pygrank：用于图节点排名的开源Python包

软件X 20（2022）101227原始软件出版物pygrank：一个用于图节点排名的Python包Emmanouil Krasanakisa，b，Simeon Papadopoulosa，Ioannis Kompatsiarisa，安德烈亚斯湖西梅翁布希腊塞萨洛尼基57001 Thermi研究和技术中心b希腊塞萨洛尼基亚里士多德大学，54124，塞萨洛尼基ar t i cl e i nf o文章历史记录：收到2022年收到修订版，2022年8月20日接受，2022年保留字：图信号处理节点排序优化a b st ra ct我们介绍pygrank，一个开源Python包来定义，运行和评估节点排名算法。我们提供面向对象和广泛的单元测试的算法组件，如作为图形过滤器、后处理器、测量、基准测试和在线调整。计算可以委托给numpy，tensorflow或pytorch后端，并适合反向传播管道。类可以组合起来定义可互操作的复杂算法。在本文的上下文中，我们比较包与相关的替代品，描述其体系结构，展示其灵活性和易用性的代码示例，并讨论其影响。版权所有©2022作者。由爱思唯尔公司出版这是CC BY-NC-ND下的开放获取文章许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。代码元数据当前代码版本0.2.10用于此代码版本的代码/存储库的永久链接https://github.com/MKLab-ITI/pygrank/releases/tag/0.2.10可复制胶囊的永久链接合法代码许可证Apache许可证，2.0使用git的代码版本控制系统软件代码语言Python编译要求、操作环境和依赖关系networkx、numpy、scipy、sklearn、wget、tensorflow、torch如果可用，请链接到开发人员文档/手册github.com/MKLab-ITI/pygrank问题支持电子邮件maniospas@iti.gr1. 动机和意义将数据表示为图在许多领域都很流行;这涉及将数据实例指定为节点并通过边连接相关实例。已经开发了各种图分析方法，当基于链接结构和先验分数对节点进行评分时，节点排名算法是一个强大的选择节点排名技术包括谱图过滤器[1]，可以用于社区检测[2，3]，链接预测[4，5]和图形神经网络[6，7]。然而，当不同的选择可以更好地匹配时通讯作者：Centre for Research and Technology Hellas，57001 Thermi，Thessaloniki，Greece.电子邮件地址：maniospas@iti.gr（Emmanouil Krasanakis）、papadop@iti.gr（Symeon Papadopoulos）、ikom@iti.gr（IoannisKompatsiaris）、symeonid@ece.auth.gr（Andreas L.Symeon）。https://doi.org/10.1016/j.softx.2022.101227分析的结构，或者在部署工具的情况下，新图表的结构。为 了 能 够 彻 底 调 查 节 点 排 名 算 法 和 变 体 ， 我 们 开 发 了pygrankPython包，该包为机器学习和数据挖掘管道实现了广泛的算法组件这些包括流行的图形过滤器，客观的增强（例如，公平性感知变化）、用于评估基准任务上的算法的监督或非监督测量以及参数的在线调整。使用该包非常简单，只需运行命令行指令pip install --例如在虚拟环境中升级pygrank，并将其导入源代码。导入的包提供了定义、运行和比较节点排名算法的接口，这些算法包括多个组件。默认情况下，计算被委托给高效的CPU处理，numpy用于vector [8]，scipy[9]用于稀疏矩阵运算。开发人员可以切换到不同的代码执行后端，这些后端使用内置GPU，使用代码指令或编辑本地设置文件。2352-7110/©2022作者。由爱思唯尔公司出版。这是一篇开放获取的文章，使用CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表SoftwareX期刊主页：www.elsevier.com/locate/softxEmmanouil Krasanakis，Symeon Papadopoulos，Ioannis Kompatsiaris et al.