Personalized PageRank to a Target Node
Personalized PageRank使用随机游走来从给定源节点的角度确定图中节点的重要性或权威性。过去的许多工作都考虑了如何计算从给定的源节点到其他节点的个性化PageRank。在这项工作中，我们考虑的问题，计算个性化的PageRanks到一个给定的目标节点从所有源节点。这个问题可以解释为寻找谁支持目标或谁对目标感兴趣。我们提出了一个有效的算法来计算个性化的PageRank到一个给定的目标到任何给定的精度。我们给出了一个简单的分析，我们的算法的运行时间在平均情况下和参数化的最坏情况。我们表明，对于任何图的$n$节点和$m$边，如果目标节点是随机选择的，并给定的传送概率$α$，该算法将计算一个结果与$ε$错误的时间$O\left(\frac{1}{αε} \left(\frac{m}{n} + \log(n)\right)\right)$。这比之前提出的从每个源节点单独计算个性化PageRank的方法快得多，并且与从单个源计算个性化PageRank的成本相当。我们目前的Twitter图上的实验结果表明，在我们的运行时间分析的常数因子很小，我们的算法是有效的，在实践中。
2014-04-11 cs.DS cs.SI
Time-dependent Personalized PageRank for temporal networks: discrete and continuous scales
本文研究时序网络中带时变个性化向量的离散与连续时间尺度PageRank，揭示两种设置的内在关联，给出个性化向量对节点排名影响的边界，并通过实例验证理论结果。
2024-06-20 cs.SI
Efficient Algorithms for Personalized PageRank
我们提出了新的，更有效的算法估计随机游走分数，如个性化的PageRank从一个给定的源节点到一个或多个目标节点。这些分数对于包括社交网络、用户项目网络和web的网络上的个性化搜索和推荐是有用的。过去的工作已经提出使用蒙特卡罗或使用线性代数来估计从单个源到每个目标的分数，使得它们对于单个对是低效的。我们的贡献是一个新的双向算法，结合线性代数和蒙特卡罗实现显着的速度提高。在一组不同的六个图上，我们的算法比过去最先进的算法快70倍。我们还提出了理论分析：虽然过去的算法需要$Ω(n)$的时间来估计一个随机游走分数的典型大小$\frac{1}{n}$的$n$节点图上一个给定的恒定的准确性，我们的算法只需要$O(\sqrt{m})$预期的时间为平均目标，其中$m$是边缘的数量，并证明是准确的。除了我们的核心双向估计个性化PageRank，我们提出了一种替代算法的无向图，推广到任意的步行长度和马尔可夫链，个性化搜索排名的算法，以及从给定的源到给定的一组目标的随机路径的采样算法。我们希望我们的双向方法可以在其他方面进行扩展，并将在其他图形分析问题的有用的子程序。
2015-12-15 cs.DS cs.IR cs.SI
Virtual Web Based Personalized PageRank Updating
随着社交网络的日益普及，网络中的网页规模越来越大，需要一种高效的个性化网页排名（PPR）更新方法。目前的研究主要集中在链路结构修改下的PPR更新，而当节点插入/删除时，PPR的有效更新仍然是一个挑战。在以前的工作称为虚拟Web（VW），几个VW架构的设计，这导致了一些非常有效的初始化，显着加速PageRank更新下的链接修改和页面插入/删除。在本文中，在链接修改和节点插入/删除的一般情况下，我们解决了PPR的快速更新问题。具体来说，我们结合VW与TrackingPPR方法来生成初始值，然后由Gauss-Southwell方法用于快速PPR更新。该算法被称为VWPPR方法。在大量的实验中，使用了三个真实世界的数据集，包含1~5.6M的节点和6.7M~ 129 M的链接，而节点扰动为40 k，链接扰动为1%。VWPPR方法的运行时间比处理一般PPR更新问题的最近的LazyForwardUpdate方法快3~6倍，迭代次数快4.4~10倍。
2019-01-03 cs.SI
FAST-PPR: Scaling Personalized PageRank Estimation for Large Graphs
我们提出了一个新的算法，快速PPR，估计个性化的PageRank：给定的开始节点$s$和目标节点$t$在一个有向图，并给定一个阈值$δ$，快速PPR估计个性化的PageRank $π_s(t)$从$s$到$t$，保证一个小的相对误差，只要$π_s(t)>δ$。这个问题的现有算法的运行时间为$Ω(1/δ)$ ;相比之下，FAST-PPR的可证明平均运行时间保证为${O}(\sqrt{d/δ})$（其中$d$是图的平均入度）。这是一个显著的改进，因为对于应用程序，$δ$通常是$O(1/n)$（其中$n$是节点数）。我们还补充了该算法的PageRank估计的$Ω(1/\sqrtδ)$下限，表明对$δ$的依赖不能得到改善。我们进行了详细的实证研究，大量的图形，表明快速PPR显着优于现有的算法。例如，在具有15亿条边的2010年Twitter图上，对于按流行度采样的目标节点，FAST-PPR具有超过现有技术的$20$因子加速。此外，FAST-PPR的增强版本在Twitter图上具有$160$因子加速，并且在我们所有的候选图上至少快$20$倍。
