlk makalede yazarlar, sözde Aitken ∆2 yöntemine dayanan ikinci dereceden bir ekstrapolasyon önermektedir. Aitken ekstrapolasyonu, yinelenen bir x(k-2)’nin ilk iki özvektör u ve v’nin doğrusal bir kombinasyonu olarak yazılabileceğini varsayar. Bu varsayımla, sonraki iki yineleme de ilk iki özvektörün doğrusal kombinasyonlarıdır.

x(k−2)’nin u ve v’nin doğrusal bir kombinasyonu olarak yazılabileceği varsayımının yalnızca bir yaklaşıklık olduğunu, bu nedenle (4.10)’un da yalnızca birinci özvektörün bir yaklaşıklığı olduğunu ve daha sonra normal kuvvet sırasında periyodik olarak hesaplandığını unutmayın. yöntem.

İkinci dereceden ekstrapolasyon için yazarlar, yinelenen bir x(k−2)’nin ilk üç özvektör u, v ve w’nin doğrusal bir kombinasyonu olduğunu varsayarlar. Karakteristik polinomu kullanarak, yalnızca yinelemelere bağlı olarak bir u yaklaşımına ulaşırlar.

Aitken ekstrapolasyonunda olduğu gibi, bu yaklaşım olağan güç yöntemi sırasında periyodik olarak hesaplanır. Yazarlar, hızlandırılmış güç yönteminin, özellikle güç yönteminin çok yavaş yakınsadığı büyük sönüm faktörü d değerleri için, sıradan güç yönteminden çok daha hızlı olduğunu gösteren hesaplamalı deneyler hakkında rapor veriyor.

Tartıştığımız gibi, bunun nedeni, d’nin ikinci en büyük özdeğere eşit olmasıdır, dolayısıyla d için büyük bir değer, küçük bir özboşluğu ifade eder.

Web sitesi Nedir
Web sitesi Nedir örnek
Web sitesi Nedir kısaca
Web sitesi Ne İşe Yarar
Web sitesi Örnekleri
Web sitesi Nasıl Yapılır
Web sitesi adresi nedir
Web sitesi Nedir nasıl yapılır

İkinci makale, yukarıda açıklanan fikirlere dayanmaktadır. Yazarlar, yalnızca iki veya üç özvektör yaklaşımının doğrusal bir kombinasyonuna sahip olmak yerine, x(k−h)’nin ilk h + 1 özvektör yaklaşımının doğrusal bir kombinasyonu olduğunu varsayarlar. Karşılık gelen özdeğerlerin, d ile ölçeklenen h’inci birliğin kökleri olduğu varsayıldığından, ilk özvektör için basit bir kapalı form bulmak mümkündür. Bu hızlandırma adımı yukarıdaki gibi kullanılır.

Genel olarak yakınsama hızının tepe noktasından tepe noktasına önemli ölçüde değiştiği gözlemine dayanarak, yakınsamayı hızlandırmak için başka bir fikir sundu. Belirli bir köşe için belirli bir yakınsama kriterine ulaşılır ulaşılmaz, bu köşe hesaplamadan çıkarılır. Bu, matrisin boyutunu adımdan adıma azaltır ve bu nedenle güç yöntemini hızlandırır.

Bu fikri PageRank algoritmasına uyguladı ve 1998’den Web grafiğinin bir anlık görüntüsünün güçlü bir şekilde bağlantılı en büyük bileşeniyle bazı deneyler yaptı.

PageRank sistemi için en basit doğrusal sistem yaklaşımı muhtemelen Jacobi yinelemesidir. Ancak, PageRank algoritmasının açıklamasında bahsedildiği gibi, Jacobi iterasyonu güç yöntemine çok benzer ve dolayısıyla herhangi bir ivme sağlamaz.

d = 0.9 için, yukarıda açıklanan grafik üzerindeki deneyleri çok umut vericidir: Gauss-Seidel yinelemesi, güç yinelemesinden çok daha hızlı yakınsar. Arasu ve ark. daha sonra bu sonucu Web grafiğinin sözde papyon yapısına sahip olduğu gerçeğiyle birleştirin. Bir sonraki paragraf, hesaplamaları hızlandırmak için bu yapının ve diğer ayrıştırma yaklaşımlarının nasıl kullanılabileceğini açıklamaktadır.