软件X 20（2022）1012272表1Pygrank与其他节点排序算法的比较包ad-hoc后端一般邮政局调谐巴普雷eval.NetworkX✓numpy✓igraph✓自定义C++✓侏儒✓numpy✓DGL✓mxnet，pytorch，tensorflow✓Pyg✓PyTorch✓tfgnn✓TensorFlow✓光谱的✓TensorFlow✓皮格兰克✓numpy，pytorch，tensorflow✓✓✓✓✓pygrank汇集了大量的节点排名文学实践（参见第5节）。这些可以比较新的和现有的图挖掘算法，从多个组件构建算法，并使应用程序在不同的领域，如社会媒体或生物网络分析。该软件包支持作者发表的7篇以上关于节点排名算法的出版物，其结果已集成到代码库中并在文档中引用。2. 科学和技术背景通常，节点排名算法建立在图信号的概念上，即，图节点和相应分数（实数）之间的映射。信号先验包含“个性化”节点信息，例如节点是成员的概率元数据社区[10]信息可以通过具有图移位操作的边来传播，并且图过滤器基于传播行为如何的节点空间中的自组织假设来聚集多跳移位（例如，作为具有重启的随机随机游走[11]）或对邻接矩阵的特征值谱的期望影响非个性化的变化时，所有节点持有相同的先验分数。大多数节点排序算法包括基本过滤器和后处理，以增加其结果。研究人员和数据科学家选择使用哪种算法是基于特定的标准，或者基于对测试图上具有监督或非监督措施的竞争替代方案的评估。 在实践中，流行的ad-hoc算法在图管理包中实现，例如networkx[12]和igraph[13]，或者深度图学习包，例如DGL[14]，pyg[15]，tfgnn[16]和spektral[17]。其他实现是科学工具的一部分，例如textrank[18]。最后，pygsp[19]提供了许多类型的图过滤器，但不支持非谱分析，不适合机器学习管道。表1将Pygrank与其他可以运行节点排名算法的软件包进行了比较，这些软件包包括：（a）ad-hoc图过滤器的提供;（b）支持的后端;（c）无需额外编码即可定义通用过滤器的能力;（d）后处理以改善结果;（e）在线调整;（f）后处理支持;以及（g）算法质量的评估措施，以根据业务需求进行监督和非监督评估我们只考虑与节点排名有关的基本功能，并且可以由非专家使用，无需额外开发。例如，外部autoML包，如autogluon[20]，需要更多的编码才能在深度图学习设置中使用总的来说，pygrank引入了新的功能，并结合了其他包的优点;后者涵盖了更广泛的范围，但没有充分探索节点排名。因此，当需要节点排名时，我们的实现可以插入到图挖掘和机器学习应用程序中，以轻松地从新的或现有的图过滤器和后处理器中组装算法。该软件包进一步简化了编写基准实验以选择最佳算法，并可以自动调整参数以适应运行时遇到的图形3. 软件描述3.1. 软件构架图1说明了软件包为了便于使用，所有组件都可以从顶级导入访问。核心管理后端的编程接口抽象，定义图形信号，并提供额外的实用程序，如测量或算法使用的图形预处理器。测量定义了监督和非监督测量，这些测量将后验图信号与地面实况信号进行比较，或者评估与图动态相关的定量特征。算法包括图过滤器、收敛、早期停止方案、后处理器和在线调整组件，这些组件可以组合起来定义各种可互操作的节点排名算法。Benchmarks提供了帮助方法来快速设计节点排名实验，用于评估措施下Fastgraph提供了一个图形数据结构，它重新实现了networkx节点邻居索引），因此在存储器中拟合较大的图，并且用较少的计算来构造它们。所有组件都是精心策划的，因此，对于连接的无向图和通常有向图，组合运行在对数线性摊销时间O（ElogE）中，相对于数量的边E.特别地，图过滤器的移位算子重复仅遍历图邻接矩阵的非零元素的稀疏矩阵向量乘法。在最坏的情况下，为了达到小的数值公差，重复次数随着连通无向图的边数的增长而增长，并且通常被大多数过滤器上限。图形信号逐个元素的运算（例如加法、标量乘法）在时间上与节点的数量成比例地结束，节点的数量类似于或小于边的数量。预处理只对图邻接矩阵的对角元素和非零元素进行操作，它们分别对应于节点和边的数量。测量仅涉及逐个元素的图信号操作，对每个节点的固定数量的非邻居进行采样，以及对节点得分进行排序;这些相对于节点的数量占用线性或对数线性时间-因此边缘。最后，后处理器和自动调谐采用简单的图形信号操作，–因此，组件组合的运行时间在最坏的情况下相对于边缘的数量是可以应用大的乘法项，但这些是无标度的，并且该包仍然适用于适合内存的图（例如，具有数千万条边）。除了pygrank软件包，它可以在我们的代码库的同名子目录中找到，我们还实现了软件工程实践，以确保高代码质量，可维护性和可扩展性。