2014-08-22 cs.DS cs.SI
A Graph Diffusion Scheme for Decentralized Content Search based on Personalized PageRank
去中心化正在成为未来互联网的一个关键特征。然而，最先进的去中心化技术中缺少有效的搜索算法，例如分布式哈希表和区块链。这是令人惊讶的，因为分散式搜索在早期的点对点（P2P）文献中得到了广泛的研究。在这项工作中，我们采用了一个新的前景分散搜索在P2P网络的启发，在密集的信息检索和图形信号处理的进步。特别是，我们根据P2P节点存储的文档生成P2P节点的潜在表示，并使用图形过滤器（如个性化PageRank）将其扩散到网络的其余部分。然后，我们使用扩散表示引导搜索查询相关的内容。我们的初步方法是成功的，在附近的节点定位相关的文件，但准确性急剧下降的存储文件的数量，突出需要更复杂的技术。
2022-04-27 cs.SI
Block Models and Personalized PageRank
用于对网络中节点的重要性进行排名的方法在机器学习和分析结构化数据的各个领域中具有丰富的历史。最近的工作已经评估了这些方法，虽然种子集扩展问题：给定一个子集$S$的节点，从一个社区的利益在一个底层的图形，我们可以可靠地确定其余的社区？我们开始从观察到，最广泛使用的技术，这个问题，个性化的PageRank和热核方法，操作在空间中的着陆概率的随机漫步植根于种子集，排名节点根据加权和着陆概率的不同长度的步行。然而，这两种方案都缺乏与种子集目标的先验关系。在这项工作中，我们开发了一个原则性的框架，通过研究种子集扩展应用于随机块模型的排名方法进行评估。我们得出的最佳梯度分离的两个类的着陆概率在一个随机块模型，并发现，令人惊讶的是，在合理的假设下，梯度是渐近等价于个性化的PageRank的PageRank参数$α$，取决于块模型参数的特定选择。这种联系为个性化PageRank在种子集扩展和节点排名方面的成功提供了一种新的正式动机。我们使用这种连接，提出更先进的技术，结合更高的时刻着陆概率，我们的先进方法表现出极大的改进性能，尽管是简单的线性分类规则，甚至与信念传播的竞争。
2016-07-12 cs.SI math.PR physics.soc-ph
Diffusion Signals Reveal Hidden Connections: A Physics-Inspired Framework for Link Prediction via Personalized PageRank Signals
Key Laboratory of Quark and Lepton Physics (MOE) and Institute of Particle Physics, Central China Normal University（夸克与轻子物理教育部重点实验室及粒子物理研究所，华中师范大学）；School of Information Engineering, Anhui University of Chinese Medicine（安徽中医药大学信息工程学院）
本文提出D-PPR框架，通过结合动态过程与结构相似性度量，提升复杂网络中链接预测的性能和理论严谨性。
2025-11-14 cs.SI physics.data-an
Fully personalized PageRank and algebraic methods to distribute a random walker
该研究全面分析控制类PageRank随机游走者平稳分布的代数方法，扩展结构与参数控制结果，刻画控制条件并建立参数边界，研究两种PageRank推广形式的可控性及节点重要性层级影响，推进代数控制与随机动力学相互作用的理解。
2025-03-14 cs.SI math.SP physics.soc-ph
PageRank and The K-Means Clustering Algorithm
KLA Corporation（KLA公司）；Mount Mercy University（芒特梅西大学）
我们利用PageRank向量将$k$ -均值聚类算法推广到有向图和无向图。我们证明了PageRank和其他中心性度量可以在我们的设置中使用，以鲁棒地计算给定图中节点的中心性。此外，我们展示了如何将我们的方法推广到度量空间，并将其应用于其他领域，如点云和三角网格
