1、时间复杂度接近最优的单宿PPR算法,报告人:王涵之 导 师:魏哲巍教授 中国人民大学,Personalized PageRank to a Target Node, Revisited,Author: Hanzhi Wang, Zhewei Wei*, Junhao Gan, Sibo Wang, Zengfeng Huang,Graph 图结构,社交网络,论文引用网络,图 = , : 节点集:,边集:E. =n, =m,地理信息网络,Personalized PageRank(PPR,PageRank: 衡量网络上各网页的重要性 被更多网页引用的网页,重要性越高 被重要的网页引用的网页,重要
2、性越高 PageRank定义式: = 1 + : PageRank向量. : 起始向量. : 概率转移矩阵. : 衰减系数,PageRank: = 1 , 1 , 1 衡量图上节点的全局重要性,Personalized PageRank: = 0,0, ,0,1,0,0 衡量图上节点关于源节点s的相对重要性,第s项为1,衰减随机游走,停止在当前节点, w.p.,走向随机选择的一个出邻居, w.p. 1,PPR (,)=Pr从 出发的-衰减随机游走停止在,PPR 随机游走表示,= 对于 , (为常数) , ,单源 PPR,0.2,最优,1 , =1,蒙特卡罗采样: , = 从出发的游走停止在节点
3、的数量 总随机游走数,单源 PPR 计算,单宿 PPR 计算,单宿 PPR,0.2,单宿PPR: 给定宿节点,返回图上所有节点与宿节点的PPR,2,蒙特卡罗采样不适用于单宿PPR查询问题,t,是否可以消除单宿PPR计算中Backward Search计算时间复杂度与理论下界间 的理论差距,的理论差距,单宿 PPR 计算,目前只有后向搜索(Backward Search)Lofgren et al. 2013可以解决单宿PPR的查询问题。 对于相对误差: , , , , , . (c是常数),后向搜索算法的时间复杂度达不到理论下界,频繁命中节点查询(PPR heavy hitters) Wang et al., SIGMOD18 SimRank相似度计算 Wei et al., SIGMOD19 图嵌入(graph embedding)和图神经网络(GNN),单宿 PPR 相关应用,单宿PP