Page Rank

O PageRank é um algoritmo que mede a importância relativa de cada nó dentro de um grafo. A importância de um nó é determinada pela quantidade e qualidade dos links que apontam para ele.

Os resultados apresentados na imagem e gerados código a seguir mostram os valores finais de PageRank para os nós A, B, C e D.

graph = {
    "C": ["D", "A"],
        "A": ["C"],
        "D": ["C", "B"],
        "B": ["A"]
}

Codigo do Page Rank

Interpretação dos Resultados

• Resumo numérico: Os valores de PageRank resultantes são normalizados (somam aproximadamente 1). Por exemplo, em uma execução típica obtém-se algo como: C ≈ 0.378, A ≈ 0.302, D ≈ 0.198, B ≈ 0.122.
• Por que C aparece em primeiro: C recebe links de múltiplas fontes importantes (por exemplo A e D) e participa de ciclos que preservam e redistribuem PageRank, o que amplifica seu peso.
• A versus D e B: A fica em segundo por receber contribuições de nós com peso; D tem importância intermediária porque recebe de C mas também distribui parte do seu peso; B é o menor porque tem menos fontes de entrada e recebe menos fluxo de importância.
• Efeito do damping factor (d): Com d = 0.85 usamos 85% do fluxo vindo de repasses pelos links e 15% de teletransporte uniforme. Diminuir d torna os valores mais próximos entre os nós (mais aleatoriedade); aumentar d enfatiza mais a estrutura de links.
• Dangling nodes: Nós sem saídas têm seu PageRank redistribuído igualmente entre todos os nós. No grafo de exemplo todos os nós têm saídas, portanto esse efeito não foi decisivo aqui.
• Uso prático: Ordenar nós por PageRank indica quais nós são mais centrais/influentes no grafo; útil para priorização, resumo ou análise de influência. Para decisões operacionais, foque nos nós com maior PageRank (C e A no exemplo).