PageRank on an Evolving Graph（论文粗读）

原作者Bahman Bahmani (Stanford)，Ravi Kumar(Yahoo),Mohammad Mahdian(Google),Eli Upfal (Brown)

摘要
web图和社交网络最主要的一个特点是它们在不断变化/演绎。传统的计算模式，对算法进行一个固定的数据输入然后结束，无法适用于演绎图。本文研究了如何在演绎图中计算PageRank。提出如下算法，可以随时从图的一部分开始爬行计算，得出一个十分接近真实值的PageRank的估计值。算法在随机生成的输入数据中进行了测试。在一个程式化的图演绎中，此算法比朴素算法有明显进步。
1.引言
传统算法的模式是对固定的输入数据得出结果即可。但是，这种模式不在适用于如今的大量输入数据不断变化的应用，尤其是针对web和社交网络的应用。本文主要解决的是对于演绎图的PageRank计算。在文章[1]中提出，对于web图和社交网络PageRank是一个非常有效的声望表达。尽管网络信息检索技术有很大的进步，但是搜索引擎仍然需要依赖于不同搜索结果的PageRank不同的概念。PageRank是一个基于网络图结构计算出来的数值。当图结构发生改变时，对搜索引擎来说唯一的办法就是爬行整个网络。但是爬行能力总是有限的，因此搜索引擎总是会有一个陈旧的结果。本文的目的是设计一个算法来决定哪些页面需要爬行并且计算使用所获得的信息来计算PageRank值，使用这样一种及时容错的方法。