BiRank: Towards Ranking on Bipartite Graphs

mengmeng6666發表於2020-11-10

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STS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)。

相關文章