2021-03-09 cs.LG cs.SI stat.ML
Analysis of Nepotism in Bollywood using Personalized PageRank and Effective Influence
本研究针对宝莱坞行业的裙带关系问题，利用约1000名新人的关系数据，结合社交网络分析与Effective Influence方法，验证了血缘关系对新人出道资源的显著优势。
2023-12-16 cs.SI
Quantifying COVID-19 transmission risks based on human mobility data: A personalized PageRank approach for efficient contact-tracing
鉴于COVID-19广泛而持久的影响，特别是其空间传播动态备受关注。了解这些动态有助于公共卫生专业人员和城市管理人员设计和部署有效的接触者追踪和治疗措施。然而，大多数现有的研究集中在总的流动流量，很少利用广泛可用的分解一级的人口流动数据。在本文中，我们提出了一种个性化的PageRank（PPR）方法来估计COVID-19传播风险，该方法基于人和位置的二分网络。该方法结合了两个移动模式的个人和他们的时空相互作用。为了验证所提出的方法的适用性和相关性，我们基于交通灵巧卡数据，在一个小型合成网络和一个来自中国香港的真实移动网络中，研究了COVID-19病例的传播与城市内移动模式之间的相互作用。我们比较了召回率（敏感性），准确性和斯皮尔曼相关系数之间的估计传播风险和实际病例数的基础上各种大规模跟踪和测试策略，包括基于PPR的，基于PageRank（PR）的，基于位置的，基于路线的，和基本情况（无策略）。结果表明，基于PPR的方法效率最高，准确率最高，与实际案例数的Spearmans相关系数最大。这证明了PPR的传播风险估计的价值和有效的接触跟踪和测试，将个人的移动模式的重要性。
2022-10-03 cs.SI physics.soc-ph
Evolution of Credit Risk Using a Personalized Pagerank Algorithm for Multilayer Networks
The University of Western Ontario（西安大略大学）；Reykjavik University（雷克雅未克大学）
在本文中，我们提出了一种新的算法来研究复杂的多层网络的信用风险的演变。类寻呼机算法允许跨单个网络传播影响变量，并且允许量化单个实体（节点）在给定它们与网络中的其他节点的连接的情况下所经受的风险。另一方面，多层网络是其中节点的子集可以与唯一的集合（层）相关联的网络，并且其中边缘连接网络内或网络间的元素。我们针对多层网络的个性化PageRank算法可以量化信用风险如何随时间演变并通过这些网络传播。通过在每一层中使用二分网络，我们可以量化各个组成部分的风险，而不仅仅是贷款。我们在农业贷款数据集中测试了我们的方法，我们的结果表明违约风险是一种具有挑战性的现象，它会随着时间的推移在网络中传播和演变。
2020-08-10 cs.LG cs.SI physics.soc-ph
On the role of clustering in Personalized PageRank estimation
个性化PageRank（PPR）是从另一个节点的角度来衡量一个节点的重要性（我们分别将这些节点称为$\textit{target}$和$\textit{source}$）。PPR已被用于许多应用中，例如向Twitter用户（源）提供关注谁（PPR认为重要的目标）的建议;此外，PPR已被用于社区发现等图论问题。然而，计算PPR对于像Twitter这样的大型网络是不可行的，因此需要有效的估计算法。在这项工作中，我们分析了PPR估计的复杂性和聚类之间的关系。首先，我们设计算法来估计PPR为许多源/目标对。特别是，我们提出了一个现有的单对估计$\texttt{Bidirectional-PPR}$，是更有用的原始多对估计的增强版本。然后，我们表明，共同的基础图可以利用有效地和联合估计PPR为许多对，而不是单独对待每一对使用原始算法。接下来，我们展示了我们的联合估计方案的复杂性与手头的源和目标之间的聚类程度密切相关，这表明当聚类发生时，估计许多对的PPR更容易。最后，我们考虑估计PPR时，几台机器可用于并行计算，设计一种方法，利用我们的聚类结果，特别是计算量$\textit{in situ}$，分配任务的机器的方式，减少计算时间。这表明复杂性和集群之间的关系在实际的分布式环境中具有重要的影响。
2019-07-16 cs.SI
Differentially Private Graph Learning via Sensitivity-Bounded Personalized PageRank
Google Research（谷歌研究院）