Ayrıştırma Teknikleri

Web grafiği çok büyük olduğundan ve her geçen gün daha da büyüdüğünden, bazı araştırmacılar grafiği parçalara ayırmayı önermektedir. Böylece, ilk adımda Web’in daha küçük bileşenlerindeki merkezilik değerlerini belirlemek ve gerekirse ikinci adımda bunları tam Web grafiğine ayarlamak mümkündür.

Bu yapı, güç yöntemi için kullanılabilir, ancak yazarlar, karşılık gelen bağlantı matrisi blok üst üçgen forma sahip olduğundan, bunun özellikle doğrusal sistem yaklaşımı için çok uygun olduğunu iddia etmektedir.

İkinci bir yaklaşım önerildi. Daha küçük bir kısmi Web grafiğinin yanı sıra, 2001’in bir Web taramasını araştırdılar ve aşağıdaki ilginç yapıyı buldular:

1. Web’in blok yapısı vardır.
2. Bireysel bloklar, tüm Web’den çok daha küçüktür.
3. Yol içinde etki alanlarına, ana bilgisayarlara ve alt dizinlere karşılık gelen iç içe geçmiş bloklar vardır.

Bu gözleme dayanarak, yazarlar üç adımlı algoritma 7’yi önermektedir. Birinci ve üçüncü adımda, sıradan PageRank algoritması uygulanabilir. Soru, ikinci adımın nasıl resmileştirileceğidir.

Bu, her blok I’in bir tepe noktasıyla temsil edildiği ve orijinal grafikte i ∈ I’yi karşılayan bir kenar (i,j) varsa, bir kenarın (I,J) blok grafiğin bir parçası olduğu bir blok grafiği B aracılığıyla yapılır. ve j ∈ J, burada (i,j) bir döngü olabilir. Bir kenarla (I,J) ilişkili ağırlık ωIJ, orijinal grafikteki i ∈ I ila j ∈ J köşelerinden kenar ağırlıklarının toplamı olarak hesaplanır ve hesaplanan yerel PageRank puanları ile ağırlıklandırılır.

Yerel PageRank vektörleri 1-norm kullanılarak normalleştirilirse, ağırlık matrisi Ω = (ωIJ) stokastik bir matristir ve blok ağırlıklarını (bI) elde etmek için sıradan PageRank algoritması B blok grafiğine uygulanabilir.  

The post Web Merkezlerinin Yaklaştırılması – Bilgisayar Bilimleri Ödevleri – Bilgisayar Bilimleri Ödev Hazırlatma – Bilgisayar Bilimleri Alanında Tez Yazdırma – Bilgisayar Bilimleri Ödev Yaptırma Fiyatları first appeared on Online (Parayla Ödev Yaptırma).

Şimdiye kadar sunulan her iki geri bildirim merkeziliği de pozitif geri bildirim fikrini takip eder: bir tepe noktasının merkeziliği, diğer yüksek değerli köşelere bağlıysa daha yüksektir. 1987’de bu kavramla sınırlı olmayan bir merkezilik önerdi. Onun fikri hem iletişim ağlarında görülen olumlu etkiyi hem de pazarlık durumlarında görülen olumsuz etkiyi destekler.

Pazarlık durumlarında, bir katılımcı, başka seçeneği olmayan ve bu nedenle zayıf olan bireylerle bağlantılıysa güçlüdür. Bonacich’in pazarlık merkeziliği, ağırlıksız ve yönlendirilmiş G = (V,E) döngüleri olmayan grafikler için tanımlanır. Bu nedenle komşuluk matrisi zorunlu olarak simetrik değildir ve yalnızca sıfırlar ve birler içerir.

