Dalam artikel ini, penulis menyelami lebih dalam ke dalam algoritma Eigentrust OpenRank, yang saat ini merupakan teknologi baru yang digunakan oleh Metamask Snaps, Degen tips, dan Supercast. OpenRank sebagai lapisan komputasi dapat menjalankan berbagai algoritma graf reputasi, yang pertama kali diperkenalkan adalah algoritma eigentrust. Penulis membagikan mengapa membutuhkan konstruksi graf komunitas, konsep kunci algoritma, bagaimana cara kerjanya, dan bagaimana membuat graf sendiri. Selain itu, penulis juga memberikan petunjuk tentang tugas yang akan datang dari Bytexplorers, mendorong pembaca untuk berlangganan untuk mendapatkan pembaruan terbaru.
Sebagian besar frontend cryptocurrency saat ini mencakup daftar peringkat sederhana, dengan token teratas yang diurutkan berdasarkan volume perdagangan, likuiditas, pencetakan, poin, dan voting. Jika kita ingin menciptakan pengalaman cryptocurrency konsumen yang dapat melampaui raksasa Web2 saat ini, yang kita butuhkan dalam aplikasi kita bukan hanya daftar peringkat.
OpenRank adalah salah satu batu penjuru yang membantu kami mencapai tujuan ini, telah digunakan oleh Metamask Snaps, Degen Tips, dan Supercast. OpenRank adalah lapisan perhitungan yang dapat menjalankan banyak algoritme reputasi graf, di mana yang pertama adalah algoritme eigentrust.
Dalam artikel ini, saya akan memperkenalkan algoritme eigentrust OpenRank, dan mendiskusikan hal-hal berikut:
Pentingnya Membangun Grafik Komunitas, dan Mengapa Anda Membutuhkannya
Konsep kunci dan prinsip kerja dari algoritme ini
Bagaimana cara membuat grafik Anda sendiri, lihat contoh grafik yang saya buat di notebook Python saya
Mari kita mulai!
Mengapa membangun grafik rekomendasi bersama komunitas daripada hanya mengandalkan tim pembelajaran mesin Anda sendiri?
Ketika membangun algoritma dan aliran rekomendasi dalam mata uang kripto, Anda akan segera menghadapi beberapa masalah data:
· Trading melibatkan banyak tingkat operasi
Hubungan antara alamat dapat menjadi sangat kompleks melalui transaksi berulang.
· Alamat itu sendiri mengandung sebagian identitas, setiap identitasnya terkait dalam konteks yang berbeda
Semua tiga hal di atas terus berkembang dengan kecepatan eksponensial, mari kita sebut elemen-elemen yang terus meningkat ini sebagai "konteks".
Tim ML kecil Anda tidak dapat mengikuti ide-ide kreatif yang tak ada habisnya ini
Anda juga tidak ingin backend atau tim rekayasa data Anda menangani masalah ini, lagipula, mereka memiliki produk untuk dibangun. Hari-hari ketika aplikasi memiliki pengguna dan struktur data pengguna berakhir, dan alih-alih hanya memiliki tautan sederhana, ID pengguna, suka/balas/bagikan, dan ID postingan, Anda dapat memiliki pertukaran, membagi, Drop, menukar, stake, mendelegasikan, memberikan suara, pencetakan, dan lainnya. Hampir setiap hari, "operasi" baru muncul, serta rantai baru, jenis Dompet baru, jenis identitas baru, dan sebagainya.
Saya percaya bahwa dalam setahun mendatang, industri kripto akan mengembangkan komunitas ilmu data grafis berbasis protokol dan produk OpenRank
Saya sudah berada di komunitas wizard Dune selama bertahun-tahun, menyaksikan kekuatan komunitas yang kuat, melebihi kemampuan tim kecil. Saya juga melihat hampir setiap tim kecil kripto mulai dari 'ya, kami bisa menyelesaikan ini dengan satu node dan database RDS' hingga 'kita perlu menggunakan alat data yang dibangun komunitas seperti The Graph dan Dune'. Bagi saya, membuat kombinasi query dan grafik yang disesuaikan dengan aliran rekomendasi untuk jenis tertentu adalah masalah yang serupa. Kita perlu mulai mengumpulkan dan menguji grafik yang dapat menyediakan aliran rekomendasi di setiap aplikasi, mulai dari klien Farcaster hingga blockchain explorer.