针对PPR对图边高度敏感易泄露隐私的问题，提出一种敏感度有界的近似PPR算法，在高度数图上准确率接近非隐私算法，并直接衍生出多种差分隐私图学习工具。
2024-02-14 cs.CR cs.LG cs.SI
Traditional PageRank versus Network Capacity Bound
在以前的论文中，我们简化了证明的定理个性化的随机游走，这是根本的图节点聚类和推广到二分图的一个特定的情况下，随机跳跃的proobability是成比例的链接的数量“个人prefered”节点。在本文中，我们转向更复杂的问题，图中的随机跳跃遵循均匀分布。
2017-02-13 cs.SI
Distributed Algorithms for Fully Personalized PageRank on Large Graphs
个性化网页排名（PPR）有着巨大的应用，例如社交网络的链接预测和推荐系统，这些系统通常需要知道完整的PPR。此外，大多数现实生活中的图都是边加权的，例如，Facebook网络上用户之间的互动。然而，计算完全PPR在计算上是困难的，特别是在大型图上，更不用说大多数现有的方法不考虑边的权重。特别是，现有的方法不能处理具有十亿条边的中等大小的集群上的图。为了解决这个问题，本文提出了一种新的研究在大型图上使用分布式计算框架的完全边加权PPR的计算。具体来说，我们采用蒙特卡罗近似，从图的每个节点执行大量的随机游走，并利用并行流水线框架，以减少完全PPR的整体运行时间。在此基础上，我们开发了几种优化技术，（i）缓解了可能导致内存空间爆炸的大节点问题，（ii）为小节点预先计算短遍历，大大加快了随机遍历的计算速度，以及（iii）优化每个流水线中要计算的随机遍历量，从而显著降低了开销。通过对各种现实生活中的图数据集进行广泛的实验，我们证明了我们的解决方案比现有技术快几个数量级，同时在准确性方面大大优于基线算法。
2019-03-28 cs.DB cs.DC cs.SI
Targeted sampling from massive block model graphs with personalized PageRank
该论文为个性化PageRank（称为“PPR”）提供了统计理论和直观性：这是一种流行的技术，可以从大规模网络中对小社区进行采样。我们研究了一种设置，其中整个网络的彻底获取或维护成本很高，但我们可以从一个感兴趣的种子节点开始，“爬行”网络，通过它们的连接找到其他节点。通过以设计的方式爬行图，可以近似PPR向量，而无需查询整个大规模图，使其成为雪球采样的替代方案。使用度校正的随机块模型，我们研究了PPR向量是否可以选择属于同一块的节点作为种子节点。我们为PPR向量提供了一个简单且可解释的形式，突出了其对目标块外的高度节点的偏见。我们研究了一个简单的调整节点度的基础上，并建立一致性结果PPR聚类，允许有向图。这些结果是使最近的技术进步显示elementwise收敛的特征向量。我们说明了大量的Twitter的友谊图，我们使用Twitter应用程序编程接口抓取的方法。我们发现，调整和未调整的PPR技术是互补的方法，其中调整使结果特别局限于种子节点周围，并且偏置调整大大受益于度正则化。
2020-07-01 cs.CC cs.DL cs.SI
Personalized PageRank dimensionality and algorithmic implications
许多系统，包括互联网、社交网络和电网，都可以用图来表示。在分析图形时，计算描述节点之间的相对重要性或距离的分数通常很有用。一个示例是个性化页面排名（PPR），其向每个节点$v$分配向量，该向量的第$i$条目从$v$的角度描述第$i$节点的重要性。PPR已被证明在许多应用中是有用的，诸如推荐用户应该在社交网络上关注谁（如果第$i$个条目很大，则$v$可能对关注第$i$个用户感兴趣）。不幸的是，计算$n$这样的PPR向量（其中$n$是节点的数量）对于许多感兴趣的图是不可行的。在这项工作中，我们认为情况并不那么可怕。我们的主要结果表明，在$n$中，对于某类随机图和类似于秩的维数的概念，PPR向量集的维数具有高概率的次线性尺度。换句话说，我们认为这个集合的有效维数远小于$n$，尽管包含这些向量的矩阵具有秩$n$。此外，我们表明，这种维数措施密切相关的PPR估计方案，提出了（但没有分析）由Jeh和Widom的复杂性。这使我们能够论证，准确估计所有$n$ PPR向量相当于计算$n^2$向量元素的消失分数（当我们的主要结果的技术假设得到满足时）。最后，我们实证表明，类似的结论时，考虑现实世界的网络，尽管我们的理论的假设不成立。
2018-04-09 cs.DS cs.SI
Hypergraph Clustering Based on PageRank
RIKEN AIP（日本理化学研究所革新智能综合研究中心）；University of Tokyo（东京大学）；National Institute of Informatics（国立信息学研究所）
