OpenRank是一個計算層，利用Eigentrust演算法以新技術形式被Metamask Snaps、Degen Tips和Supercast使用。演算法能運行多種K線走勢圖演算法，首先介紹Eigentrust演算法，分享了為何需要社群建構K線走勢圖、演算法關鍵概念、如何運作以及如何創建自己的K線走勢圖。預告了在智利Bytexplorers開展的任務。加密貨幣市場包括按交易量、流動性、貨幣等加密貨幣。 OpenRank旨在提供更好的加密貨幣體驗，產生個人化推薦串流。 Eigentrust演算法透過雙重信任機制建立分散式信任體系，實現信任的分配與部署。透過具體程式碼範例，介紹如何建立Eigentrust圖和推薦流。
作者： Andrew Hong
編輯：Ladyfinger，BlockBeats
編按：
我需要，作者深入研究了OpenRank 的Eigentrust 演算法，目前該演算法被Metamask Snaps、Degen tips 和Supercast 使用作為一種新技術。 OpenRank 作為一個計算層，能夠運行多種K線走勢圖演算法，首先介紹Eigentrust 演算法。作者分享了為何需要社群建構K線走勢圖、演算法關鍵概念、如何運作，以及如何創建自己的K線走勢圖。此外，作者也預告了即將在智利Bytexplorers 開展的任務，鼓勵讀者訂閱獲得最新動態。
現今的加密貨幣市場主要包括按交易量、流動性、貨幣、投票等加密貨幣。如果我們想要超越當今Web2巨頭的消費級加密貨幣體驗，那麼我們需要的不僅僅是加密貨幣，還有許多其他的加密貨幣。
OpenRank 是為了實現這一目標而創建的，它使用了Metamask Snaps、Degen Tips 和Supercast。 OpenRank 是一個計算層，可以運行許多積分圖演算法，其中第一個是eigentrust 演算法。
在這篇文章中，我將向您介紹OpenRank的特徵信任演算法，並討論以下內容：
社區建構圖為什麼你需要它們
該演算法的基本概念及其工作原理
如何創建你自己的K線走勢圖，參考我在Python 筆記本中製作的一個K線走勢圖
讓我們開始吧
為什麼要與社群一起建立推薦圖，而不是只依靠自己的機器學習團隊？
在加密貨幣中建立演算法和推薦流時，您很快就會遇到一些資料問題：
· 交易包含許多層次的操作
· 上次交易。
· 地址裡麵包含部分身份， 每個身份在不同上下文中都是相關的
以上三點都以指數級的速度儲蓄，讓我們稱這些不斷增長的元素為「背景」。
你的小型ML 團隊無法跟上這些永無止境的創意
你也希望你的後台或資料工程團隊來處理這個問題，畢竟他們有產品要建置。應用程式擁有的用戶和用戶資料結構的時代已經結束，你不再只是擁有一個簡單的連結、用戶ID、按讚/回覆/分享和貼文ID，而是可以有兌換、分割、交易所、質押、委託、投票、鑄造等等。幾乎每天都有新的「操作」鏈、還有新密鑰、新身分等等。
我相信明年，加密貨幣產業將發展出一個以OpenRank協議和產品定位的數據科學社區
我已經在Dune的嚮導社群中待了多年，見證了社群力量的團隊的能力。我也看到幾乎每個社群建立資料工具的，我們可以用一個節點和RDS資料庫完成這件事到「我們需要利用像The Graph和Dune這樣的社群建立資料工具」。對我來說，創建針對特定模式的推薦流和社區構建的和K線走勢圖組合是一個類似的問題。我們需要開始收集並能夠讓每個應用程式上提供推薦串流的K線走勢圖，從Farcaster客戶端到區塊瀏覽器。
一個推薦流的概念是擬態的，將被淘汰。使用者則成為內容的策展者
在加密貨幣領域，用戶不僅希望將他們的社交圖推廣到其他社區，還希望將隱藏的潛力圖中的上下文也一起帶走。如果我在Farcaster上積極關注/degen社區，我希望在Zora、Roam.xyz或OnceUpon上能被推薦該社區活動，而且我希望能夠將該推薦轉向我參與的另一個社區的上下文，例如artblocks收藏者。未來將是用戶發現和選擇自己的feed的時代，而不是單一中國某個群組或頻道功能。
OpenRank 的Eigentrust 演算法是如何運作的？
本次圖譜執行了雙重信任機制，不同之處在於它建構了分散式信任體系，從而實現了分散式信任的部署和分配。
是的Eigentrust 的公式：
上面哪一個關鍵輸入：預信任節點和本地信任圖。 「P」是你的預信任，「S」是你的在地信任。
· 本地信任（localtrust）：這是你對兩個節點之間互動的測量，當節點「i」向節點「j」傳遞某種價值時。這可能是代幣轉移、證明、投票回覆/按讚等。
· 預信任（pretrust）：這是你選擇的設立應該更值得信任的節點的「種子」選擇。