这些包括组件的单元测试，以断言算法至少在示例图上像广告那样执行，持续集成，Emmanouil Krasanakis，Symeon Papadopoulos，Ioannis Kompatsiaris et al.软件X 20（2022）1012273Fig. 1. Pygrank的功能组件，它们的模块和依赖关系。测试通过并达到接近100%的代码覆盖率，githook脚本自动记录新集成的组件，大量的文档和全面的代码示例。3.2. 软件功能在Pygrank中，传递给代码组件的图形信号与多种实际数据结构兼容，例如节点和分数之间的字典，或将分数分配为1的节点列表。在这两种情况下，省略的节点获得的分数为0.该包定义了自己的GraphSignal类来保存节点排名输出。它的实例也可以手动生成，用作输入，并在节点和分数之间表现为Python字典。在内部，信号保存（可检索的）后端原语（例如numpy数组，tensorflow张量，pytorch张量）以跟踪分数，并在代码组件之间无缝交换。这加快了计算速度，并使大多数算法可以在GPU后端上反向传播。图形过滤器根据其类型和参数进行初始化，并且独立于它们运行的数据参数包括对称与基于列的图邻接矩阵归一化，采用重归一化技巧[21]，缓存重复计算，并遵循Lanczos方法[22]快速近似结果。过滤器或更复杂的算法被用作将组合作为输入的调用网络图和图形信号的能力。GraphSignal实例绑定到特定的图，当传递给算法时，可以省略图参数后处理器用要被包装的基本算法（例如，过滤器实例）和附加参数。多个后处理器可以相互包装以创建复杂的算法，例如将节点组织成重叠或分区的社区以及基于排名的链接预测。相应的代码示例在包的文档中提供该软件包还提供在线调优接口，用作正常节点排名算法调用，同时包装竞争算法或参数化算法定义集。这些分别选择节点排名算法和参数在运行时通过优化任何提供的措施。在监督测量的情况下，调谐由图形信号输入的训练验证分割来自动确定测量值是针对高值还是低值进行优化最后，该软件包支持大规模实验。为此，它包括帮助方法，这些方法遵循SNAP格式加载图形数据集，通过节点对和节点社区定义边缘作为列表[23]，从在线来源下载和解析某些数据集，对社区数据执行训练测试分割默认情况下，加载图是由fastgraph模块生成的，但它们也可以构造为networkx图。方法可以应用后处理器，并创建更多的变化的大型节点排名的替代品。基准测试接口可以在许多数据集上比较多个算法，这些数据集具有许多训练-测试分流比，并且在指定的度量下。4. 说明性实例算法定义。以下代码定义了一个带有自定义参数的HeatKernel过滤器[24]，并创建了一个种子过采样变体[25]，以改进元数据社区建议。然后，一个助手方法创建了两个变体，用扫描比[26]包装这两个算法，同时在它们的名称中添加一个最后，所有算法都被一个标准化步骤包裹，并在一个示例图数据集上运行，以计算节点与感兴趣社区的相关程度。基于分数的电导[27]评估所有结果（越低越好），我们显示了控制台输出，这验证了组合多个组件的优点提供了各种评价措施来评估文件，三是成果。有两种类型的度量：（a）用地面实况图信号实例化的监督度量，以及(b)向无监督测量提供图是可选的，只要GraphSignal实例（例如，算法的结果）稍后被评估以从那些图中检索图。该一揽子计划还执行针对多个目标的措施，例如权衡各种措施或评估一个以上社区侦查任务的结果。import pygrankaspgalgorithm=pg. HeatKernel（t=5，#thenumberofhopstoplacemaximal 我 很抱歉normalization =“symmetric“，reenormalize =True）algorithms={“hk5“：algorithm，“hk5+oversamplingg“：pg. SeedOversamplingg（algorithm）}Algorithms=Algorithms|pg. create_variations（algorithms，{“+swe ep“：pg. Sweep}）algorithms=pg. create_variations（algorithms，pg.不，不Emmanouil Krasanakis，Symeon Papadopoulos，Ioannis Kompatsiaris et al.软件X 20（2022）1012274=∈ []_，g_a_p_h，c_o_u_i_y=n_e_x_t（p_g.load_datasetts_one_community（[“EUCore“]））personalization={n ode：1. 