超图是一种有用的组合对象，用于建模实体之间的三元或高阶关系。超图聚类是网络分析中的一项基本任务。在这项研究中，我们开发了两个基于个性化PageRank的超图聚类算法。第一个是局部的，因为它的目标是找到一个紧连通的顶点集，该顶点集具有包含指定顶点的有界体积。第二个是全局的，因为它的目标是找到一个紧密连接的顶点集。对于这两种算法，我们讨论的理论保证的输出顶点集的电导。此外，我们的实验表明，我们的聚类算法优于现有的方法在解决方案的质量和运行时间。据我们所知，我们是第一个实用的算法超图的理论保证的电导的输出集。
2020-06-15 cs.DS cs.LG cs.SI
Homogeneous Network Embedding for Massive Graphs via Reweighted Personalized PageRank
Nanyang Technological University（南洋理工大学）；National University of Singapore（新加坡国立大学）；Hamad Bin Khalifa University（哈马德·本·哈利法大学）
给定一个输入图G和G中的一个节点v，同构网络嵌入（HNE）将v附近的图结构映射到一个紧凑的、固定维的特征向量。本文重点研究了大量图的HNE，例如，有数十亿条边在这种规模上，大多数现有的方法都失败了，因为它们要么成本过高，要么严重损害了结果效用。我们提出的解决方案，称为节点重新加权PageRank（NRP），是基于一个经典的想法，从成对的个性化PageRank（PPR）值派生嵌入向量。我们的贡献是双重的：首先，我们设计了一个简单而有效的基线HNE方法的基础上PPR，能够处理商品硬件上的十亿边图;其次，更重要的是，我们确定了一个固有的缺点香草PPR，并解决它在我们的主要建议NRP。具体来说，PPR是为一个非常不同的目的而设计的，即，从源节点的角度来看，基于G中的节点的相对重要性来对G中的节点进行排名。相比之下，HNE的目标是考虑整个图来构建节点嵌入。因此，直接从PPR导出的节点嵌入具有次优效用。所提出的NRP方法克服了上述不足，通过一个有效的和高效的节点重新加权算法，增加PPR值与节点度信息，并迭代地调整嵌入向量。总的来说，NRP需要O（mlogn）时间和O（m）空间来计算具有m条边和n个节点的图的所有节点嵌入。我们的广泛的实验，比较NRP对18个现有的解决方案，7个真实的图形表明，NRP实现更高的结果效用比所有的解决方案的链接预测，图形重建和节点分类，同时高达数量级更快。特别是，在一…
2020-06-23 cs.LG cs.SI
Efficient Algorithms for Approximate Single-Source Personalized PageRank Queries
给定图$G$、源节点$s$和目标节点$t$，$t$相对于$s$的个性化PageRank（PPR）是从$s$开始的随机游走终止于$t$的概率。PPR查询的一个重要变体是单源PPR（SSPPR），它枚举$G$中的所有节点，并返回相对于给定源$s$具有最高PPR值的前$k$节点。一般而言，PPR和具体而言，SSPPR在web搜索和社交网络中具有重要的应用，例如，在Twitter的Who-To-Follow推荐服务中。然而，PPR计算在大型图上是昂贵的，并且抵抗索引。因此，以前的解决方案要么使用无法保证结果质量的统计学，要么依赖于成本高昂的现代数据中心的强大计算能力。出于这一动机，我们提出了有效的无索引和基于索引的近似PPR处理算法，严格保证结果质量。我们首先介绍了FORA，一种近似的SSPPR解决方案，它以一种简单而又不平凡的方式结合了两种现有的方法向前推（快速但不保证质量）和蒙特卡洛随机游走（准确但缓慢），从而实现了高精度和高效率。此外，FORA包括简单且有效的索引方案，以及用于具有高修剪能力的顶部$k$选择的模块。大量的实验表明，所提出的解决方案比各自的竞争对手更有效的数量级。值得注意的是，在一个十亿边的Twitter数据集上，FORA使用单个商品服务器在1秒内回答了前500个近似的SSPPR查询。
2019-08-28 cs.DB cs.DS cs.SI
A Fuzzy Community-Based Recommender System Using PageRank
Islamic Azad University Tehran North Branch（德黑兰北部伊斯兰阿扎德大学）；Amirkabir University of Technology（阿米爾卡比爾理工大學）
推荐系统被不同的用户服务提供商广泛使用，特别是那些与大型用户社区有交互的用户。介绍了一种基于社区发现的推荐系统。使用用户之间的局部和全局相似性来提供推荐。当地的信息是从社区获得的，全球的信息是基于评级。在这里，一个新的模糊社区发现使用个性化的PageRank隐喻。用户对社区的模糊隶属度值被用来定义一个相似性度量。该方法通过使用两个著名的数据集：MovieLens和FilmTrust进行评估。结果表明，我们的方法优于最近的推荐系统。
