Bu makalede, yazar, OpenRank'in Eigentrust algoritmasını derinlemesine ele aldı; bu şu anda Metamask Snaps, Degen tips ve Supercast tarafından kullanılan yeni bir teknolojidir. OpenRank, bir hesaplama katmanı olarak, çeşitli itibar grafik algoritmalarını yürütebilir, ilk olarak eigentrust algoritması tanıtıldı. Yazar, topluluk oluşturmanın grafik neden gerekli olduğunu, algoritmanın temel kavramlarını, nasıl çalıştığını ve kendi grafiklerini nasıl oluşturacaklarını paylaştı. Ayrıca yazar, yakında gerçekleşecek olan Bytexplorers görevleri hakkında bilgi vererek okuyucuları en son gelişmelerden haberdar olmaları için abone olmaya teşvik etti.
Günümüzde çoğu kripto para ön ucu, işlem hacmi, likidite, mintleme, puanlama, oy verme vb. gibi sıralanan en iyi tokenlardan oluşan basit bir sıralama içerir. Bugünün Web2 devlerini aşabilen tüketici dostu kripto para deneyimine girmek istiyorsak, uygulamamızda sadece bir sıralama değil, daha fazlasına ihtiyacımız var.
OpenRank, bu hedefi gerçekleştirmemize yardımcı olan temel taşlardan biri olmuştur ve zaten Metamask Snaps, Degen Tips ve Supercast tarafından kullanılmaktadır. OpenRank, bir hesaplama katmanıdır ve birçok itibar grafiği algoritmasını çalıştırabilir, bunlardan ilki eigentrust algoritmasıdır.
Bu makalede size OpenRank'in eigentrust algoritmasını tanıtacak ve şu konuları tartışacak: 01928374656574839201
Topluluk oluşturma grafiklerinin önemi ve neden ihtiyacınız olduğu
Algoritmanın temel kavramları ve çalışma prensipleri
Python defterimde yaptığım bir grafik örneğine bakarak kendi grafiklerinizi nasıl oluşturacağınızı öğrenebilirsiniz.
Haydi başlayalım!
Toplulukla birlikte öneri grafiklerini oluşturmanın neden sadece kendi makine öğrenimi ekibinize güvenmek yerine önemli olduğu?
Kripto para birimleriyle algoritma ve öneri akışı oluştururken, hızlı bir şekilde bazı veri sorunlarıyla karşılaşacaksınız:
· İşlem birçok seviyede işlem içerir
· Adresler arasındaki ilişki, tekrarlanan işlemlerle sonsuz derecede karmaşık hale gelebilir
· Adres kendisiyle ilgili kimlik bilgilerini içerir ve her kimlik farklı bağlamlarda ilişkilidir.
Yukarıdaki üç nokta da üst üste binen hızlı bir şekilde gelişmekte ve bu sürekli yükselen unsurları "bağlam" olarak adlandıralım.
Küçük ML ekibiniz bu sonsuz yaratıcılığa yetişemiyor
Ayrıca arka ucunuzun veya veri mühendisliği ekibinizin bu sorunlarla uğraşmasını istemezsiniz, sonuçta oluşturacakları bir ürün var. Uygulamaların kullanıcılara ve kullanıcı veri yapılarına sahip olduğu günler geride kaldı ve yalnızca basit bir bağlantı, kullanıcı kimliği, beğenme/yanıtlama/paylaşma ve gönderi kimliğine sahip olmak yerine borsa, bölme, düşüş, takas, Stake, delege etme, oy verme, mintleme ve daha fazlasına sahip olabilirsiniz. Neredeyse her gün yeni "operasyonlar", yeni zincirler, yeni Cüzdan türleri, yeni kimlik türleri vb. ortaya çıkıyor.
Ben, önümüzdeki yıl boyunca, Kripto Varlıklar endüstrisi, OpenRank protokolü ve ürünleri temel alınarak bir graf veri bilimi topluluğu geliştireceğine inanıyorum.