Sebuah konsep aliran rekomendasi adalah memikat, akan segera ditinggalkan. Pengguna menjadi kurator konten.
Dalam dunia mata uang kripto, pengguna tidak hanya ingin membawa grafik sosial mereka ke aplikasi yang berbeda, tetapi juga ingin membawa konteks yang tersembunyi dalam grafik tersebut. Jika saya aktif mengikuti komunitas/degen di Farcaster, saya ingin direkomendasikan kegiatan komunitas tersebut di Zora, Roam.xyz, atau OnceUpon, dan saya ingin dapat beralih konteks rekomendasi tersebut ke komunitas lain yang saya ikuti, misalnya para kolektor artblocks. Masa depan akan menjadi era di mana pengguna menemukan dan memilih feed mereka sendiri, bukan terbatas pada fitur grup atau saluran tunggal di platform tertentu.
Bagaimana cara kerja algoritma Eigentrust OpenRank?
Algoritme Eigentrust mirip dengan PageRank, yang meranking node dalam jaringan graf. Perbedaannya adalah fokusnya pada menangkap hubungan peer-to-peer yang kompleks sebagai distribusi kepercayaan. Awalnya, itu dibangun untuk mengalokasikan skor kepercayaan di jaringan berbagi file. Di bidang mata uang kripto, Anda dapat membayangkan menggunakannya untuk mewakili perwakilan tata kelola berkualitas tinggi atau mengidentifikasi smart contract yang dapat dipercaya.
Berikut adalah formula Eigentrust:
Di atas terdapat dua input kunci: node trust pra-ditetapkan dan grafik trust lokal. 'P' adalah trust pra-ditetapkan Anda, 'S' adalah trust lokal Anda.
· Kepercayaan Lokal (localtrust): Ini adalah pengukuran interaksi antara dua node, ketika node "i" mengirimkan nilai tertentu ke node "j". Ini mungkin transfer token, bukti, balasan voting/like, dll.
· Pretrust: Ini adalah pemilihan 'benih' dari node yang lebih dapat dipercaya di jaringan yang Anda pilih.
· 「c」: Konstanta ini (antara 0 dan 1) merupakan bobot nilai kepercayaan antara graf kepercayaan lokal keseluruhan dan benih kepercayaan. Graf interaksi biasanya memiliki distribusi hukum daya, sehingga bobot kepercayaan awal yang lebih tinggi membantu mengatur distribusi nilai peringkat akhir.
Jika rumus matematika ini sulit dipahami, Anda dapat membandingkannya dengan grafik sosial seperti Twitter, di mana pengikut, suka, balasan, dan sebagainya cenderung terpusat pada sejumlah kecil orang, menghasilkan dinamika pangkat. Dengan mengatur sekelompok individu berpengaruh dan memilih nilai konstan 'c' menjadi 0.5 atau lebih tinggi, pada kenyataannya, individu-individu yang dipercaya ini akan mewarisi setengah nilai dari pengaruh tersebut. Inilah cara untuk secara lebih merata dan meratakan skor kepercayaan di dalam jaringan.
Apa hubungannya dengan memilih konteks apa pun dan membuat aliran rekomendasi?
Misalkan Anda ingin mengurutkan 10000 proposal pendanaan dalam aliran rekomendasi. Berdasarkan interaksi voting (kepercayaan lokal) dan sekelompok voter terpercaya yang Anda pilih sendiri (kepercayaan pra), Anda dapat memberikan peringkat nilai untuk semua voter dan pengusul. Anda dapat memilih 10 voter teratas yang Anda delegasikan untuk voting di beberapa DAO sebagai voter kepercayaan pra Anda. Eigentrust akan berjalan berdasarkan kedua masukan ini, dan memberikan daftar voter yang lebih besar, dengan peringkat dalam grafik berdasarkan kepercayaan yang diwarisi dari node kepercayaan pra.