因为没有人 知道#我是我是g公司简介 consideredzeromeasure=pg. Conductance（）#smallermeanstightly-knitstochasticcconity对于每个人来说，每个人都是一个人。items（）：scores=algorithm（graph，personalization）数量RETURNSADICT-LIKEEPG.GraphSignalpg. 2019 - 05 -22 00：000scores），tabs =[20，5]）#prtty香港59. 53hk5+oversampl ing9. 11香港5+西南及东南太平洋9. 18hk5+overesamplingg+sweepp8. 84基准。下面的代码演示了在两个带有社区节点标签的数据集上进行的基准测试，通过使用一半的节点进行训练，其余的节点进行测试来推荐新成员。假设图是不可变的，通过缓存共享图预处理器的结果来加速实验。通过在随机分割上运行代码（也可以格式化为latex）的控制台输出断言了在线调优的有用性这往往表现出类似或更好的AUC比个别算法，其中最好的算法可能是不同的不同的图形。import pygrankaspgdatasets=[“CiteSeer“，“EUCore“]pre=pg. preprocessor（assume_imutability =True，normalization =“symmetric“）#sharedalgs={“ppr. 85“：pg. PageRannk（. 85，preprocessor =pre），“ppr. 99“：pg.PageRannk（. 99，preprocessor=pre，max_iters =1000），“香港三号“：g页 HeatKernel（3，preprocessor =pre），“hk5“：pg.HeatKernel（5，preprocessor =pre），“tuned“：pg. ParameterTuner（preprocessor =pre）}loader=pg. load_d_tase_comunity（datasets）pg.benchmark_print（pg. benchmark（algs，loader，pg.一个UC，fraction_of_training =. （5））PP河85PP河993港5港调谐CiteSeer. 87. 87.87.87. 87EUCore. 83. 48.89.87. 91定义图形神经网络。Pygrank可以帮助建立采用节点排序算法的图形神经网络架构。例如，下面的代码实现了节点分类的预测-然后-传播架构[6];多层感知器是用keras包定义的[28]，pygrank使用同名方法，并且结果通过softmax激活。我们从一个具有节点特征的图开始，创建一个种子节点的60-20-20训练-验证-测试分割 ， 并 使 用 辅 助 方 法 gnn_train 训 练 模 型 。 TensorFlow 后 端（Pytorch可以实现类似的实现）让反向传播通过节点排名。培训将def 一个一个（self，num_inputs，num_otputs，hiden=64）：supeper（）.一个一个 （Dropout（0. 5，input_shape =（num_inputs，）），Dense（hidden，activation =“relu“，kernel_reularizer =L 2（0. 005））、Dropout（0. 5），Dense（num_outputs）]）Self. ranker=pg. PageRannk（0. 9、re_nor_maliz =True，a_sum_i_mut_a_bility =True，us_quot_i_nt=False，e_ror_ty_pe=“iters“，max_iters =10）#10iterationsdefcall（self，features，graph，training=False）：#cncallwithensorrgaaphprdict=super（）. call（features，training=training）propagate=self. ranker. propagate（graph，prdict，grap h_droput=0. 5*training）returntf. nn. softmax（propagate，axis =1）graph，features，labels=pg. load_feature_dataset（“citeseer“）training，test=pg. split（list（range（len（graph））），0的情况。