Dune'nin sihirbaz topluluğunda yıllardır bulunuyorum ve topluluk gücünün küçük ekiplerin yeteneklerini aşan bir güce sahip olduğunu gördüm. Ayrıca hemen hemen her küçük kripto takımının 'evet, bir düğüm ve RDS veritabanıyla bunu bağımsız olarak yapabiliriz' düşüncesinden 'The Graph ve Dune gibi topluluk tarafından oluşturulan veri araçlarından faydalanmamız gerekiyor' noktasına geldiğini gördüm. Benim için, belirli türler için öneri akışları ve topluluk ayarlamaları için sorgu ve grafik kombinasyonları oluşturmak benzer bir sorundur. Farklı uygulamalara öneri akışı sağlayabilecek grafikleri toplamak ve test etmeye başlamamız gerekiyor, bu da Farcaster istemciinden blok gezginiye kadar olan süreci kapsar.
Bir öneri akışı kavramı, taklit eden, elenmeye mahkum edilecek. Kullanıcılar içeriğin küratörleri haline gelir
Kripto para birimi alanında, kullanıcılar sadece sosyal grafiklerini farklı uygulamalara götürmek istemiyor, aynı zamanda bu grafiklerin içinde saklı olan bağlamı da yanlarında götürmek istiyorlar. Farcaster'da / degen topluluğuna aktif olarak takip ediyorsam, Zora, Roam.xyz veya OnceUpon'da bu topluluğun etkinliklerinin önerilmesini ve bu önerinin, örneğin artblocks koleksiyoncuları gibi katıldığım başka bir topluluğun bağlamına geçiş yapabilmesini istiyorum. Gelecek, kullanıcıların kendi beslemelerini keşfettikleri ve seçtikleri zamanların çağı olacak, tek bir platformda sınırlı bir grup veya kanal özelliğine sıkışıp kalmak yerine.
OpenRank'in Eigentrust algoritması nasıl çalışıyor?
Eigentrust algoritması, PageRank gibi, düğümleri bir graf ağındaki sıralamada kullanır. Farklılık, kompleks noktadan noktaya ilişkileri yakalamak ve bunları güvenin dağıtımı olarak vurgulamaktır. Başlangıçta, dosya paylaşım ağında güven puanı tahsis etmek için oluşturulmuştur. Kripto para alanında, yüksek kaliteli yöneticileri temsil etmek veya güvenilir akıllı sözleşmeleri tanımlamak için kullanılabilirsiniz.
Aşağıda Eigentrust formülü bulunmaktadır:
Üstte iki ana giriş var: önceden güvenilen düğüm ve yerel güven haritası. 'P', önceden güvenileninizdir, 'S', yerel güvenileninizdir.
· Yerel güven (localtrust): Bu, i düğümden j düğümüne bir değer aktardığında iki düğüm arasındaki etkileşiminizi ölçtüğünüz şeydir. Bu, token transferi, kanıt, oy yanıtı/beğeni vb. olabilir.
· Ön güven (pretrust): Bu, seçtiğiniz ağda daha güvenilir olması gereken düğümlerin 'tohum' seçimidir.
· 「c」：Bu sabit (0 ile 1 arasında) genel yerel güven ağı ve önceden güvenilen tohumlar arasındaki güven değerinin ağırlığını temsil eder. Etkileşimli grafik genellikle üstel bir dağılıma sahiptir, bu nedenle yüksek önceden güvenilen ağırlıklar, nihai sıralama değerlerinin dağılımını düzenlemeye yardımcı olur.
Eğer bu matematik formülleri anlaşılması zor ise, onları Twitter gibi bir sosyal ağa benzetebilirsiniz, takipçiler, beğeniler, cevaplar vb. etkiler genellikle birkaç kişiye odaklanır, bu da güçlü bir üs dinamiklerine yol açar. Etkili kişilerin bir grup oluşturarak ve sabit "c" değerini 0.5 veya daha yüksek seçerek, bu etkili kişilerin etkileşimde bulunduğu kişiler aslında bu etkinin yarım değerini miras alacaktır. Bu, ağda güven puanlarını daha dengeli ve yaygın bir şekilde dağıtmak için bir yöntemdir.
Bu, herhangi bir bağlamı seçmek ve herhangi bir öneri akışı oluşturmakla ne ilgilidir?
10000 finansman önerisini bir öneri akışında sıralamak istediğinizi varsayalım. Bir dizi oy etkileşimi (yerel güven) ve güvendiğiniz bir dizi oy verenin (ön güven) seçimlerine dayanarak, tüm oy verenleri ve öneri sunanları değer sıralamasına tabi tutabilirsiniz. Ön güven oy verenlerini seçmek için, birden çok DAO'da oylama yetkisi verdiğiniz ilk 10 oy vereni seçebilirsiniz. Eigentrust, bu iki girişe dayalı olarak çalışacak ve size, grafikte önceden güvendiğiniz düğümlerden miras aldığınız güvene göre daha büyük bir oy veren listesi verecektir.
