在大数据时代，社交网络已成为互联网上人类交流与互动的重要体现。 识别网络中有影响力的传播者，在疾病爆发，病毒传播和舆论控制等各个领域都起着至关重要的作用。 基于这三种基本集中度测度，提出了一种应用偏好关系分析和随机游走技术的综合算法PARW-Rank，用于评估节点影响。 对于每个基本度量，分析网络中每个节点对之间的优先级关系，以构建部分优先级图（PPG）。 然后，通过结合针对三种基本度量的偏好关系来生成综合偏好图（CPG）。 最后，通过在CPG上进行随机游走来确定节点的排名。 此外，使用五个公共社交网络进行比较分析。 实验结果表明，与现有的单一中心测度方法相比，我们的PARW-Rank算法可以实现更高的精度和更好的稳定性。

<> 非常不错的一本英文数据，内容是关于马尔科夫链和随机游走相关的，讲的比较清楚

随机游走matlab代码LocateThetaIn3DMesh：在 3D 网格中定位四面体 概述 该项目提供了用于定位四面体网格中 3D 点的 MATLAB 脚本。 作者 作者：Adam Dziekonski，Dr.Eng。 出版日期：2018 年 8 月 软件要求 MATLAB 细节 文件run_JumpAndWalk_3D.m ： 加载在 Netgen 中生成的网格， 运行基于 [1][2][3] 编写的跳跃和行走算法实现， 将跳跃和行走与 3D 点的参考（朴素）实现定位进行比较。 设置执行标志在脚本的第一行中被门控和描述（注释）： run_JumpAndWalk_3D.m 跳跃阶段在文件中实现： jumpToStartingTetrahedron.m行走阶段有两种变体： 能见度步行： visibility_walk_3D.m 随机游走： stochastic_walk_3D.m 建议的 LocateThetaIn3DMesh 脚本能够找到单个点/四面体以及多个点/四面体（参见循环for n = 1:NoOfPoints (...) end in run_JumpAndWalk_3

树冠分割 使用分水岭和随机游走算法的树冠分割 ==================================== 安装 所需软件包：python2、opencv2、numpy、scipy、matplotlib、scikit-image 0.11.3 ==================================== 用法： 用法：python2 watershed_randomwalker.py original_image ground_truthoil_removed_image（可选） ====================================注意： 对于大于 512x512 像素的图像，使用 mode=cg_mg 进行 Random Walker 分割

针对基于颜色特征空间的半监督聚类分割算法适合分割结果包含多个颜色特征相似目标的应用场合,但对高噪声图像却无法获得理想的分割结果,而基于随机游走理论的半监督图像分割算法需要用户对目标逐一进行标记的问题,提出一种半监督图像分割算法.首先根据用户标记采用半监督模糊C均值聚类(SSFCM)算法对图像颜色特征进行建模;然后引入一个确信度函数,并根据SSFCM算法得到的隶属度数据计算确信度函数值,再将像素分为2类,分别作为随机游走图像分割算法的已标记点和未标记点;最后采用随机游走算法完成最终的分割.实验结果表明,该算法对图像中的噪声具有良好的抑制作用,且无需用户对目标逐一进行标记.

随机游走matlab代码 Random Walker Matlab code to simulate a 2-dimensional random walk.

图像矩阵matlab代码TheanoDeepWalk Brian Perozzi在Theano上进行的DeepWalk，可以对在多个GPU上的嵌入进行分布式培训。 同样，整个代码在后台使用Keras来构建模型的灵活版本。一旦Keras现在支持TensorFlow作为后端，您就可以使用此Google产品来训练如何嵌入图形。 也在计划中： 使用图集通过多模式辅助信息来增强基于Deepwalk的嵌入（使用暹罗网络） 多峰图形嵌入（文本，图形，图形拓扑等） DeepWalk使用简短的随机游走来学习图形中顶点的表示形式。 用法 示例用法$deepwalk --input example_graphs/karate.adjlist --output karate.embeddings --window-size=15 --representation-size=128 --workers=8 --number-walks=80 --input：input_filename 1. ``--format adjlist`` for an adjacency list, e.g:: 1 2 3 4 5

随机游走matlab代码回复 带重启（SRWR）的带符号随机游走的 Python 实现 该存储库旨在实现以下论文提出的带重新启动的签名随机游走（SRWR）模型： 、Jinhong Jung、Woojung Jin、Lee Sael 和 U Kang，IEEE 数据挖掘国际会议 (ICDM) 2016，西班牙巴塞罗那。 以下材料（幻灯片、matlab 代码和数据集）可能很有用。 您可以下载论文的幻灯片。 论文中使用的MATLAB版本可以下载。 论文中使用的数据集可在 。 安装 要安装此存储库中使用的 python 包，请键入以下内容： cd srwr pip install -r requirements.txt 用法 我们提供以下简单的命令行用法： python -m srwr --input-path data/sample.tsv --output-path output/scores.tsv --output-type rd --seed 3942 该命令将计算 SRWR 得分向量，并与--seed在--input-path指定的输入图中由--input-path给出的种子节点-

吡咯 PY马拉松实现对于R andomW¯¯烷基，其中R estart（PyRWR）。 重新启动随机游走（RWR）是著名的链接分析算法之一，该算法可测量任意类型的图（网络）中的节点到节点的接近度。 代表性的应用程序包括各种现实世界中的图形挖掘任务，例如个性化节点排名，图形中的推荐（例如，“您可能认识的人”）以及异常检测。 pyrwr目的是在Python中使用numpy和scipy实现基于Power Iteration的RWR分数计算算法。 更具体地说， pyrwr专注于计算给定查询（种子）节点的单个源RWR得分向量，该向量用于对查询节点进行个性化节点排名。 除了RWR， pyrwr支持计算具有多个种子和PageRank的Personalized PageRank（PPR），这是RWR的著名变体。 pyrwr支持的功能有： 查询类型 重新启动随机游走（RWR）：个性化排名； 只允许一

随机游走matlab代码KalmanFilter-RandomWalk-Matlab m 代码为随机游走模型实现卡尔曼滤波器。 卡尔曼滤波器使用随机初始化进行初始化。 所有参数都是可调的。