2018-12-18 cs.IR cs.LG cs.SI
Damping Effect on PageRank Distribution
这项工作将Brin和Page发明的个性化PageRank模型扩展到具有各种阻尼方案的PageRank模型家族。增加模型多样性的目标是捕获或识别更多类型的网络活动、现象和传播模式。PageRank分布的阻尼机制的变化的响应，然后分析，并进一步定量估计6大现实世界的链接图。这项研究导致了新的观察和实证结果。结果发现，6个图中的每个模型的PageRank向量响应参数变化的模式的差异相对小于在每个图的研究中使用的3个特定模型之间的差异。这表明模型多样性用于区分网络活动和传播模式的效用。通过一种高效的算法，该算法通过一个共享的谱不变子空间一次计算所有PageRank向量，从而促进了对多个阻尼模型和参数的阻尼机制的定量分析。的谱空间被发现是低维的每个现实世界的图。
2018-05-31 cs.SI
A flexible PageRank-based graph embedding framework closely related to spectral eigenvector embeddings
Purdue University（普渡大学）
我们研究了一个简单的嵌入技术的基础上的一个矩阵的个性化PageRank向量播种在一组随机的节点。我们证明了这个矩阵的元素对数产生的嵌入（1）与一类图的谱嵌入相关，其中谱嵌入是重要的，因此可以对数据进行有用的表示，（2）可以对整个网络或其中的一小部分进行，这使得精确的局部表示成为可能，以及（3）与网络的大小相比，使用相对少量的PageRank向量。最重要的是，这种嵌入策略的一般性质开辟了许多新兴的应用程序，其中特征向量和频谱技术可能没有很好地建立，以PageRank为基础的亲戚。例如，类似的技术可以用在来自超图的PageRank向量上，以获得“类谱”嵌入。
2022-07-22 cs.LG cs.SI
Efficient Estimation of Heat Kernel PageRank for Local Clustering
给定一个无向图G和一个种子节点s，局部聚类问题的目标是识别一个高质量的簇，该簇包含的s在时间上与簇的大小大致成比例，而不管G的大小。这个问题在大规模图上有许多应用。最近，热核PageRank（HKPR），这是一个衡量节点在图中的接近程度，被应用到这个问题，并发现是更有效的比以前的方法。然而，现有的解决方案计算HKPR要么是昂贵的，或提供不满意的误差近似HKPR值，使他们不切实际，特别是在十亿边图。在本文中，我们提出了TEA和TEA+，两个新的局部图聚类算法的基础上HKPR，以解决上述限制。具体地说，这些算法在HKPR值的相对误差和时间复杂度方面提供了非平凡的理论保证。其基本思想是利用确定性图遍历产生精确HKPR向量的粗略估计，然后利用Monte-Carlo随机游走以优化和非平凡的方式改进结果。特别是，由于非平凡的优化，TEA+提供了实际的效率和有效性。在真实世界数据集上进行的大量实验表明，TEA+在大多数基准数据集上的计算时间方面比最先进的算法高出四倍以上，当实现相同的聚类质量时，特别是在大型图上，包括广泛研究的Twitter和Monster数据集。
2019-04-03 cs.DB cs.SI
TigerLily: Finding drug interactions in silico with the Graph
Tigerlily是一个基于TigerGraph的系统，旨在解决药物相互作用预测任务。在这个机器学习任务中，我们希望预测两种药物是否存在不良相互作用。我们的框架允许我们在这些步骤中使用图挖掘技术来解决这个高度相关的现实问题：（a）使用PyTigergraph，我们创建了药物和蛋白质的异构生物图。(b)我们在TigerGraph Cloud中计算药物节点的个性化PageRank分数。(c)我们使用个性化PageRank矩阵的稀疏非负矩阵分解来嵌入节点。(d)使用节点嵌入，我们训练基于梯度提升的药物相互作用预测器。
2022-04-18 cs.AI cs.LG cs.SI
Effective and Efficient PageRank-based Positioning for Graph Visualization
