RBS: 最优时间复杂度的single-target PPR算法 | 作者带你读论文(KDD2020)
论文作者:Hanzhi Wang, Zhewei Wei, Junhao Gan, Sibo Wang, Zengfeng Huang
论文通讯作者:Zhewei Wei (魏哲巍,中国人民大学教授)
解读文章作者:王涵之
前言:Personalized PageRank(简称 PPR)是一种图节点邻近度的度量方法,被广泛应用于图挖掘和网络分析等领域。本篇论文关注 single-target PPR(单宿 PPR)的计算问题,提出了一种高效计算单宿 PPR 的算法 RBS,改进了单宿 PPR 计算的时间复杂度。当以相对误差进行结果约束时,RBS 首次将单宿 PPR 问题的计算复杂度降低至理论下界,即达到了最优计算复杂度。同时,单宿 PPR 的广泛应用也使得 RBS 算法可以进一步改进这些应用问题的运行效率,如频繁命中节点的查询问题(heavy hitters PPR query)、单源 SimRank 的计算问题、图嵌入和图神经网络中的 PPR 矩阵计算问题等。
2. 问题定义:
在本篇论文中,我们重点关注单宿 PPR(single-target PPR)的计算问题,即给定图上某一节点t作为宿点,计算节点 t 关于图上所有节点的 PPR。单宿 PPR(single-target PPR)和单源 PPR(single-source PPR)相对应,提供了 PPR 重要性的两种考量方式。单源 PPR 希望计算图上所有节点相对给定源节点 s 的 PPR,即希望找到所有相对源节点较为重要的节点;而单宿 PPR 则希望找到相对图上任意节点,使宿节点的重要性较高的节点。
3. RBS算法:
4. 实验评估:
赞 (0)