8，seed =5）#seededsplittraining，validation=pg. split（training，1-0。2/0。第八章）model=APPNP（fetures. shape[1]，labels.shape[1]）与hpg. Backend（“tensorflow“）：#pygrannkwithtensorflow Backendpg. gnn_train（modedel，fetures，graph，labels，training，validatin，optimizer=tf. 最后一次。 Adam（learning_rate =0. 01），verbose=True）print（“Accuracy“，第g. gnn_accuracy（labels，model（features，graph），test））在线调整也适合机器学习管道。例如，下面的代码让APPNP的排名器自动确定扩散参数（par [0] 0. 5， 1）每一个“手动”PageRank定义的推广维度 调整每个传播可以提高种子0、1、. . .，9例从76.2%降至77.5%。参数选择是在numpy后端上运行 的 ; 截 至 撰 写 本 文 时 ， 这 比 图 形 信 号 移 位 的 GPU 后 端（tensorflow，torch由于频繁的重复和运行时间与图形边缘的数量成比例，该软件包将大部分时间花在此操作上。其他后端操作不会产生瓶颈，因为它们不经常应用或逐个元素地应用于节点分数。在选择参数后，计算返回到tensorflow后端，该后端是可反向传播的，并且可以在GPU中运行进一步的计算。pre=pg. preprocessor（renormalize =Truee，assume_immutabi lity=Truee）Self. ranker=pg. 01-02lambdapar：pg. GenericGraphFilter（[par[0]**iforinrange（int（10））]，preprocessor=pre，error_type =“iters“，max_iters =10），max_vals =[1]，min_vals =[0. 5]，verbose=False，measure=pg.Mabs，deviation_tol =0。01，tuning_backend =“numpy“）如果测试标签被屏蔽为零，情况也是如此值得注意的是，图形过滤器包提供的传播只占用两行代码定义和运行。Emmanouil Krasanakis，Symeon Papadopoulos，Ioannis Kompatsiaris et al.软件X 20（2022）1012275importPYGRANKASPGIMPRTtensorflowastf我的天啊，我的天啊。克雷拉斯。今天是最重要的一天，Densefromtensorflow。克雷拉斯。Regularizers importL2clasAPPNP（tf. 克雷拉斯。Sequential）：5. 影响pygrank集合了多种节点排序算法工具。首先，它支持并集成了在许多算法和变体上验证的方法。这些范围从后处理器的工作（例如[25]）到早期停止标准，以及排名质量的无监督评估[27]。第二，实现Emmanouil Krasanakis，Symeon Papadopoulos，Ioannis Kompatsiaris et al.软件X 20（2022）1012276第三方研究，包括但不限于PageRank [29]，HeatKernel [24]和吸收随机游走[30]图形过滤器，自定义邻接矩阵归一化，包括潜在的重新归一化[21]，用于社区检测的扫描后处理器[26]，缓存和近似Arnoldi空间[31]加速，以及在图形过滤器参数的非凸空间中进行调整，混合划分矩形[32]和坐标下降优化[33]。由于具有可互操作的接口，这些功能的使用得到了简化。我们认识到该软件包的四个潜在应用，每个应用只需几行代码即可实现：（i）基于ad-hoc标准定义和运行节点排名算法(ii)定义多个有前途的算法，并通过在领域相关图数据集上的实验来选择最佳算法，（iii）通过在线调整来在运行时调整算法参数，以及(iv)在机器学习管道中集成算法，例如图形神经网络。这些应用程序可以帮助研究人员回答与不同图域使用哪些算法有关的问题，例如通过比较基准图挖掘任务上的多个此外，Pygrank通过将它们与科学严格设置下的各种现有替代方案进行比较，实现了对新节点排名算法组件或评估实践的原则性探索对于多组分算法，相同的过程也简化了消融研究。