Auditing the Sensitivity of Graph-based Ranking with Visual Analytics
图挖掘在许多学科中发挥着关键作用,并且已经开发了各种算法来回答谁/什么类型的问题。例如,在电子商务平台上,我们应该向给定的用户推荐哪些商品?这些问题的答案通常以排序列表的形式返回,并且基于图的排序方法广泛用于工业信息检索设置中。然而,这些排名算法具有各种敏感性,即使是排名的微小变化也可能导致产品销售和页面点击量的大幅减少。因此,需要能够帮助模型开发人员和分析人员探索图排名算法相对于图结构内的扰动的敏感性的工具和方法。在本文中,我们提出了一个可视化的分析框架,通过执行基于扰动的假设分析来解释和探索任何基于图的排名算法的敏感性。我们证明了我们的框架,通过三个案例研究,检查两个经典的基于图形的排名算法(PageRank和HITS)的敏感性,适用于政治新闻媒体和社交网络的排名。
2020-09-15 cs.HC cs.SI
Addressing Time Bias in Bipartite Graph Ranking for Important Node Identification
Shenzhen University(深圳大学)
网络中的排序问题的目标是根据选定的标准将节点从最好到最差进行排序。在这项工作中,我们专注于根据其质量对节点进行排名。二分网络中节点的排序问题在实际应用中有着重要的价值。例如,可以在网上商店推广高质量的产品,或者在场地评论平台上吸引更多的人。然而,许多经典的排名算法都有一个共同的缺点:它们倾向于将旧电影的排名高于新电影,尽管一些新电影可能具有高质量。这种时间偏差源于这样一个事实,即网络中较老的节点往往比较新的节点拥有更多的连接。在这项研究中,我们开发了一种使用再平衡方法的排名方法,以减少时间偏差的二分图的排名。
2019-11-28 cs.LG cs.SI
Blind Inference of Centrality Rankings from Graph Signals
我们研究了盲中心性排序问题,我们的目标是仅从节点观测值推断节点的特征向量中心性排序,即,而没有关于网络拓扑的信息。我们将这些节点观测值形式化为图形信号,并将其建模为底层(未观测)网络上的网络过程的输出。提出了一种简单的谱算法来估计相关邻接矩阵的前导特征向量,从而作为中心性排名的代理。有限速率的性能分析的算法,我们发现一个下界的图形信号的数量需要正确的排名(高概率)两个感兴趣的节点。然后,我们专门我们的一般分析密集的\ER图,现有的图形理论的结果可以利用的特定情况下。最后,我们说明了所提出的算法通过数值实验在合成和真实世界的网络,特别强调网络功能如何影响性能。
2019-10-24 cs.SI eess.SP
MGDCF: Distance Learning via Markov Graph Diffusion for Neural Collaborative Filtering
National University of Singapore(新加坡国立大学);Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);Beijing University of Posts and Telecommunications(北京邮电大学)
本文证明了基于GNN的CF模型与传统单层NRL模型的等价性,提出MGDCF将GNN视为不可训练的马尔可夫过程构建上下文特征,并设计InfoBPR排序损失使NRL模型无需GNN特征也能表现优异。
2024-01-06 cs.LG cs.SI
Tuning Ranking in Co-occurrence Networks with General Biased Exchange-based Diffusion on Hyper-bag-graphs
共生网络可以用超袋图(简称hb图)来描述。一个hb-图是一族具有相同论域的多重集,称为点集。先前已经提出了一种有效的基于交换的扩散方案,该方案允许顶点和HB-边的排名。在这篇文章中,我们扩展了这个计划,允许不同种类的偏见,并探讨他们对不同的排名获得的效果。这些偏见加强了对网络某些特定方面的强调。
2020-03-16 cs.DM cs.SI math.CO
On node ranking in graphs
受新冠疫情应用启发,本文综述无向无权图节点排序经典方法,在含社区结构的真实基准网络中对比性能,并推广Newman基准网络以分析加权场景下的排序变化。
2021-07-20 cs.SI physics.soc-ph
Attributed Graph Clustering in Collaborative Settings
School of Mathematical Sciences, Zhejiang University(浙江大学数学科学学院);School of Cyber Science and Technology, Zhejiang University(浙江大学计算机科学与技术学院);antgroup(蚂蚁集团)
本文提出一种面向垂直划分数据的协作属性图聚类框架,通过缩减样本空间提升效率,并在四个公开数据集上验证其准确率可与集中式方法相媲美,有效解决数据隔离问题。
2024-12-31 cs.LG cs.SI
Blind Inference of Eigenvector Centrality Rankings
我们考虑的问题,估计网络的特征向量中心只从节点上的数据,没有关于网络拓扑结构的信息。利用图滤波器的多功能性来建模网络过程,节点上支持的数据被建模为通过应用于白噪声的图滤波器的输出获得的图信号。我们试图通过绕过网络拓扑推断方法来简化中心性排名的下游任务,而是直接从图信号推断图的中心性结构。为此,我们提出了两个简单的算法排名一组节点连接的一组未观察到的边缘。我们推导出这些算法的渐近和非渐近保证,揭示了决定手头任务复杂性的关键特征。最后,我们说明了所提出的算法在合成和真实世界的数据集上的行为。
2020-08-26 cs.SI eess.SP
Edge Ranking of Graphs in Transportation Networks using a Graph Neural Network (GNN)
University of California Los Angeles(加州大学洛杉矶分校)