Bu şekilde, şimdi bu sıralama değer listesini kullanarak gerçek zamanlı yönetim önerilerini dengeleyebilir ve daha kişiselleştirilmiş bir akış elde edebilirsiniz!
Bu muhtemelen hala çok soyut, bu yüzden bir sonraki bölümde somut kod örnekleriyle açıklayacağım. Unutmayın, OpenRank bu Eigentrust grafiklerinin hesaplanması ve depolanmasını işler ve size önerilen akış çıktısını kullanabileceğinizi önerir. Yapmanız gereken tek şey, önceden güven ve yerel güven girişlerini belirlemektir.
OpenRank nasıl kullanılır, Eigentrust grafiği nasıl oluşturulur?
Son hedef
Bu örnekte, Farcaster/base kullanıcı cüzdanına göre önerilen sözleşme abonelik akışını sağlamak istiyorum (Farcaster, Twitter benzeri bir uygulamadır). Çıktı sadece bir id ve değer listesi içerir, benim grafikte her id bir Farcaster kullanıcı id'si (fid) ile ilişkilidir.
Veri kaynağı
Sıralama grafiği oluşturulduktan sonra, geçen hafta ana sözleşmelerine göre otomatik olarak önerilen akış oluşturulur.
Veri kaynağı
Sen, panele bakarak, bu grafikten oluşturulan diğer önerilen akışları görebilirsiniz, örneğin NFT mintleme, DEX token ticareti ve Farcaster kanal etkinlikleri.
Kod Uygulaması
Şimdi hedefi gördün, şimdi bu sıralama grafiğini nasıl oluşturduğumu konuşalım.
Bu örneğin tüm kodları hex.tech defterinde bulunabilir. Eğer yerel olarak çalışmayı tercih ediyorsanız, jupyter defterini de kullanabilirsiniz.
Öncelikle, iki sorgu oluşturdum: biri için bizim önceden güven ve yerel güven, diğeri için.
İlk sorgumuz 'önceden güvenilen düğüm'ümüzdür. Bu sorgu, aldığı etkileşimlere (beğeni, yeniden paylaşım, cevap) dayanarak /base kanalındaki en üst düzey kullanıcıları çıktılar. Formülüm (beğeni + 3 yeniden paylaşım + 10 cevap) şeklindedir. Bu sorgudan ilk 100 kimliği güvenilen düğümümüz olarak alacağız.
Veri kaynağı
İkinci sorgu, düğümler arasındaki on-chain etkileşimi izlemek için kullanılır, /base kanalındaki kullanıcıların adreslerini kullanır. Abonelik akışı on-chain işlemleri önerdiği için, on-chain etkileşim hacmine dayalı bir etkileşim grafiği seçmek istiyorum. Düğümler arasındaki dolar değeri transferi iyi bir genel vekildir - Optimism, Base ve Ethereum ana ağındaki stablecoin ve ETH transferlerini izliyorum.
Veri kaynağı
Giriş grafiğini analiz edin ve çıktıyı Eigentrust grafiğini test edin
Şimdi önceden güvenilir düğümlerimiz ve yerel güvenilirlik grafiklerimiz var, bazı özet istatistiklere bakalım. /base kanalında 65.755 kullanıcı, kanaldaki diğer kullanıcılara token transfer etti, önceden güvenilir düğümlerimizle %19'luk bir grafik (yani bağlantılı düğümler) gezilebilir. Bu yüzde, yerel güvenilirlik verilerinin Sybil düzeyine bağlı olarak değişebilir. Token transferi yüksek sinyal olabilir, ancak kötü niyetli kaydırmalar da olabilir, bu nedenle grafik çoğunluğu bağlı değil ve şaşırtıcı değil.
Girdi verisinin boyutunun ve bağlantının uygun olduğunu onayladıktan sonra, Eigentrust grafiğimizi çalıştırabilir ve kaydedebiliriz. Ben grafiğimi id"base_transfer_50" olarak kaydettim - aşağıdaki 10 satır kodla grafik eğitilebilir. OpenRank SDK, şifreli grafik modellerinin scikit-learn'i olarak düşünülebilir.
