如何计算多对多依赖图模型的特征向量？

好问题！要计算这个依赖图的特征向量（通常我们指的是主特征向量，用来衡量节点的重要性，类似PageRank的逻辑），我们可以分步骤来实现，结合你的Rails模型结构，具体如下：

你的模型里，每个Article是图的节点，Relation代表一条边：dependent（依赖方）指向dependency（被依赖方）——也就是说，如果文章A依赖文章B，那么A会给B的“重要性”投票，我们的特征向量会反映这种投票后的权重分布。

如果你的业务逻辑需要反过来（比如被依赖方指向依赖方），只需要后续代码中调换dependency_id和dependent_id的角色即可。

首先我们需要把所有文章映射到矩阵的索引，然后构建转移矩阵（矩阵中的元素M[i][j]表示从节点i跳转到节点j的概率）：

# 获取所有文章，建立ID到矩阵索引的映射
articles = Article.all
id_to_index = articles.each_with_index.to_h { |article, idx| [article.id, idx] }
total_nodes = articles.size

# 初始化全0的转移矩阵
transition_matrix = Array.new(total_nodes) { Array.new(total_nodes, 0.0) }

# 先统计每个节点的出度（即该节点依赖了多少其他文章）
out_degree = Hash.new(0)
Relation.find_each do |rel|
  from_idx = id_to_index[rel.dependent_id]
  next unless from_idx # 跳过已删除的文章（如果存在的话）
  out_degree[from_idx] += 1
end

# 填充转移矩阵：如果节点i有出度d，每条出边的概率是1/d
Relation.find_each do |rel|
  from_idx = id_to_index[rel.dependent_id]
  to_idx = id_to_index[rel.dependency_id]
  next unless from_idx && to_idx
  
  if out_degree[from_idx] > 0
    transition_matrix[from_idx][to_idx] = 1.0 / out_degree[from_idx]
  end
end

主特征向量对应图的最大特征值，最适合用幂迭代法计算（简单易实现，适合大规模图）。我们还可以加入阻尼因子（模拟用户随机跳转的行为，通常设为0.85）：

def power_iteration(transition_matrix, damping_factor = 0.85, max_iterations = 100, tolerance = 1e-6)
  total_nodes = transition_matrix.size
  # 初始化权重向量：每个节点初始权重相等
  current_vector = Array.new(total_nodes, 1.0 / total_nodes)
  
  max_iterations.times do
    new_vector = Array.new(total_nodes, (1 - damping_factor) / total_nodes)
    
    # 计算新的权重向量
    total_nodes.times do |i|
      total_nodes.times do |j|
        new_vector[j] += damping_factor * transition_matrix[i][j] * current_vector[i]
      end
    end
    
    # 判断是否收敛：向量变化量小于阈值就停止迭代
    diff = new_vector.each_with_index.sum { |val, idx| (val - current_vector[idx]).abs }
    current_vector = new_vector
    break if diff < tolerance
  end
  
  current_vector
end

# 计算特征向量（即各文章的重要性权重）
feature_vector = power_iteration(transition_matrix)

# 把结果映射回文章对象，按权重降序排序
article_scores = articles.each_with_index.to_h { |article, idx| [article, feature_vector[idx]] }
sorted_articles = article_scores.sort_by { |_article, score| -score }

• 边方向调整：如果你的业务逻辑中，被依赖的文章需要指向依赖它的文章（比如想衡量“被多少文章依赖”的反向权重），只需要在构建矩阵时把from_idx设为id_to_index[rel.dependency_id]，to_idx设为id_to_index[rel.dependent_id]。
• 孤立节点处理：没有任何依赖或被依赖的文章，我们通过阻尼因子的均匀分布项处理，确保它们也能获得基础权重。
• 性能优化：如果你的文章数量很大（比如上万级），纯Ruby的矩阵操作会比较慢。可以考虑用NMatrix（Ruby的线性代数库）来加速，或者把数据导出到Python用numpy/scipy计算后再导回Rails。
• 按用户过滤：如果需要计算某个特定用户的依赖图特征向量，只需要在查询Relation时加上where(user_id: target_user_id)即可。

内容的提问来源于stack exchange，提问作者Amadeus Pagel