Dengan demikian, Anda sekarang dapat menggunakan daftar nilai peringkat ini untuk menimbang proposal tata kelola real-time, untuk mendapatkan aliran rekomendasi yang lebih personal!
Ini mungkin masih terlalu abstrak, jadi saya akan menjelaskannya melalui contoh kode konkret di bagian berikutnya. Ingatlah, OpenRank mengurus perhitungan dan penyimpanan grafik Eigentrust ini, dan merekomendasikan aliran rekomendasi yang dapat Anda gunakan. Yang perlu Anda lakukan hanyalah menentukan input kepercayaan awal dan lokal.
Bagaimana Menggunakan OpenRank untuk Membangun Grafik Eigentrust?
Tujuan Akhir
Dalam contoh ini, saya ingin berlangganan aliran rekomendasi kontrak berdasarkan dompet pengguna Farcaster/base (Farcaster adalah aplikasi serupa Twitter). Output hanya berupa daftar yang berisi id dan nilai, di mana setiap id dalam gambar saya terkait dengan id pengguna Farcaster (fid).
Sumber Data
Setelah membuat grafik peringkat, kami secara otomatis menghasilkan aliran rekomendasi ini berdasarkan kontrak utama mereka minggu lalu:
Sumber Data
Anda dapat melihat dasbor untuk melihat aliran rekomendasi lain yang dibuat dari gambar tersebut, seperti pencetakan NFT, perdagangan token DEX, dan aktivitas saluran Farcaster.
Implementasi Kode
Sekarang Anda telah melihat tujuannya, mari kita bicarakan bagaimana saya membuat grafik peringkat ini.
Semua kode dalam contoh ini dapat ditemukan di buku catatan hex.tech, jika Anda lebih suka menjalankannya secara lokal, Anda juga dapat menggunakan jupyter notebook.
Pertama, saya membuat dua kueri untuk kepercayaan pra-dan lokal kita masing-masing:
Pertanyaan pertama adalah 'node kepercayaan awal' kami. Pertanyaan ini akan mengeluarkan pengguna puncak dari saluran /base berdasarkan interaksi yang diterima (like, retweet, balasan) dengan rumus saya (like + 3 retweet + 10 balasan). Kami akan mengambil 100 id pertama dari pertanyaan ini sebagai node kepercayaan kami.
Sumber Data
Permintaan kedua digunakan untuk melacak interaksi on-chain antara node dengan menggunakan alamat tautan pengguna di saluran /base. Karena aliran langganan akan merekomendasikan operasi on-chain, saya ingin memastikan memilih grafik interaksi berdasarkan jumlah interaksi on-chain. Menggunakan nilai dolar yang ditransfer antara node adalah representasi umum yang baik - Saya melacak transfer stablecoin dan ETH di Optimism, Base, dan mainnet Ether.
Sumber Data
Analisis grafik input dan menguji grafik Eigentrust hasil output
Sekarang kita memiliki node kepercayaan awal dan grafik kepercayaan lokal, mari kita lihat beberapa data statistik ringkasan. Ada 65.755 pengguna dalam saluran /base yang mentransfer token ke orang lain dalam saluran tersebut, dan dari node kepercayaan awal kami, kami dapat menjelajahi 19% grafik (yaitu node yang terhubung). Persentase ini mungkin berbeda tergantung pada tingkat kepercayaan lokal grafik yang terdapat dalam data Sybil. Transfer token bisa jadi sinyal yang tinggi, namun juga bisa jadi swiping yang bersifat jahat, oleh karena itu tidak mengherankan bahwa sebagian besar grafik tidak terhubung.
Setelah memastikan ukuran input data dan koneksi adalah masuk akal, kita dapat menjalankan dan menyimpan grafik Eigentrust kita. Saya menyimpan grafik saya sebagai id "base_transfer_50" - Anda bisa melihat di bawah ini hanya 10 baris kode untuk melatih grafik. Anda dapat memandang OpenRank SDK sebagai model grafik enkripsi scikit-learn.