Hala önceki formüldeki "c" sabitini hatırlıyor musunuz? Farklı c değerleri (ben onlara alfa diyorum) ve farklı önceden güvenilir tohum boyutları için bir ızgara araması yapalım, hangisinin bize en yüksek log normal güven puanını ve en yüksek kapsama oranını verebileceğini görelim:
Burada çok sayıda denge var, seçilebilecek en iyi değer yok. Eğer önerilerin çok çeşitliliği olmasını istiyorsanız, yüksek düzenleme ve kapsama oranı iyi bir seçenek olabilir, ancak yüksek riskli yönetişim oylamaları için aslında daha yüksek bir güven düzeyi isteyebilirsiniz. Burada içgüdülerinizi kullanabilirsiniz.
Buradan, Dune'da başlangıçta bağlantılı abonelik sorgusuna değerler ekleyebiliriz, böylece /base kanalındaki güvenilir kullanıcıların sözleşme etkileşim akışını elde ederiz. Bu nesnel öneri çıktısı, önceki genel ölçütleri ve beklenen kalite ile bağlantı kurmamıza yardımcı olur.
Tamamlandı! Şimdi Dune API'ı hemen herhangi bir uygulamanız için kullanabilirsiniz.
Kendi OpenRank Eigentrust grafini oluşturmayı öğrenin
Kendin yapmaya hazır mısın? Not defterimi çatallayabilir ve deneyebilirsin, ihtiyacın olan tüm bağlantılar aşağıda verilmiştir:
·OpenRank Belgeleri
·Python SDK deposu
·Python Notebook
·Dune besleme gösterge tablosu
Gelecek ay içinde Bytexplorers görevini başlatacağım, en iyi abonelik akışı grafikleri için en iyi yarışmayı düzenleyeceğiz, bunlar üst düzey şifreleme uygulamaları için kullanılabilir.
This page may contain third-party content, which is provided for information purposes only (not representations/warranties) and should not be considered as an endorsement of its views by Gate, nor as financial or professional advice. See Disclaimer for details.
OpenRank'in Eigentrust algoritmasının derinlemesine incelenmesi: Sosyal hesaplama katmanı nasıl oluşturulur?
Yazar: Andrew Hong
Derleme: Ladyfinger, BlockBeats
Editörün notu:
Bu makalede, yazar, OpenRank'in Eigentrust algoritmasını derinlemesine ele aldı; bu şu anda Metamask Snaps, Degen tips ve Supercast tarafından kullanılan yeni bir teknolojidir. OpenRank, bir hesaplama katmanı olarak, çeşitli itibar grafik algoritmalarını yürütebilir, ilk olarak eigentrust algoritması tanıtıldı. Yazar, topluluk oluşturmanın grafik neden gerekli olduğunu, algoritmanın temel kavramlarını, nasıl çalıştığını ve kendi grafiklerini nasıl oluşturacaklarını paylaştı. Ayrıca yazar, yakında gerçekleşecek olan Bytexplorers görevleri hakkında bilgi vererek okuyucuları en son gelişmelerden haberdar olmaları için abone olmaya teşvik etti.
Günümüzde çoğu kripto para ön ucu, işlem hacmi, likidite, mintleme, puanlama, oy verme vb. gibi sıralanan en iyi tokenlardan oluşan basit bir sıralama içerir. Bugünün Web2 devlerini aşabilen tüketici dostu kripto para deneyimine girmek istiyorsak, uygulamamızda sadece bir sıralama değil, daha fazlasına ihtiyacımız var.
OpenRank, bu hedefi gerçekleştirmemize yardımcı olan temel taşlardan biri olmuştur ve zaten Metamask Snaps, Degen Tips ve Supercast tarafından kullanılmaktadır. OpenRank, bir hesaplama katmanıdır ve birçok itibar grafiği algoritmasını çalıştırabilir, bunlardan ilki eigentrust algoritmasıdır.
Bu makalede size OpenRank'in eigentrust algoritmasını tanıtacak ve şu konuları tartışacak: 01928374656574839201
Topluluk oluşturma grafiklerinin önemi ve neden ihtiyacınız olduğu
Algoritmanın temel kavramları ve çalışma prensipleri
Python defterimde yaptığım bir grafik örneğine bakarak kendi grafiklerinizi nasıl oluşturacağınızı öğrenebilirsiniz.
