区块模型与个性化 PageRank
本研究通过研究种子 PageRank 以及它在不同网络拓扑结构下的行为,得出了在含有类似于现实社交网络中节点度数分布的图中,能够仅仅用数量较少的元素来近似种子 PageRank 向量的结论。同时,本研究在实际网络和合成网络上的试验给出了进一步的证据,并探讨了度数序列对于种子 PageRank 的影响。
Aug, 2015
该研究提出了基于加权随机游走概率的广义 PageRank 方法,并针对社区检测问题,提出新的随机游走权重计算方法。通过合成和真实数据的大规模实验,证明了新方法在社区检测问题中的有效性。
May, 2019
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
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
本文提出了新的 Personalized PageRank 估计和搜索算法,通过双向 PPR 估计器和基于采样的搜索算法实现了高效的估计和搜索。
Jul, 2015
本文介绍了一种基于数据的方法,用于学习适应底层网络拓扑特征的类特定扩散函数,从而改善扩散分类器的性能并提高分类准确性,超过了依赖于节点嵌入和深度神经网络的最先进方法。
Apr, 2018
本文介绍了如何通过控制节点之间的边来优化 PageRank 的方法,其核心方法是基于线性规划和贪心算法,并且在给定互斥边的情况下,此问题是 NP 困难问题。
Nov, 2009
本文通过引入 PageRank 的个性化传播机制,构建了 PPNP 和其快速逼近版本 APPNP 两种新的方法,其训练速度相当或更快,参数数量相当或更少,并且与任何神经网络结合使用, 用于半监督分类,在最彻底的 GCN-like 模型的研究中,展示了该模型胜过几种近期提出的方法。
Oct, 2018
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