BiRank: Towards Ranking on Bipartite Graphs

最新推荐文章于 2023-08-27 05:49:48 发布

小龙人_辽宁分人

最新推荐文章于 2023-08-27 05:49:48 发布

阅读量503

点赞数

分类专栏：论文阅读文章标签：神经网络机器学习数据挖掘自然语言处理深度学习

本文链接：https://blog.csdn.net/mengmeng6666/article/details/109593705

版权

论文阅读专栏收录该内容

6 篇文章 0 订阅

订阅专栏

BiRank: Towards Ranking on Bipartite Graphs（扩展到TriRank）

2017，IEEE，高明，何向南
解决问题：ranking vertices of a bipartite graph, graph ranking, bipartite
graphs对图中的顶点进行排序.
传统方法问题：PageRank, HITS 只使用了graph structure
本文方法：graph link structure（就是定义的边的权重，一个只与时间有关的单调、递减、指数衰减函数）, prior
information of vertices(query vector，其实就是用的顶点的邻居数), regularization
function, fast convergence, (linear in the number of graph edges,
对称归一化。时间复杂度O(E)
BiRank的输入和输出模型：1. 初始化：为使得模型快速收敛，p，u的初始化为S^TS和SST的主正交向量。
对比方法：View Count, Comment Count in the Past, Multivariate Linear model, PageRank, Co-HITS, BGER. 2. recommendation: Popularity, ItemKNN, PureSVD, PageRank, TagRW
数据集：Synthetic Random Graphs （边服从uniform
distribution，10K*20K大小），Synthetic Power-law Graphs（生成图的算法见R-energy
for evaluating robustness of dynamic networks），Yelp和Amazon。
源代码、评估指标：NDCG@K
实验分析了哪些方面：模拟数据：1.收敛问题，迭代方法能否收敛到正则框架推理下的稳定值，迭代速度10轮；2：控制网络结构和查询向量参与度的参数，与收敛速率的关系，查询向量参与度越大，收敛越快；3.验证一下时间复杂度线性于边数量。真实数据第一个任务BiRank：1. 评估指标（Spearman coefficient），2. 参数调整（grid search，10% held out），3：各个算法，评估指标对比，详细的实验分析（总体分析，拆开分析）。真实数据第二个任务TriRank：1.评估指标（NDCG@K）。