SlideServe
Télécharger Obtenir Pro
Menu
Accueil Pro
Préférences
ApparenceLight Aide et commentaires
© SlideServe · v2026

PageRank Algorithm Implementation for Sparse Graphs in Web Retrieval and Mining

yelena avatar
yelena
11 diapositives · 242 Views · Jul 26, 2014

This assignment focuses on implementing the PageRank algorithm for sparse graphs, involving nodes with no outgoing links. Participants must ensure that these nodes connect to all other nodes without explicitly adding edges. The algorithm should run on given datasets, such as Stanford.edu, and output PageRank scores. Evaluation includes calculating L1-norm and Spearman’s rho with a provided program. Deliverables include a zip file containing source code and a report detailing implementation strategies and findings.

PageRank Algorithm Implementation for Sparse Graphs in Web Retrieval and Mining - slide 1
01 / 11PageRank Algorithm Implementation for Sparse Graphs in Web Retrieval and Mining
1 / 17

Télécharger la présentation

PageRank Algorithm Implementation for Sparse Graphs in Web Retrieval and Mining
Une image / un lien ci-dessous est fourni (tel quel) pour télécharger la présentation

Politique de téléchargement : le contenu du site vous est fourni TEL QUEL pour votre information et votre usage personnel ; il ne peut être vendu, concédé sous licence ni partagé sur d’autres sites sans l’accord de son auteur.Le contenu vous est fourni TEL QUEL, pour votre information et votre usage personnel uniquement. Téléchargez la présentation en cliquant sur ce lien. Lors du téléchargement, si vous ne parvenez pas à télécharger une présentation, l’éditeur a peut-être supprimé le fichier de son serveur.Pendant le téléchargement, si vous ne parvenez pas à obtenir une présentation, le fichier a peut-être été supprimé par l’éditeur.

F I N

Plus de contenu associé

Transcription de la présentation

  1. Programming HW2 Web Retrieval and Mining spring 2014

  2. PAGERANK • Until (Euclidean distance) • In this assignment, use in your program • For those nodes with no outgoing links • Assume they connect to all other nodes • You need to avoid adding edges explicitly to every node for those nodes with zero out degree

  3. DATASET Note that the given datasets are very sparse, you can’t implement the algorithm storing them in dense matrix

  4. Input graph example • #maxnode 6 • 1:3 2 4 6 • 2:3 4 5 6 • 3:1 4 • 4:2 1 6 • 5:2 4 6 • Each line is node_id:out_degreenode_a, node_b .. • The third line means (node 3)->(node 4)

  5. Output Example • 1:1.03486 • 2:0.695335 • 3:0.402125 • 4:1.48879 • 5:0.599137 • 6:1.77971 • Each line is node_number:pagerank_score

  6. Evaluation • We release our answer for data “stanford.edu (Aug. 2003)” • We provide a program to evaluate the L1-norm and Spearman’s rho taking two pagerank vector as inputs. • $ ./eval-pagerankanswer.pagerankstudent.pagerank • L1 norm: 0.332361 • Spearman's rho: -0.561746

  7. Requirement(PageRank) • Implement the PageRank algorithm • Run your programon CS stanford.edu (Oct. 2004), stanford.edu (Aug. 2003), and 03-2006-wk3 and upload results • Damping factor

  8. Report • How do you implement the algorithm on sparse graph • What do you find in this task

  9. Upload Format • Zip all your files with your student id as file name • R00922XXX.zip • +---R00922XXX •  +---REPORT.pdf •  +--- R00922xxx.pagerank1 // CS stanford.edu (Oct. 2004) •  +--- R00922xxx.pagerank2 // stanford.edu (Aug. 2003) •  +--- R00922xxx.pagerank3 // 03-2006-wk3 •  +---compilePR.sh //script file to compile PageRank •  +---executePR.sh //script file to execute PageRank • ./executePR.sh [-d DAMPING FACTOR] [-e EPSILON] [-o OUTPUT] INPUT •  All the other files and source codes

  10. Grading • PageRank – 10% • Report – 5% • Deadline – two weeks

  11. Contact • Ptt2: WebMining • E-mail: • 韓鯤偉(r01944031@csie.ntu.edu.tw) • 林哲毅(r01922027@csie.ntu.edu.tw) • 劉彥均(r01922033@ntu.edu.tw) • Lab 302網路資訊檢索與探勘