Masih ingat konstanta 'c' dalam formula sebelumnya? Mari kita lakukan pencarian grid untuk nilai c (yang saya sebut alpha) dan berbagai ukuran benih kepercayaan yang berbeda, dan lihat mana yang memberikan skor kepercayaan log-normal terbaik dan cakupan tertinggi bagi kita:
Ada banyak pertimbangan di sini, tidak ada nilai terbaik yang dapat dipilih. Jika Anda ingin merekomendasikan yang memiliki keragaman yang kuat, regulasi tinggi dan tingkat cakupan adalah pilihan yang bagus, tetapi untuk pemungutan suara tata kelola yang berisiko tinggi, Anda mungkin ingin memiliki tingkat kepercayaan yang lebih tinggi. Anda bisa menggunakan intuisi Anda di sini.
Dari sini, kita dapat memasukkan nilai ke dalam kueri langganan yang terhubung saat memulai dasbor di Dune, untuk mendapatkan aliran interaksi kontrak pengguna yang tepercaya di saluran /base. Output rekomendasi subyektif ini membantu kita menghubungkan metrik umum sebelumnya dengan intuisi langsung kita tentang kualitas output rekomendasi.
Selesai! Anda dapat segera menggunakan Dune API ini untuk memberdayakan aplikasi apa pun.
Belajar Membangun Grafik OpenRank Eigentrust Sendiri
Anda siap untuk mencobanya sendiri? Anda dapat melakukan fork pada catatan saya dan mencobanya sendiri, semua tautan yang diperlukan dapat ditemukan di bawah ini:
·Dokumen OpenRank
repo SDK Python
·Python Notebook
Dasbor umpan Dune
Saya akan meluncurkan misi Bytexplorers bulan depan, di mana kami akan bersaing untuk membuat grafik aliran langganan terbaik yang cocok untuk aplikasi enkripsi top.
Halaman ini mungkin berisi konten pihak ketiga, yang disediakan untuk tujuan informasi saja (bukan pernyataan/jaminan) dan tidak boleh dianggap sebagai dukungan terhadap pandangannya oleh Gate, atau sebagai nasihat keuangan atau profesional. Lihat Penafian untuk detailnya.
Mendalami Algoritme Eigentrust OpenRank: Bagaimana Membangun Lapisan Komputasi Sosial?
Penulis: Andrew Hong
Dikompilasi oleh: Ladyfinger, BlockBeats
Editor's note:
Dalam artikel ini, penulis menyelami lebih dalam ke dalam algoritma Eigentrust OpenRank, yang saat ini merupakan teknologi baru yang digunakan oleh Metamask Snaps, Degen tips, dan Supercast. OpenRank sebagai lapisan komputasi dapat menjalankan berbagai algoritma graf reputasi, yang pertama kali diperkenalkan adalah algoritma eigentrust. Penulis membagikan mengapa membutuhkan konstruksi graf komunitas, konsep kunci algoritma, bagaimana cara kerjanya, dan bagaimana membuat graf sendiri. Selain itu, penulis juga memberikan petunjuk tentang tugas yang akan datang dari Bytexplorers, mendorong pembaca untuk berlangganan untuk mendapatkan pembaruan terbaru.
Sebagian besar frontend cryptocurrency saat ini mencakup daftar peringkat sederhana, dengan token teratas yang diurutkan berdasarkan volume perdagangan, likuiditas, pencetakan, poin, dan voting. Jika kita ingin menciptakan pengalaman cryptocurrency konsumen yang dapat melampaui raksasa Web2 saat ini, yang kita butuhkan dalam aplikasi kita bukan hanya daftar peringkat.
OpenRank adalah salah satu batu penjuru yang membantu kami mencapai tujuan ini, telah digunakan oleh Metamask Snaps, Degen Tips, dan Supercast. OpenRank adalah lapisan perhitungan yang dapat menjalankan banyak algoritme reputasi graf, di mana yang pertama adalah algoritme eigentrust.
Dalam artikel ini, saya akan memperkenalkan algoritme eigentrust OpenRank, dan mendiskusikan hal-hal berikut:
Pentingnya Membangun Grafik Komunitas, dan Mengapa Anda Membutuhkannya
Konsep kunci dan prinsip kerja dari algoritme ini
Bagaimana cara membuat grafik Anda sendiri, lihat contoh grafik yang saya buat di notebook Python saya
Mari kita mulai!
