BiRank: Towards Ranking on Bipartite Graphs

BiRank: Towards Ranking on Bipartite Graphs（擴充套件到TriRank）

• 2017，IEEE，高明，何向南

• 解決問題：ranking vertices of a bipartite graph, graph ranking, bipartite
  graphs對圖中的頂點進行排序.

• 傳統方法問題：PageRank, HITS 只使用了graph structure

• 本文方法：graph link structure（就是定義的邊的權重，一個只與時間有關的單調、遞減、指數衰減函式）, prior
  information of vertices(query vector，其實就是用的頂點的鄰居數), regularization
  function, fast convergence, (linear in the number of graph edges,
  對稱歸一化。時間複雜度O(E)

• BiRank的輸入和輸出模型：1. 初始化：為使得模型快速收斂，p，u的初始化為S^TS和SST的主正交向量。

• 對比方法：View Count, Comment Count in the Past, Multivariate Linear model, PageRank, Co-HITS, BGER. 2. recommendation: Popularity, ItemKNN, PureSVD, PageRank, TagRW

• 資料集：Synthetic Random Graphs （邊服從uniform
  distribution，10K*20K大小），Synthetic Power-law Graphs（生成圖的演算法見R-energy
  for evaluating robustness of dynamic networks），Yelp和Amazon。

• 原始碼、評估指標：NDCG@K

• 實驗分析了哪些方面：模擬資料：1.收斂問題，迭代方法能否收斂到正則框架推理下的穩定值，迭代速度10輪；2：控制網路結構和查詢向量參與度的引數，與收斂速率的關係，查詢向量參與度越大，收斂越快；3.驗證一下時間複雜度線性於邊數量。真實資料第一個任務BiRank：1. 評估指標（Spearman coefficient），2. 引數調整（grid search，10% held out），3：各個演算法，評估指標對比，詳細的實驗分析（總體分析，拆開分析）。真實資料第二個任務TriRank：1.評估指標（NDCG@K）。