总的来说，该软件包减少了重新实现分散在文献中的代码的开发负荷这些功能帮助了作者的工作，因此也可以证明对其他研究节点排名的研究人员有用最后，高级编程接口抽象用几行代码定义和运行算法，并鼓励使用最先进的实践，即使是非专家。在实践中，算法实现既具有可扩展性，又具有流行的加速功能，即使在具有数百万条边的大型图形上也能快速运行。这些特性使该封装成为以最低工程成本集成技术就绪解决方案的6. 结论我们已经开发了一个Python包，称为pygrank，它提供了图节点排名算法组件的全面和可互操作的实现，以及调优，评估和基准测试功能。目前的版本包括7种高度参数化的基本图过滤器，17种后处理器（每种都有多种变化），3种在线参数调整策略和30种算法评估措施。除了解析编程输入外，它还可以自动下载和解析15个Web资源，以进行开箱即用的实验。算法在计算复杂度、分配内存和加速技术方面得到优化，并支持GPU后端的反向传播。在未来，我们计划在代码库中集成更多现有和新颖的文献组件。还鼓励研究人员为他们的工作做出贡献。竞合利益作者声明以下经济利益/个人关系可能被视为潜在的竞争利益：Emmanouil Krasanakis 报 告 欧 盟 委 员 会 提 供 了 经 济 支 持Emmanouil Krasanakis报告了与希腊研究和技术中心的关系，其中包括：就业。数据可用性运行代码致谢该软件包的开发部分由欧盟委员会资助，合同编号为H2020-951911 AI 4 Media和H2020-825585 HELIOS。引用[1]Ortega A ， Frossard P ， Kovačević J ， Tina JM ， Vandergheynst P.GraphSignal Processing ： Overview ， Challenges ， and Applications. ProcIEEE2018;106（5）：808-28.[2]Zhang Y ， Xia X ， Xu X ， Yu F ， Wu H ， Yu Y ， et al. Robusthierarchicaloverlapping community detection with personalized pagerank.IEEE Access2020;8：102867-82.[3]高毅，于翔，张宏.通过受限个性化PageRank进行重叠社区检测。专家系统应用2021;173：114682。[4]Nassar H，Benson AR，Gleich DF.成对链接预测。2019年IEEE/ACM关于社交网络分析和挖掘进展的国际会议。IEEE; 2019，p.386-93.[5]吴新，吴建，李英，张庆.基于节点排序的时变网络链路预测。基于知识的系统2020;195：105740。[6]Klicpera J，Bojchevski A，Günnemann S.预测然后传播：图神经网络满足个性化的pagerank。2018年，arXiv预印本arXiv：1810.05997。[7]黄Q，何H，辛格A，林S-N，本森AR.结合标签传播和简单模型，性能优于图神经网络。2020年，arXiv预印本arXiv：2010.13993。[8]Harris CR ， Millman KJ ， van der Walt SJ ， Gommers R ， Virtanen P ，Cournapeau D ， et al. Array programming with NumPy. Nature 2020;585（7825）：357-62.[9]VirtanenP ， Gommers R ， Oliphant TE ， Haberland M ， Reddy T ，Cournapeau D ， et al. SciPy 1.0 ： fundamental algorithms for scientificcomputing in Python. Nature Methods2020;17（3）：261-72.[10]李文辉，李文辉，李文辉.关于网络中的元数据和社区检测的基本事实。SciAdv2017;3（5）：e1602548。[11]Tong H，Faloutsos C，Pan J-Y.带重启动的快速随机游动及其应用。第六届数据挖掘国际会议。IEEE; 2006，p. 613-22[12]Hagberg A，Swart P，Chult DS.使用NetworkX探索网络结构、动态和功能。Tech.代表，Los Alamos，NM（美国）：LosAlamos National Lab。（LANL）;2008年。