图形可视化是许多现实世界应用中的重要组件（例如，社会网络分析、网络挖掘和生物信息学），使用户能够从复杂的数据中挖掘关键的见解。图形可视化的核心是节点距离度量，它决定了节点在屏幕上的放置方式。一个良好的节点距离测量应该是在反映节点之间的全部结构信息和有效的优化视觉美学信息。然而，现有的节点距离措施产生低于标准的可视化质量，因为它们达不到这些要求。此外，大多数现有的措施是计算效率低，招致长的响应时间可视化大图形时。为了克服这些缺陷，我们提出了一个新的节点距离测量，PDist，面向图形可视化，利用一个著名的节点接近度测量，个性化的PageRank。此外，我们提出了一个有效的算法Tau-Push估计PDist下的单级和多级可视化设置。通过几种精心设计的技术，Tau-Push为估计精度和计算复杂性提供了重要的理论保证。大量的实验表明，我们的建议显着优于13个国家的最先进的图形可视化解决方案的12个现实世界的图形在效率和有效性（包括美学标准和用户反馈）。特别是，我们的建议可以交互式地产生令人满意的可视化十亿边图在一秒钟内。
2023-03-27 cs.SI
Heat kernel based community detection
热核是一种特殊类型的图扩散，与常用的个性化PageRank扩散一样，它在识别起始种子节点附近的社区时很有用。我们提出了第一个确定性的，本地算法来计算这种扩散，并使用该算法来研究它产生的社区。我们的算法形式上是一个松弛的方法来解决一个线性系统估计矩阵指数的度加权范数。我们证明，该算法保持本地化在一个大的图形，并有一个最坏情况下的常数运行时间，仅取决于扩散的参数，而不是图的大小。我们在真实网络上的实验表明，这种方法产生的社区比PageRank产生的社区具有更好的传导性，尽管在大型图上计算它们需要稍长的时间。在现实世界的社区识别任务中，热核社区的表现优于PageRank扩散。
2016-11-15 cs.DS cs.SI physics.soc-ph
Link Spam Detection based on DBSpamClust with Fuzzy C-means Clustering
搜索引擎成了无所不在的上网手段。垃圾搜索引擎是一种欺骗搜索引擎排名的技术，它夸大了排名。Web垃圾邮件制造者利用了基于链接的排名算法的脆弱性，通过创建许多人工引用或链接来获得比搜索引擎的结果更高的排名。基于链接的算法，如PageRank，HITS利用超链接的结构细节来对网络中的内容进行排名。本文提出了一种垃圾链接检测算法DBSpamClust。实验表明，该方法可以有效地过滤出垃圾网页
2010-12-31 cs.IR cs.IT cs.SI
CueGCL: Cluster-aware Personalized Self-Training for Unsupervised Graph Contrastive Learning
School of Computer Science and Engineering, Sun Yat-sen University（计算机科学与工程学院，中山大学）；School of Systems Science and Engineering, Sun Yat-sen University（系统科学与工程学院，中山大学）；School of Software Engineering, Sun Yat-Sen University（软件工程学院，中山大学）
针对无监督图对比学习在聚类任务中缺乏簇级信息及类碰撞问题，提出簇感知框架CueGCL，结合个性化自训练与对齐图聚类，在五个基准数据集上达到最先进性能。
2025-09-23 cs.AI cs.LG cs.SI
Contrastive Adaptive Propagation Graph Neural Networks for Efficient Graph Learning
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Peng Cheng Laboratory（鹏城实验室）
图神经网络（GNNs）通过提取和传播结构感知特征在处理图数据方面取得了巨大成功。现有的GNN研究设计了各种传播方案来引导邻居信息的聚合。最近，该领域已经从本地传播计划，专注于本地邻居扩展传播计划，可以直接处理扩展的邻居，包括本地和高阶邻居。尽管令人印象深刻的性能，现有的方法仍然不足以建立一个有效的和可学习的扩展传播方案，可以自适应地调整本地和高阶邻居的影响。本文提出了一种高效而有效的端到端框架，即对比自适应传播图神经网络（CAPGNN），以解决这些问题，结合个性化PageRank和注意力技术。CAPGNN模型的可学习的扩展传播方案与一个稀疏的局部亲和矩阵的多项式，其中多项式依赖于个性化的PageRank提供优良的初始系数。为了自适应地调整局部和高阶邻居的影响，系数注意模型被引入学习调整多项式的系数。此外，我们利用自监督学习技术，并设计了一个无负熵感知的对比损失，以明确地利用未标记的数据进行训练。我们实现CAPGNN作为两个不同的版本命名为CAPGCN和CAPGAT，分别使用静态和动态稀疏局部亲和矩阵。在图形基准数据集上的实验表明，CAPGNN可以始终优于或匹配最先进的基线。源代码可在https://github.com/hujunxianligong/CAPGNN上公开获得。