Haydi başlayalım!
Toplulukla birlikte öneri grafiklerini oluşturmanın neden sadece kendi makine öğrenimi ekibinize güvenmek yerine önemli olduğu?
Kripto para birimleriyle algoritma ve öneri akışı oluştururken, hızlı bir şekilde bazı veri sorunlarıyla karşılaşacaksınız:
· İşlem birçok seviyede işlem içerir
· Adresler arasındaki ilişki, tekrarlanan işlemlerle sonsuz derecede karmaşık hale gelebilir
· Adres kendisiyle ilgili kimlik bilgilerini içerir ve her kimlik farklı bağlamlarda ilişkilidir.
Yukarıdaki üç nokta da üst üste binen hızlı bir şekilde gelişmekte ve bu sürekli yükselen unsurları "bağlam" olarak adlandıralım.
Küçük ML ekibiniz bu sonsuz yaratıcılığa yetişemiyor
Ayrıca arka ucunuzun veya veri mühendisliği ekibinizin bu sorunlarla uğraşmasını istemezsiniz, sonuçta oluşturacakları bir ürün var. Uygulamaların kullanıcılara ve kullanıcı veri yapılarına sahip olduğu günler geride kaldı ve yalnızca basit bir bağlantı, kullanıcı kimliği, beğenme/yanıtlama/paylaşma ve gönderi kimliğine sahip olmak yerine borsa, bölme, düşüş, takas, Stake, delege etme, oy verme, mintleme ve daha fazlasına sahip olabilirsiniz. Neredeyse her gün yeni "operasyonlar", yeni zincirler, yeni Cüzdan türleri, yeni kimlik türleri vb. ortaya çıkıyor.
Ben, önümüzdeki yıl boyunca, Kripto Varlıklar endüstrisi, OpenRank protokolü ve ürünleri temel alınarak bir graf veri bilimi topluluğu geliştireceğine inanıyorum.
Dune'nin sihirbaz topluluğunda yıllardır bulunuyorum ve topluluk gücünün küçük ekiplerin yeteneklerini aşan bir güce sahip olduğunu gördüm. Ayrıca hemen hemen her küçük kripto takımının 'evet, bir düğüm ve RDS veritabanıyla bunu bağımsız olarak yapabiliriz' düşüncesinden 'The Graph ve Dune gibi topluluk tarafından oluşturulan veri araçlarından faydalanmamız gerekiyor' noktasına geldiğini gördüm. Benim için, belirli türler için öneri akışları ve topluluk ayarlamaları için sorgu ve grafik kombinasyonları oluşturmak benzer bir sorundur. Farklı uygulamalara öneri akışı sağlayabilecek grafikleri toplamak ve test etmeye başlamamız gerekiyor, bu da Farcaster istemciinden blok gezginiye kadar olan süreci kapsar.
Bir öneri akışı kavramı, taklit eden, elenmeye mahkum edilecek. Kullanıcılar içeriğin küratörleri haline gelir
Kripto para birimi alanında, kullanıcılar sadece sosyal grafiklerini farklı uygulamalara götürmek istemiyor, aynı zamanda bu grafiklerin içinde saklı olan bağlamı da yanlarında götürmek istiyorlar. Farcaster'da / degen topluluğuna aktif olarak takip ediyorsam, Zora, Roam.xyz veya OnceUpon'da bu topluluğun etkinliklerinin önerilmesini ve bu önerinin, örneğin artblocks koleksiyoncuları gibi katıldığım başka bir topluluğun bağlamına geçiş yapabilmesini istiyorum. Gelecek, kullanıcıların kendi beslemelerini keşfettikleri ve seçtikleri zamanların çağı olacak, tek bir platformda sınırlı bir grup veya kanal özelliğine sıkışıp kalmak yerine.
OpenRank'in Eigentrust algoritması nasıl çalışıyor?
Eigentrust algoritması, PageRank gibi, düğümleri bir graf ağındaki sıralamada kullanır. Farklılık, kompleks noktadan noktaya ilişkileri yakalamak ve bunları güvenin dağıtımı olarak vurgulamaktır. Başlangıçta, dosya paylaşım ağında güven puanı tahsis etmek için oluşturulmuştur. Kripto para alanında, yüksek kaliteli yöneticileri temsil etmek veya güvenilir akıllı sözleşmeleri tanımlamak için kullanılabilirsiniz.