· “c”：這個常數（在0到1之間）是整體本地信任圖和預信任種子之間的信任貨幣分佈。互動圖通常具有冪律分佈，因此此常數有助於規範最終排名貨幣的分佈。
如果這些數學公式不太好理解，可以將其比作像Twitter這樣的社交圖，如關注者、點讚、回復等權限通常都會得到少數人授權，通過設置一組具有權限的個人的符合常數“ c」值為0.5或更高，實際上，這些受信任的個人所的人將繼承該權限的一半價值。 這就是在更均勻地平衡和分佈信任分數的方法。
我們選擇任何上下文並創建任何推薦流程有什麼關係？
假設你有一個推薦流中對10000 個投票者的提案進行排序。基於一組投票互動（本地信任）和你自己選擇一組受信任的投票者（預信任），你可以透過將投票者的想法與提案進行排序。你可以透過選擇你在多個DAO 中委託投票者來選擇你的預信任投票者。 Eigentrust 將基於這兩個輸入運行，並給你一個更大的投票者名單，根據從預信任節點繼承的信任在圖中排名。
這樣，你現在可以使用這個排名來權衡治理建議，以便更個人化的推薦流
這可能仍然過於抽象，所以我將在下一節中透過具體的程式碼範例進行講解。請記住，OpenRank處理這些Eigentrust 圖的計算和存儲，並推薦您可以使用輸出的推薦流。你所需要的只是決定預信任和本地信任輸入。
如何建構OpenRank Eigentrust 圖？
最終目標
而這個私有的，我想根據Farcaster/base用戶錢包提供推薦合約的訂閱流（Farcaster 是類似Twitter的應用程式）。輸出只是一個包含id 和值的列表，在我的圖中，每個id都與一個Farcaster用戶id（fid）相關聯。
資料來源
建立排名圖後，我們根據上週的主要合約互動產生下列推薦流：
資料來源
你可以查看儀表板，看看從該圖表創建的其他推薦流，例如NFT 鑄造、DEX 代幣交易和Farcaster 頻道活動。
程式碼實現
現在你已經看到了目標，讓我們來談談我是如何創建這個排名圖的。
這個範例的所有程式碼都可以在hex.tech notebook中找到，如果你傾向於在本地運行，也可以使用jupyter notebook。
首先，我參與者我們的預信任和本地信任創建了兩個：
第一個查詢是我們的「預信任節點」。這個查詢根據收到的互動（按讚、轉發、回复）輸出/base頻道中的頂級用戶，我的公式是(點讚+ 3 轉發+ 10 回复)。我們從這個查詢中取前100 個id 作為我們的信任節點。
資料來源
第二個用於追蹤節點之間的鏈上互動，使用/base頻道中用戶連結地址。因為訂閱流將推薦鏈上操作，所以我想確保選擇一個基於鏈上互動量的互動圖。使用節點之間轉移的價格很好的通用代理——我追蹤了Optimism、Base和以太坊主網上的穩定幣和ETH轉移。
資料來源
分析輸入圖，並測試輸出的特徵信任圖
現在我們有了預信任節點和本地信任圖，來看一些資料總結。 /base 頻道中有65,755 名用戶將代幣轉移給該頻道的其他用戶，從我們的預信任節點可以遍歷19% 的節點（即連接的節點）。這個百分比可能會根據圖的本地信任資料的Sybil 程度高而有所不同。代幣轉移可能是高訊號，但也可能是刷單，因此大部分的圖是未連接的也不令人驚訝。
在確認輸入資料的大小和連接是合理的之後，我們可以運行並保存我們的Eigentrust 圖。我將我的圖儲存為id“base_transfer_50”——你可以看到下面只需10 行程式碼即可訓練圖。可以將OpenRank SDK 加密貨幣圖模型的scikit-learn。
還記得前面公式常數“c”嗎？讓我們對不同的c值（我採用alpha）和不同的預信任度進行網格搜索，看看能為我們帶來最正態的信任分數和最高的覆蓋率：
有很多權衡，沒有一個值由你決定。如果你願意的話，你可以投票給你一個堅定的信念，這是一個非常好的選擇，但你可能實際上並不想信任你。
從這裡，我們可以將值插入Dune 的儀表板初始連結的訂閱中，以獲得/base 頻道中受信用戶合約的互動流。這種消耗的推薦輸出相比於我們推薦輸出品質預期的預測而言更加可以節省通用指標。
搞定了您可以立即使用這個Dune API 為任何應用程式提供動力。
學習建立自己的OpenRank Eigentrust 圖
你準備好自己動手了嗎？你可以fork 我的筆記本並自己嘗試，所有需要的連結如下：
·OpenRank 文檔
·Python SDK 倉庫
·Python 筆記本
·沙丘供稿儀表板
我將在下個月內開展一次Bytexplorers 任務，我們將競賽創建適用於頂級加密貨幣應用的最佳訂閱流K線走勢圖。
資訊來源：0x資訊編譯自網際網路。版權歸作者區塊律動BlockBeats所有，未經許可，不得轉載