[13]Csardi G ， Nepusz T ， et al. The igraph software package for complexnetworkresearch. InterJ Complex Syst2006;1695（5）：1-9.[14]Wang M ， Yu L ， Zheng D ， Gan Q ， Gai Y ， Ye Z ， et al. Deep graphlibrary：towardsefficient and scalable deep learning on graphs. 2019年。[15]Fey M，Lenssen JE.使用PyTorch Geometric进行快速图形表示学习。2019年，arXiv预印本arXiv：1903.02428。[16]Ferludin O，Eigenwillig A，Blais M，Zelle D，Pfeifer J，Sanchez-GonzalezA ， et al. TF-GNN ： 图 形 神 经 网 络张 量 流 。2022,CoRR ， vol.abs/2207.03522。[17]Grattarola D，Alibaba C.图神经网络在张量流和keras与spektral。2020年，arXiv预印本arXiv：2006.12138。[18]Mihalcea R，Tarau P. Textrank：Bringing Order into Text. 2004年自然语言处理经验方法会议论文集。2004年，p. 404-11[19]张文龙，王文龙，王文龙. PyGSP：Python中的图形信号处理。[20]Erickson N ， Mueller J ， Shirkov A ， Zhang H ， Larroy P ， Li M ， et al.Autogluon- tabular： Robust and accurate automl for structured data. 2020年，arXiv预印本arXiv：2003.06505。[21]Kipf TN ， Welling M. 图 卷 积 网 络 的 半 监 督 分 类 。 2016 年 ， arXiv 预 印 本arXiv：1609.02907。[22]Susnjara A，Perraudin N，Kressner D，Vandergheynst P.使用lanczos方法加速图上的过滤。2015年，arXiv预印本arXiv：1509.04537。[23]Leskovec J ， Krevl A. SNAP 数 据 集 ： 斯 坦 福 大 型 网 络 数 据 集 。 2014 ，http://snap.stanford.edu/data。[24]钟F.热核作为图的PageRank。Proc Natl Acad Sci2007;104（50）：19735-40.[25]Krasanakis E，Schinas E，Papadopoulos S，Kompatsiaris Y，SymeonatraA. 为 当 地 社 区 排 名 加 强 种 子 过 采 样 。 Inf ProcessManage2020;57 （ 2 ） ：102053.Emmanouil Krasanakis，Symeon Papadopoulos，Ioannis Kompatsiaris et al.软件X 20（2022）1012277[26]张文辉，张文辉，张文辉.基于pagerank的有向图局部划分。互联网数学2008;5（1-2）：3-22.[27]吴晓波，李晓波，李晓波.通过重构局部结构对多个节点等级进行无监督评估。应用网络科学2020;5（1）：1-32.[28]GulliA，P.使用Keras进行深度学习Packt Publishing Ltd; 2017.[29]Page L，Brin S，Motwani R，Winograd T. PageRank引文排名：为网络带来秩序。Tech. 代表，Stanford InfoLab; 1999.[30]吴晓梅，李志，苏美春，赖特J，张世芳.学习部分吸收随机游动。在：NIPS。卷25，2012，p.3077-85[31]格雷夫·戈卢布·GH一种计算页面排名的arnoldi型算法。BITNumerMath2006;46（4）：759-71.[32]作者：John C.加法缩放和直接算法。J GlobalOptim2006;36（4）：597-608.[33]吕河非凸最优化的半径递减块坐标下降法的收敛性2020年，arXiv预印本arXiv：2012.03503。