Aşağıda Eigentrust formülü bulunmaktadır:
Üstte iki ana giriş var: önceden güvenilen düğüm ve yerel güven haritası. 'P', önceden güvenileninizdir, 'S', yerel güvenileninizdir.
· Yerel güven (localtrust): Bu, i düğümden j düğümüne bir değer aktardığında iki düğüm arasındaki etkileşiminizi ölçtüğünüz şeydir. Bu, token transferi, kanıt, oy yanıtı/beğeni vb. olabilir.
· Ön güven (pretrust): Bu, seçtiğiniz ağda daha güvenilir olması gereken düğümlerin 'tohum' seçimidir.
· 「c」：Bu sabit (0 ile 1 arasında) genel yerel güven ağı ve önceden güvenilen tohumlar arasındaki güven değerinin ağırlığını temsil eder. Etkileşimli grafik genellikle üstel bir dağılıma sahiptir, bu nedenle yüksek önceden güvenilen ağırlıklar, nihai sıralama değerlerinin dağılımını düzenlemeye yardımcı olur.
Eğer bu matematik formülleri anlaşılması zor ise, onları Twitter gibi bir sosyal ağa benzetebilirsiniz, takipçiler, beğeniler, cevaplar vb. etkiler genellikle birkaç kişiye odaklanır, bu da güçlü bir üs dinamiklerine yol açar. Etkili kişilerin bir grup oluşturarak ve sabit "c" değerini 0.5 veya daha yüksek seçerek, bu etkili kişilerin etkileşimde bulunduğu kişiler aslında bu etkinin yarım değerini miras alacaktır. Bu, ağda güven puanlarını daha dengeli ve yaygın bir şekilde dağıtmak için bir yöntemdir.
Bu, herhangi bir bağlamı seçmek ve herhangi bir öneri akışı oluşturmakla ne ilgilidir?
10000 finansman önerisini bir öneri akışında sıralamak istediğinizi varsayalım. Bir dizi oy etkileşimi (yerel güven) ve güvendiğiniz bir dizi oy verenin (ön güven) seçimlerine dayanarak, tüm oy verenleri ve öneri sunanları değer sıralamasına tabi tutabilirsiniz. Ön güven oy verenlerini seçmek için, birden çok DAO'da oylama yetkisi verdiğiniz ilk 10 oy vereni seçebilirsiniz. Eigentrust, bu iki girişe dayalı olarak çalışacak ve size, grafikte önceden güvendiğiniz düğümlerden miras aldığınız güvene göre daha büyük bir oy veren listesi verecektir.
Bu şekilde, şimdi bu sıralama değer listesini kullanarak gerçek zamanlı yönetim önerilerini dengeleyebilir ve daha kişiselleştirilmiş bir akış elde edebilirsiniz!
Bu muhtemelen hala çok soyut, bu yüzden bir sonraki bölümde somut kod örnekleriyle açıklayacağım. Unutmayın, OpenRank bu Eigentrust grafiklerinin hesaplanması ve depolanmasını işler ve size önerilen akış çıktısını kullanabileceğinizi önerir. Yapmanız gereken tek şey, önceden güven ve yerel güven girişlerini belirlemektir.
OpenRank nasıl kullanılır, Eigentrust grafiği nasıl oluşturulur?
Son hedef
Bu örnekte, Farcaster/base kullanıcı cüzdanına göre önerilen sözleşme abonelik akışını sağlamak istiyorum (Farcaster, Twitter benzeri bir uygulamadır). Çıktı sadece bir id ve değer listesi içerir, benim grafikte her id bir Farcaster kullanıcı id'si (fid) ile ilişkilidir.
Veri kaynağı
Sıralama grafiği oluşturulduktan sonra, geçen hafta ana sözleşmelerine göre otomatik olarak önerilen akış oluşturulur.
Veri kaynağı
Sen, panele bakarak, bu grafikten oluşturulan diğer önerilen akışları görebilirsiniz, örneğin NFT mintleme, DEX token ticareti ve Farcaster kanal etkinlikleri.
Kod Uygulaması
Şimdi hedefi gördün, şimdi bu sıralama grafiğini nasıl oluşturduğumu konuşalım.
