个性化 PageRank 估算与搜索:一种双向方法
本文介绍了一种新的双向算法来估计随机游走得分,其中结合了更高效的 Monte Carlo 和线性代数方法,使速度提高了 70 倍以上,可以用于社交网络、用户 - 项目网络和网页等网络上的个性化搜索和推荐。此外,文章还提出了其他相关算法,可用于无向图、任意步长和马尔可夫链、个性化搜索排名和从给定源到给定目标集的随机路径抽样。
Dec, 2015
该论文介绍了基于 Personalized PageRank 的节点关系的单目标和多目标查询方法,其中提出了一种名为 RBS 的新算法,旨在提高查询效率和精度,适用于大型实际数据集。
Jun, 2020
本文提出了使用分布式计算框架计算大型边加权图的全面边加权个性化 PageRank 的新方法,使用了蒙特卡罗近似并结合优化技术,其准确性表现显着超过基线算法,并且速度比现有技术快数个数量级。
Mar, 2019
本文提出并研究了两种算法,用于在动态图上维护近似频繁访问节点的 PPR 向量。其中,两种变体 Forward Push 和 Reverse Push 算法,能通过图的加边和删除边的动态维护算法在保证相似性的情况下进行向前和向后推送,减少计算代价。
Mar, 2016
本文分析了 Monte Carlo 方法在动态社交网络中增量计算 PageRank、个性化 PageRank 和类似的基于随机行走方法(重点关注 SALSA)时的效率,针对全局 PageRank 做出了重大改进,同时也可以同样高效地处理删除,并研究了顶部 k 个个性化 PageRank 的计算。
Jun, 2010
本文介绍了 PageRank 算法的基本概念及其在信息技术、图书馆学、生物学和电子商务等领域的应用,并提出了一种基于马尔可夫链的分布式随机算法,它使用了节点和链接的图形表示,与系统和控制社区中的其他问题有所关联。
Dec, 2013
采用神经网络自动化学习经典启发式算法 A * 算法的成本函数,以解决由于人工设置启发式代价函数和利用有用上下文信息等问题导致的个性化路线推荐任务的低效性和不准确性。
Jul, 2019
本文提出了一种称为 PPRGN 的神经网络,该网络基于 Personalized PageRank 的思想,通过无样本学习的方式训练图像分类模型,该模型具有无限深度且不会出现过度平滑的问题,在各种节点和图像分类任务中实验表现卓越。
Jul, 2022