Mengapa membangun grafik rekomendasi bersama komunitas daripada hanya mengandalkan tim pembelajaran mesin Anda sendiri?
Ketika membangun algoritma dan aliran rekomendasi dalam mata uang kripto, Anda akan segera menghadapi beberapa masalah data:
· Trading melibatkan banyak tingkat operasi
Hubungan antara alamat dapat menjadi sangat kompleks melalui transaksi berulang.
· Alamat itu sendiri mengandung sebagian identitas, setiap identitasnya terkait dalam konteks yang berbeda
Semua tiga hal di atas terus berkembang dengan kecepatan eksponensial, mari kita sebut elemen-elemen yang terus meningkat ini sebagai "konteks".
Tim ML kecil Anda tidak dapat mengikuti ide-ide kreatif yang tak ada habisnya ini
Anda juga tidak ingin backend atau tim rekayasa data Anda menangani masalah ini, lagipula, mereka memiliki produk untuk dibangun. Hari-hari ketika aplikasi memiliki pengguna dan struktur data pengguna berakhir, dan alih-alih hanya memiliki tautan sederhana, ID pengguna, suka/balas/bagikan, dan ID postingan, Anda dapat memiliki pertukaran, membagi, Drop, menukar, stake, mendelegasikan, memberikan suara, pencetakan, dan lainnya. Hampir setiap hari, "operasi" baru muncul, serta rantai baru, jenis Dompet baru, jenis identitas baru, dan sebagainya.
Saya percaya bahwa dalam setahun mendatang, industri kripto akan mengembangkan komunitas ilmu data grafis berbasis protokol dan produk OpenRank
Saya sudah berada di komunitas wizard Dune selama bertahun-tahun, menyaksikan kekuatan komunitas yang kuat, melebihi kemampuan tim kecil. Saya juga melihat hampir setiap tim kecil kripto mulai dari 'ya, kami bisa menyelesaikan ini dengan satu node dan database RDS' hingga 'kita perlu menggunakan alat data yang dibangun komunitas seperti The Graph dan Dune'. Bagi saya, membuat kombinasi query dan grafik yang disesuaikan dengan aliran rekomendasi untuk jenis tertentu adalah masalah yang serupa. Kita perlu mulai mengumpulkan dan menguji grafik yang dapat menyediakan aliran rekomendasi di setiap aplikasi, mulai dari klien Farcaster hingga blockchain explorer.
Sebuah konsep aliran rekomendasi adalah memikat, akan segera ditinggalkan. Pengguna menjadi kurator konten.
Dalam dunia mata uang kripto, pengguna tidak hanya ingin membawa grafik sosial mereka ke aplikasi yang berbeda, tetapi juga ingin membawa konteks yang tersembunyi dalam grafik tersebut. Jika saya aktif mengikuti komunitas/degen di Farcaster, saya ingin direkomendasikan kegiatan komunitas tersebut di Zora, Roam.xyz, atau OnceUpon, dan saya ingin dapat beralih konteks rekomendasi tersebut ke komunitas lain yang saya ikuti, misalnya para kolektor artblocks. Masa depan akan menjadi era di mana pengguna menemukan dan memilih feed mereka sendiri, bukan terbatas pada fitur grup atau saluran tunggal di platform tertentu.
Bagaimana cara kerja algoritma Eigentrust OpenRank?
Algoritme Eigentrust mirip dengan PageRank, yang meranking node dalam jaringan graf. Perbedaannya adalah fokusnya pada menangkap hubungan peer-to-peer yang kompleks sebagai distribusi kepercayaan. Awalnya, itu dibangun untuk mengalokasikan skor kepercayaan di jaringan berbagi file. Di bidang mata uang kripto, Anda dapat membayangkan menggunakannya untuk mewakili perwakilan tata kelola berkualitas tinggi atau mengidentifikasi smart contract yang dapat dipercaya.
