WWWMar, 2019

大规模图上完全个性化 PageRank 的分布式算法

PDF
TL;DR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。
personalized pagerankdistributed computingedge-weighted graphsmonte carlo approximationoptimization techniques
发现论文，激发创造
  • 个性化 PageRank 估算与搜索：一种双向方法

    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

  • 动态图上的近似个性化 PageRank

    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

  • 使用近似的 PageRank 扩展图神经网络规模

    本研究提出 PPRGo 模型，利用有效的 GNN 信息扩散近似，以显着提高速度并保持最先进预测性能。相比其他 GNN 方法，PPRGo 不仅更快，而且天然可扩展，在 Google 的大规模节点分类问题方面具有实际应用价值。

    Jul, 2020

  • 大规模图形个性化 PageRank 估计的快速扩展

    提出了一种新算法 FAST-PPR，用于估计个性化 PageRank，在大型图上具有高效和精度的优势。

    Apr, 2014

  • 个性化 PageRank 的高效算法

    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

  • 快速增量和个性化 PageRank

    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

  • 重访面向目标节点的个性化 PageRank 算法

    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

  • 基于 PPR 的嵌入方法的深度理解：拓扑视角

    该研究论文讨论了节点嵌入、个性化 PageRank、图拓扑以及基于 PPR 的嵌入方法对各种下游任务的优势的解释性分析。

    May, 2024

  • 将 PageRank 转化为无限深度图神经网络

    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

  • 预测后传播：图神经网络遇见个性化 PageRank

    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