2021-12-02 cs.LG cs.SI
Local Clustering on Complex Graphs and Complex Hypergraphs
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Meta
本文通过扩展非近似的Andersen-Chung-Lang (ACL)聚类算法，提出了GeneralACL和HyperACL两种算法，分别适用于带权、有向、自环图以及边依赖顶点权重的超图，并证明了在温和条件下它们能识别出电导率二次最优的聚类。
2026-06-02 cs.DS cs.LG cs.SI
Strongly Local Hypergraph Diffusions for Clustering and Semi-supervised Learning
基于超图的机器学习方法现在被广泛认为对于建模和使用数据对象之间的高阶和多向关系是重要的。局部超图聚类和半监督学习特别涉及在给定的一组标记顶点附近找到一组连接良好的节点。虽然图的局部聚类方法很多，但超图的局部聚类方法相对较少。此外，那些存在的往往缺乏灵活性，以模拟一般类的超图切割功能或不能扩展到大的问题。为了解决这些问题，本文提出了一种新的基于扩散的超图聚类算法，解决了一个二次超图切割为基础的目标类似于一个超图模拟的Andersen-Chung-Lang个性化PageRank聚类图。我们证明了，对于固定的最大超边大小的图，这种方法是强局部的，这意味着它的运行时间只取决于输出的大小，而不是超图的大小，是高度可扩展的。此外，我们的方法使我们能够计算各种各样的基数为基础的超图切割功能。我们还证明了通过求解新的目标函数发现的聚类满足Cheeger质量保证。我们证明，在大型现实世界的超图，我们的新方法发现更好的集群和运行速度比现有的方法。具体来说，它在几秒钟内运行的超图与几百万hyperedges相比，基于流的技术分钟。我们还表明，我们的框架是足够的一般性，也可以用来解决超图上的其他p-范数为基础的切割目标。我们的代码是可用的\url{github.com/MengLiuPurdue/LHQD}。
2021-03-18 cs.SI
Personalized Email Community Detection using Collaborative Similarity Measure
在过去的十年中，电子邮件服务提供商已经采用了许多电子邮件分类和优先级系统来改善他们的服务。为了辅助电子邮件服务，我们提出了一个个性化的电子邮件社区发现方法，发现他们的结构和语义亲密度的基础上的电子邮件用户的分组。我们从一组电子邮件中提取个性化的社交图，唯一地利用每个节点的通信行为。随后，协作相似性度量（CSM）的图内聚类方法检测个性化社区。实证分析表明，由此产生的社区的有效性的评价措施，即密度，熵和f-措施。此外，从服务提供商和用户的角度来看，电子邮件过滤器，动态组预测和欺诈帐户检测建议作为潜在的应用。
2013-06-06 cs.SI physics.soc-ph
Scalable Deep Graph Clustering with Random-walk based Self-supervised Learning
The Ohio State University（俄亥俄州立大学）；Kent State University（肯特州立大学）；Augusta University（奥古斯塔大学）
本文提出可扩展深度图聚类算法RwSL，将拉普拉斯平滑与广义PageRank关联，利用随机游走图滤波器和自监督小批量训练，在百万级节点和18亿条边的图上实现高效聚类。
2023-01-18 cs.LG cs.SI
Improving local clustering based top-L link prediction methods via asymmetrical link clustering information
网络可以代表广泛的复杂系统，如社会，生物和技术系统。链接预测是网络分析中最重要的问题之一，近年来引起了广泛的研究兴趣。为了解决这一问题，人们提出了许多链接预测方法，并采用了各种技术。我们可以注意到，聚类信息在解决链接预测问题中起着重要的作用。在以往的文献中，我们发现节点聚集系数经常出现在许多链接预测方法中。然而，节点聚类系数不能区分节点对不同节点对的聚类能力，仅限于描述一个共同邻居在不同局部网络中的作用。在本文中，我们把我们的重点从节点到链路，并提出了非对称链路聚类（ALC）系数的概念。在此基础上，通过ALC的概念对三种基于节点聚类的链接预测方法进行了改进.实验结果表明，基于ALC的方法优于基于节点聚类的方法，特别是在食物网，仓鼠友谊和互联网网络取得了显着的改善。此外，与其他方法相比，基于ALC的方法在全球化和个性化的top-L链接预测任务中的性能非常稳定。
2017-11-22 cs.SI physics.soc-ph