Berikut adalah formula Eigentrust:
Di atas terdapat dua input kunci: node trust pra-ditetapkan dan grafik trust lokal. 'P' adalah trust pra-ditetapkan Anda, 'S' adalah trust lokal Anda.
· Kepercayaan Lokal (localtrust): Ini adalah pengukuran interaksi antara dua node, ketika node "i" mengirimkan nilai tertentu ke node "j". Ini mungkin transfer token, bukti, balasan voting/like, dll.
· Pretrust: Ini adalah pemilihan 'benih' dari node yang lebih dapat dipercaya di jaringan yang Anda pilih.
· 「c」: Konstanta ini (antara 0 dan 1) merupakan bobot nilai kepercayaan antara graf kepercayaan lokal keseluruhan dan benih kepercayaan. Graf interaksi biasanya memiliki distribusi hukum daya, sehingga bobot kepercayaan awal yang lebih tinggi membantu mengatur distribusi nilai peringkat akhir.
Jika rumus matematika ini sulit dipahami, Anda dapat membandingkannya dengan grafik sosial seperti Twitter, di mana pengikut, suka, balasan, dan sebagainya cenderung terpusat pada sejumlah kecil orang, menghasilkan dinamika pangkat. Dengan mengatur sekelompok individu berpengaruh dan memilih nilai konstan 'c' menjadi 0.5 atau lebih tinggi, pada kenyataannya, individu-individu yang dipercaya ini akan mewarisi setengah nilai dari pengaruh tersebut. Inilah cara untuk secara lebih merata dan meratakan skor kepercayaan di dalam jaringan.
Apa hubungannya dengan memilih konteks apa pun dan membuat aliran rekomendasi?
Misalkan Anda ingin mengurutkan 10000 proposal pendanaan dalam aliran rekomendasi. Berdasarkan interaksi voting (kepercayaan lokal) dan sekelompok voter terpercaya yang Anda pilih sendiri (kepercayaan pra), Anda dapat memberikan peringkat nilai untuk semua voter dan pengusul. Anda dapat memilih 10 voter teratas yang Anda delegasikan untuk voting di beberapa DAO sebagai voter kepercayaan pra Anda. Eigentrust akan berjalan berdasarkan kedua masukan ini, dan memberikan daftar voter yang lebih besar, dengan peringkat dalam grafik berdasarkan kepercayaan yang diwarisi dari node kepercayaan pra.
Dengan demikian, Anda sekarang dapat menggunakan daftar nilai peringkat ini untuk menimbang proposal tata kelola real-time, untuk mendapatkan aliran rekomendasi yang lebih personal!
Ini mungkin masih terlalu abstrak, jadi saya akan menjelaskannya melalui contoh kode konkret di bagian berikutnya. Ingatlah, OpenRank mengurus perhitungan dan penyimpanan grafik Eigentrust ini, dan merekomendasikan aliran rekomendasi yang dapat Anda gunakan. Yang perlu Anda lakukan hanyalah menentukan input kepercayaan awal dan lokal.
Bagaimana Menggunakan OpenRank untuk Membangun Grafik Eigentrust?
Tujuan Akhir
Dalam contoh ini, saya ingin berlangganan aliran rekomendasi kontrak berdasarkan dompet pengguna Farcaster/base (Farcaster adalah aplikasi serupa Twitter). Output hanya berupa daftar yang berisi id dan nilai, di mana setiap id dalam gambar saya terkait dengan id pengguna Farcaster (fid).
Sumber Data
Setelah membuat grafik peringkat, kami secara otomatis menghasilkan aliran rekomendasi ini berdasarkan kontrak utama mereka minggu lalu:
Sumber Data
Anda dapat melihat dasbor untuk melihat aliran rekomendasi lain yang dibuat dari gambar tersebut, seperti pencetakan NFT, perdagangan token DEX, dan aktivitas saluran Farcaster.
Implementasi Kode
Sekarang Anda telah melihat tujuannya, mari kita bicarakan bagaimana saya membuat grafik peringkat ini.
Semua kode dalam contoh ini dapat ditemukan di buku catatan hex.tech, jika Anda lebih suka menjalankannya secara lokal, Anda juga dapat menggunakan jupyter notebook.
