本研究提出了一种名为 TopPush 的高效方法,用于优化双分图排名中排名准确性,其在训练实例数量上具有线性的计算复杂度,并且该方法的实证研究表明它与当前现有的最先进方法具有高竞争力且速度可提高 10 到 100 倍,并使用新颖的分析方法界定所提出方法的排名精度和泛化误差。
Oct, 2014
本文提出了一种基于分割二分图的新型数据聚类方法,旨在最小化未匹配的顶点之间的边权重总和,通过边权重矩阵的奇异值分解来近似解决这个最小化问题并且在文档聚类问题上取得了显著的效果。
Aug, 2001
本文提出了一种基于项目投影的共同聚类算法,以解决处理双向图时向量空间模型表现的问题。通过在聚类检索任务中测试,该算法能够产生平衡良好的聚类和相关项目,并导致高的检索得分。
Sep, 2021
通过实验比较 19 种处理二分图的链接预测方法,该研究提出了使用图卷积网络(GCN)改进的推荐系统作为二分图链接预测的新解决方案,并发现 GCN 的个性化推荐系统和基于启发式度量的方法如结构扰动法(SPM)都能够取得成功的结果。
Jun, 2024
通过构建包含蛋白质关联和功能层次网络的双重关系图模型以及应用传统的 BirgRank 和自适应机制的 AptRank 两种扩散方法,本文为基于蛋白质网络数据的蛋白质功能预测提供了一种新的预测方法,其中引入 Gene Ontology 的层次结构可以显著提高预测准确性。
Jan, 2016
本文提出了两种基于个性化 PageRank 的超图聚类算法,它们都具有输出顶点集合对导纳有理论保证的优点,并在解决方案质量和运行时间方面优于现有方法。这是第一篇在具备理论保证的情况下实现了超图聚类的实用算法。
Jun, 2020
该论文提出了一种基于物理学原理的模型和高效算法,用于推断有向网络中节点的层次排名,并介绍了一种更精确的排名方式,并提供了一种对强度进行统计显著性检验的方法,应用于预测边的存在性和方向,并在实际和合成数据上分析展示出算法的效率与可扩展度。
Sep, 2017
本文提出了一种基于集合的贝叶斯方法 SetRank 用于协同排序,旨在最大化新颖的集合偏好比较的后验概率。同时作者还经过理论分析表明误差的上界与用户和产品数量成正比。最后,四个真实世界数据集的广泛实验清楚地验证了 SetRank 相对于各种现有技术基线的优越性。
Feb, 2020
本文提出了一种迭代的排名聚合算法 ——Rank Centrality,该算法基于随机游走解释,用于发现从成对比较中学习出的对象分数。该算法的有效性以 Bradley-Terry-Luce(BTL)模型为例,并通过边界收敛速度分析方法估计出了对 BTL 模型假定分数与算法估计分数之间的有限样本误差率。
Sep, 2012
本研究致力于解决在电子商务中,为了使商品推荐更具多样性和公正性,提出的带约束排序优化问题,通过提出的快速精确和近似算法,得出结论:即使当约束条件很大时,我们的算法仍然可以在线性时间内运行,并且产生具有小约束违规的解决方案。
Apr, 2017