Bu örneğin tüm kodları hex.tech defterinde bulunabilir. Eğer yerel olarak çalışmayı tercih ediyorsanız, jupyter defterini de kullanabilirsiniz.
Öncelikle, iki sorgu oluşturdum: biri için bizim önceden güven ve yerel güven, diğeri için.
İlk sorgumuz 'önceden güvenilen düğüm'ümüzdür. Bu sorgu, aldığı etkileşimlere (beğeni, yeniden paylaşım, cevap) dayanarak /base kanalındaki en üst düzey kullanıcıları çıktılar. Formülüm (beğeni + 3 yeniden paylaşım + 10 cevap) şeklindedir. Bu sorgudan ilk 100 kimliği güvenilen düğümümüz olarak alacağız.
Veri kaynağı
İkinci sorgu, düğümler arasındaki on-chain etkileşimi izlemek için kullanılır, /base kanalındaki kullanıcıların adreslerini kullanır. Abonelik akışı on-chain işlemleri önerdiği için, on-chain etkileşim hacmine dayalı bir etkileşim grafiği seçmek istiyorum. Düğümler arasındaki dolar değeri transferi iyi bir genel vekildir - Optimism, Base ve Ethereum ana ağındaki stablecoin ve ETH transferlerini izliyorum.
Veri kaynağı
Giriş grafiğini analiz edin ve çıktıyı Eigentrust grafiğini test edin
Şimdi önceden güvenilir düğümlerimiz ve yerel güvenilirlik grafiklerimiz var, bazı özet istatistiklere bakalım. /base kanalında 65.755 kullanıcı, kanaldaki diğer kullanıcılara token transfer etti, önceden güvenilir düğümlerimizle %19'luk bir grafik (yani bağlantılı düğümler) gezilebilir. Bu yüzde, yerel güvenilirlik verilerinin Sybil düzeyine bağlı olarak değişebilir. Token transferi yüksek sinyal olabilir, ancak kötü niyetli kaydırmalar da olabilir, bu nedenle grafik çoğunluğu bağlı değil ve şaşırtıcı değil.
Girdi verisinin boyutunun ve bağlantının uygun olduğunu onayladıktan sonra, Eigentrust grafiğimizi çalıştırabilir ve kaydedebiliriz. Ben grafiğimi id"base_transfer_50" olarak kaydettim - aşağıdaki 10 satır kodla grafik eğitilebilir. OpenRank SDK, şifreli grafik modellerinin scikit-learn'i olarak düşünülebilir.
Hala önceki formüldeki "c" sabitini hatırlıyor musunuz? Farklı c değerleri (ben onlara alfa diyorum) ve farklı önceden güvenilir tohum boyutları için bir ızgara araması yapalım, hangisinin bize en yüksek log normal güven puanını ve en yüksek kapsama oranını verebileceğini görelim:
Burada çok sayıda denge var, seçilebilecek en iyi değer yok. Eğer önerilerin çok çeşitliliği olmasını istiyorsanız, yüksek düzenleme ve kapsama oranı iyi bir seçenek olabilir, ancak yüksek riskli yönetişim oylamaları için aslında daha yüksek bir güven düzeyi isteyebilirsiniz. Burada içgüdülerinizi kullanabilirsiniz.
Buradan, Dune'da başlangıçta bağlantılı abonelik sorgusuna değerler ekleyebiliriz, böylece /base kanalındaki güvenilir kullanıcıların sözleşme etkileşim akışını elde ederiz. Bu nesnel öneri çıktısı, önceki genel ölçütleri ve beklenen kalite ile bağlantı kurmamıza yardımcı olur.
Tamamlandı! Şimdi Dune API'ı hemen herhangi bir uygulamanız için kullanabilirsiniz.
Kendi OpenRank Eigentrust grafini oluşturmayı öğrenin
Kendin yapmaya hazır mısın? Not defterimi çatallayabilir ve deneyebilirsin, ihtiyacın olan tüm bağlantılar aşağıda verilmiştir:
·OpenRank Belgeleri
·Python SDK deposu
·Python Notebook
·Dune besleme gösterge tablosu
Gelecek ay içinde Bytexplorers görevini başlatacağım, en iyi abonelik akışı grafikleri için en iyi yarışmayı düzenleyeceğiz, bunlar üst düzey şifreleme uygulamaları için kullanılabilir.