Pertama, saya membuat dua kueri untuk kepercayaan pra-dan lokal kita masing-masing:
Pertanyaan pertama adalah 'node kepercayaan awal' kami. Pertanyaan ini akan mengeluarkan pengguna puncak dari saluran /base berdasarkan interaksi yang diterima (like, retweet, balasan) dengan rumus saya (like + 3 retweet + 10 balasan). Kami akan mengambil 100 id pertama dari pertanyaan ini sebagai node kepercayaan kami.
Sumber Data
Permintaan kedua digunakan untuk melacak interaksi on-chain antara node dengan menggunakan alamat tautan pengguna di saluran /base. Karena aliran langganan akan merekomendasikan operasi on-chain, saya ingin memastikan memilih grafik interaksi berdasarkan jumlah interaksi on-chain. Menggunakan nilai dolar yang ditransfer antara node adalah representasi umum yang baik - Saya melacak transfer stablecoin dan ETH di Optimism, Base, dan mainnet Ether.
Sumber Data
Analisis grafik input dan menguji grafik Eigentrust hasil output
Sekarang kita memiliki node kepercayaan awal dan grafik kepercayaan lokal, mari kita lihat beberapa data statistik ringkasan. Ada 65.755 pengguna dalam saluran /base yang mentransfer token ke orang lain dalam saluran tersebut, dan dari node kepercayaan awal kami, kami dapat menjelajahi 19% grafik (yaitu node yang terhubung). Persentase ini mungkin berbeda tergantung pada tingkat kepercayaan lokal grafik yang terdapat dalam data Sybil. Transfer token bisa jadi sinyal yang tinggi, namun juga bisa jadi swiping yang bersifat jahat, oleh karena itu tidak mengherankan bahwa sebagian besar grafik tidak terhubung.
Setelah memastikan ukuran input data dan koneksi adalah masuk akal, kita dapat menjalankan dan menyimpan grafik Eigentrust kita. Saya menyimpan grafik saya sebagai id "base_transfer_50" - Anda bisa melihat di bawah ini hanya 10 baris kode untuk melatih grafik. Anda dapat memandang OpenRank SDK sebagai model grafik enkripsi scikit-learn.
Masih ingat konstanta 'c' dalam formula sebelumnya? Mari kita lakukan pencarian grid untuk nilai c (yang saya sebut alpha) dan berbagai ukuran benih kepercayaan yang berbeda, dan lihat mana yang memberikan skor kepercayaan log-normal terbaik dan cakupan tertinggi bagi kita:
Ada banyak pertimbangan di sini, tidak ada nilai terbaik yang dapat dipilih. Jika Anda ingin merekomendasikan yang memiliki keragaman yang kuat, regulasi tinggi dan tingkat cakupan adalah pilihan yang bagus, tetapi untuk pemungutan suara tata kelola yang berisiko tinggi, Anda mungkin ingin memiliki tingkat kepercayaan yang lebih tinggi. Anda bisa menggunakan intuisi Anda di sini.
Dari sini, kita dapat memasukkan nilai ke dalam kueri langganan yang terhubung saat memulai dasbor di Dune, untuk mendapatkan aliran interaksi kontrak pengguna yang tepercaya di saluran /base. Output rekomendasi subyektif ini membantu kita menghubungkan metrik umum sebelumnya dengan intuisi langsung kita tentang kualitas output rekomendasi.
Selesai! Anda dapat segera menggunakan Dune API ini untuk memberdayakan aplikasi apa pun.
Belajar Membangun Grafik OpenRank Eigentrust Sendiri
Anda siap untuk mencobanya sendiri? Anda dapat melakukan fork pada catatan saya dan mencobanya sendiri, semua tautan yang diperlukan dapat ditemukan di bawah ini:
·Dokumen OpenRank
repo SDK Python
·Python Notebook
Dasbor umpan Dune
Saya akan meluncurkan misi Bytexplorers bulan depan, di mana kami akan bersaing untuk membuat grafik aliran langganan terbaik yang cocok untuk aplikasi enkripsi top.