Matris gösteriminden kolayca görülebileceği gibi, α parametresi sadece bir ölçeklendirme faktörüdür. Bonacich, ni=1 cα,β(i)2 = n olacak şekilde bir değer önerir. Bu nedenle sadece ikinci parametre β ilgi çekicidir. Bu parametre, sırasıyla pozitif veya negatif etkiyi kapsayan pozitif veya negatif olarak seçilebilir.

β = 0 seçimi, merkeziliğin köşelerin derecesi ile ilişkili olduğu önemsiz bir çözüme götürür. β için negatif bir değer, köşelerin merkezilikleri için negatif değerlere yol açabilir. Ek olarak, denklemden daha büyük |β| ağ yapısının merkezilik indeksi üzerindeki etkisi o kadar yüksek olur.

(I − βA)’nın tersi varsa denklem çözülebilir. Buna göre, A’nın hiçbir özdeğeri 1’e eşit değilse bu ters vardır. Biz cα,β’yı pazarlık merkeziliğine cBRG olarak adlandırıyoruz. Bu alt bölümde, sunulduğu yerde geribildirim merkezilik değerlerini ölçmek için üç farklı yaklaşım bulunmaktadır. Çok benzer görünüyorlar, ancak farklılıklar, örneğin ağırlıklı ve ağırlıksız kenarların kapsamı veya pozitif ve negatif etki ağlarının kapsamı.

Web Merkezleri

Pek çok kişi, ilginç konular hakkında bilgi aramak için World Wide Web’i kullanır. Köprülerle birbirine bağlanan Web sayfalarından oluşan ağın muazzam boyutundan dolayı güçlü arama motorları gereklidir. Ancak bir arama motoru, belirli bir arama sorgusu için hangi Web sayfalarının uygun olduğuna nasıl karar verir?

Bunun için Web sayfalarını alaka düzeyine veya önemine göre puanlamak gerekir. Bu kısmen, sayfaların içeriği içinde salt metin araması ile yapılır. Ek olarak, arama motorları sayfaları sıralamak için ağın yapısını kullanır ve burada merkezilik endeksleri devreye girer.

Bu bölümde, Web puanlama algoritmalarının üç ana temsilcisini tartışacağız:

– Sayfa Sıralaması
– Merkezler ve Yetkililer
– SALSA

PageRank yalnızca topolojik yapıyı hesaba katarken, son iki algoritma Web sayfasının “metinsel önemi” ile “topolojik önemi”ni birleştirir. Ayrıca, Merkezler ve Yetkililer (bazen HITS algoritması olarak da adlandırılır), her Web sayfasına merkez ve yetki adı verilen iki puan değeri atar. Bu bölümün sonunda tartışılan üçüncü yaklaşım olan SALSA, bir anlamda diğerlerinin bir birleşimidir.

Aşağıda Web’in, Web sayfaları ve v ∈ V köşeleri ile bağlantılar ve yönlendirilmiş kenarlar () arasında bire bir karşılık gelen bir G = (V, E) digrafıyla temsil edildiğini varsayıyoruz ( v, w) ∈ E.

Web sitesi Nedir örnek
Web sitesi Nedir, Ne İşe Yarar
Web sunucu programları nelerdir
Web server çeşitleri
Web sitesi Ne İşe Yarar
Web sunucusu örnekleri
Web server ne demek
Web sitesi Nedir kısaca

Rastgele Sörfçü Modeli

Web grafiğinin analizi için uygun merkezilik indekslerini tanımlamadan önce, bir Web sörfçüsünün davranışını modellemek yararlı olabilir. En yaygın model, bir kullanıcının Web’de gezinmesini Web grafiği içinde rastgele bir yürüyüş olarak simüle eder.

Grafiklerde rasgele yürüyüş kavramı tanıtıldı. G = (V,E) Web grafiği resmi olarak V olarak tanımlanır, tüm Web sayfalarının kümesi pi burada e = (pi,pj) ∈ E kenarı iki sayfa arasına çizilir, ancak ve ancak pi sayfası bir sayfaya bağlantı gösteriyor.

