def get_probability_transition_matrix(A: np.matrix):
"""
Calcule la matrice de probabilité de transition à partir de la matrice d'adjacence
:param A: La matrice de base
:return: La matrice de probabilités de transition
"""
res = []
for i in range(A.__len__()):
res.append([0] * A.__len__())
do = A.sum(axis=1)
for i in range(A.__len__()):
res[i] = (A[i] / float(do.item(i))).A1
return np.matrix(res)
def item_rank_inversion_mat(PTransposed: np.matrix, alpha: float, v: np.array):
"""
Calcul du vecteur de score par inversion matricielle
:param PTransposed: La transposée de la matrice de probabilités de transition
:param alpha: Le paramètre de téléportation
:param v: Le vecteur de personnalisation normalisé
:return: Le vecteur de page rank
"""
I = np.identity(PTransposed.__len__())
res = (1 - alpha) * (np.linalg.inv(I - alpha * PTransposed)) * v
return res