概述

ArticleRank（文章排名）起源于PageRank，用于实现对文章的影响力排名。

• J. Li, P. Willett, ArticleRank: a PageRank-based Alternative to Numbers of Citations for Analysing Citation Networks (2009)

基本概念

ArticleRank

与网页之间的链接类似，文章（书籍、报告等）之间的引用代表权威性和高质量。通常认为，一篇文章获得的引用次数越多，该文章在其特定研究领域内的影响就越大。

然而，并非所有文章都同等重要。因此，这种基于PageRank的文章排名方法被提出。

ArticleRank基本保留了PageRank的计算方法，同时也进行了一些修改。当一篇文章向其引用的文章传递排名时，不是将排名除以出度进行平均分配，而是除以该文章的出度和所有文章的平均出度之和。文章u在一次迭代后的排名为：

其中B_u是文章u的后链集合，d是阻尼系数。分母的这种变化能削弱那些出度很小的文章的贡献度。

嬴图的ArticleRank使用的分母与原始论文不同，但核心思想是相同的。

特殊说明

文章引用网络有一些特性与WWW不同，例如：

• 文章不能引用自己，即网络中没有自环边。
• 两篇文章不能相互引用，即一篇文章不能既是另一篇文章的前链，又是它的后链。
• 一般已发表文章中的引用不会改变，即文章的前链是固定的。

语法

• 命令：algo(page_rank)
• 参数：

示例

示例图如下：

文件回写

algo(page_rank).params({
  init_value: 1,
  loop_num: 50,
  damping: 0.8,
  weaken: 2,
  order: 'desc'
}).write({
    file: {filename: 'rank'}
})

结果：文件rank

book4,0.428308
book5,0.375926
book6,0.319926
book7,0.2
book3,0.2
book2,0.2
book1,0.2

属性回写

algo(page_rank).params({
  loop_num: 50,
  weaken: 2
}).write({
  db:{property: 'AR'}
})

结果：每个节点的排名回写至名为AR的点属性下

直接返回

algo(page_rank).params({
  init_value: 1,
  loop_num: 50,
  damping: 0.8,
  weaken: 2,
  order: 'desc',
  limit: 3
}) as AR 
return AR

结果：AR

流式返回

algo(page_rank).params({
  loop_num: 50,
  damping: 0.8,
  weaken: 2,
  order: 'desc',
  limit: 3
}).stream() as AR 
find().nodes({_uuid == AR._uuid}) as nodes
return table(nodes._id, AR.rank)

结果：table(nodes._id, AR.rank)