Web grafiği genellikle güçlü bir şekilde bağlı olmadığından, temeldeki geçiş matrisi T indirgenemez değildir ve hatta stokastik bile olmayabilir, çünkü ‘yutanlar’ (giden bağlantıları olmayan köşeler) mevcut olabilir. Bu nedenle, Web grafiğinin T geçiş matrisi, karşılık gelen Markov zinciri durağan bir dağılıma yakınsayacak şekilde değiştirilmelidir.

T matrisini stokastik yapmak için, sörfçünün havuza vardıktan sonra rastgele bir sayfaya atladığını varsayarız ve bu nedenle havuzlar için tüm satırların tüm girişlerini 1 olarak ayarlarız. Değiştirilmiş geçiş matrisi T’nin tanımı n’dir.

Bu matris stokastiktir ancak indirgenemez değildir ve durağan dağılımın π’ hesaplanması mümkün olmayabilir. Bu nedenle, indirgenemez bir T” versiyonu elde etmek için matrisi yeniden değiştiririz. E = 1 1T 1 tüm girişleri 1 olan nnn matrisi olsun. Bu matris, ‘rastgele atlama’ matrisi olarak yorumlanabilir.

Her sayfaya her sayfadan aynı olasılıkla doğrudan ulaşılabilir. Geçiş matrisini indirgenemez yapmak için bu yeni E matrisini mevcut T matrisine ekleriz.

α faktörü, 0 ila 1 aralığından seçilir ve T’ kullanarak sayfadaki bir bağlantıyı takip etme veya E kullanarak rastgele bir sayfaya atlama olasılığı olarak yorumlanabilir. T” matrisi, yapısal olarak stokastiktir. ve indirgenemez ve durağan dağılım π” örneğin güç yöntemiyle hesaplanabilir.

E’yi değiştirerek, rastgele atlama kavramı, örneğin daha fazla önyargılı bir sörfçüye göre ayarlanabilir. Bu tür değişiklikler doğrudan burada sunulan Web merkezilik endekslerinin kişiselleştirilmiş bir versiyonuna yol açar.

Sayfa Sıralaması

PageRank, Google arama motorunun ana bileşenlerinden biridir ve sunulmuştur. Ana fikir, bir Web sayfasını topolojik özelliklerine, yani ağdaki konumuna göre, ancak içeriğinden bağımsız olarak puanlamaktır. Bir Web sayfasının puanı veya merkeziliği, ona bağlanan Web sayfalarının sayısına ve merkeziliğine bağlı olduğundan, PageRank bir geri bildirim merkeziliğidir.

Bu, matris gösteriminde p = 1 a veya P = D+A’ya eşdeğerdir; burada ij d+(j) ji D+, i’inci köşegen girişinin i köşesinin dış derecesini içerdiği köşegen matrisi belirtir. Çoğunlukla, doğrusal sistem 3.43, basit bir güç (veya Jacobi) yinelemesi ile çözülür.

PageRank’in sunumundan kısa bir süre sonra Kleinberg, Web sayfalarını merkez ve otorite adı verilen iki farklı “ölçeğe” göre puanlama fikrini ortaya attı.

PageRank’in aksine Kleinberg, bir Web sayfasının içeriğini de puanlama sürecine dahil etmeyi önerdi. Bir Web sayfasının merkezini ve yetki değerlerini belirlemek için ilgili algoritma iki aşamadan oluşur; burada birinci aşama arama sorgusuna bağlıdır ve ikinci aşama yalnızca ilgili ağın bağlantı yapısıyla ilgilenir.

The post  Web Merkezleri – Bilgisayar Bilimleri Ödevleri – Bilgisayar Bilimleri Ödev Hazırlatma – Bilgisayar Bilimleri Alanında Tez Yazdırma – Bilgisayar Bilimleri Ödev Yaptırma Fiyatları first appeared on Online (Parayla Ödev Yaptırma).