许多网络,如交通、电力和水分配,都可以用图来表示。图表示的关键挑战是识别图边缘的重要性及其对整体网络效率和信息流性能的影响。例如,交通网络中的重要边缘是那些受到影响时会显著改变网络整体效率的道路。找到这些重要边的常用方法是“边介数中心性”(EBC),这是一种边排序度量,用于根据连通性和信息扩散确定图的有影响力的边。利用常见的Brandes算法计算EBC涉及计算每个节点对的最短路径,这在计算上可能是昂贵的和限制性的,特别是对于大型图。图形参数的变化,例如,在边权值或节点或边的添加和删除时,需要重新计算EBC。作为主要贡献,我们提出了一种近似方法来估计EBC使用图神经网络(GNN),一个基于深度学习的方法。我们表明,它是计算效率相比,传统的方法,特别是对于大型图。所提出的基于GNN的边排名方法在几个合成图和一个真实的交通数据集上进行了评估。我们表明,这种框架可以估计的近似边缘排名比传统的方法快得多。这种方法是归纳的,即,在具有不同数目的节点和边的不同图形集合上执行训练和测试。该方法特别适用于需要边缘信息的大规模网络应用,如城市基础设施改善项目、电力和自来水网络弹性分析以及工程网络资源分配优化等。
2023-03-25 cs.AI cs.SI
Exploiting Hierarchy for Ranking-based Recommendation
这篇硕士论文的目的是研究和开发一种新的算法框架,用于协同过滤(CF)来生成推荐。我们提出的方法是基于开发的层次结构的项目空间和直观地“站”在属性的近完全可分解性(NCD),这是固有的结构中的大多数层次系统。基于NCDawareRank算法及其相关的NCD邻近概念背后的直觉,我们以一种阐明其地方特征的方式对我们的系统进行建模,并提出了一种新的推荐算法框架,称为HIR。我们专注于结合的直接与NCD的“邻居”的项目,以实现更好的表征项目间的关系,以提高质量的建议,并减轻稀疏相关的问题。
2015-12-23 cs.IR cs.SI
Bias Disparity in Collaborative Recommendation: Algorithmic Evaluation and Comparison
Eindhoven University of Technology(埃因霍温理工大学);DePaul University(德保罗大学);University of Colorado Boulder(科罗拉多大学博尔德分校)
机器学习中的公平性研究最近已经扩展到推荐系统。可能影响公平性的因素之一是偏见差异,即一个群体对各种项目类别的偏好未能反映在他们收到的推荐中的程度。在某些情况下,原始数据中的偏差可能会被潜在的推荐算法放大或逆转。在本文中,我们探讨了不同的推荐算法如何反映排名质量和偏见差距之间的权衡。我们的实验包括基于邻域的,基于模型的,和信任感知的推荐算法。
2019-08-02 cs.IR cs.LG cs.SI
Improving Recommendation Quality by Merging Collaborative Filtering and Social Relationships
矩阵分解技术已经成功地应用于提高协同过滤系统(CFS)产生的建议的质量。基于矩阵分解的传统CFS基于用户提供的评级进行操作,最近已扩展到包括年龄和性别等人口统计方面。在本文中,我们建议合并CFS的基础上矩阵分解和信息的社会友谊,以提供用户更准确的建议和排名的项目,他们感兴趣的。所提出的方法已在现实生活中的在线社交网络上进行了评估,实验结果表明,对现有的CFS的改进。并与相关文献进行了详细的比较。
2011-09-30 cs.IR cs.SI physics.soc-ph
Non-Parametric Class Completeness Estimators for Collaborative Knowledge Graphs -- The Case of Wikidata
协作知识图谱平台允许人类和自动化脚本在创建、更新和互连实体和事实方面进行协作。为了确保数据的完整性以及对不同主题的统一覆盖,确定知识图谱中代表性不足的类别至关重要。在本文中,我们解决这个问题,通过开发统计技术的类基数估计协作知识图谱平台。我们的方法能够估计类的完整性-如由模式或本体定义的-因此可以用于回答诸如“知识库是否具有所有{啤酒品牌|Volcanos|视频游戏控制台}的完整列表?“作为一个用例,我们专注于Wikidata,它在本体的大小,活跃填充其图形的用户数量以及其极其动态的性质方面提出了独特的挑战。我们的技术来自物种估计和数据管理方法,并适用于图表和协作编辑的情况。在我们的经验评估中,我们观察到i)唯一类实例的数量和频率极大地影响估计器的性能,ii)如果没有正确处理,插入的突发会导致一些估计器高估类的真实大小,以及iii)通过考虑估计量相对于可用数量的稳定性,可以有效地测量类向其真实大小的收敛性。实例.
2019-09-03 cs.DB cs.SI
Neural Graph Collaborative Filtering
National University of Singapore(新加坡国立大学);University of Science and Technology of China(中国科学技术大学);Hefei University of Technology(合肥工业大学)
学习向量表示(Learning Vector Representations)嵌入)是现代推荐系统的核心。从早期的矩阵分解到最近出现的基于深度学习的方法,现有的努力通常通过从描述用户(或项目)的预先存在的特征(例如ID和属性)进行映射来获得用户(或项目)的嵌入。我们认为,这种方法的一个固有的缺点是,合作的信号,这是潜在的用户项目的互动,是不是在嵌入过程中编码。因此,所得到的嵌入可能不足以捕获协同过滤效果。在这项工作中,我们建议将用户-项目交互-更具体地说,二分图结构-嵌入过程。提出了一种新的推荐框架神经图协同过滤(Neural Graph Collaborative Filtering,NGCF),该框架利用用户-项目图的结构,通过在其上传播嵌入,实现了用户-项目图的高阶连通性的表达建模,有效地将协同信号以显式的方式注入到嵌入过程中。我们在三个公共基准上进行了广泛的实验,证明了几个最先进的模型,如HOP-Rec和协作内存网络的显着改进。进一步的分析验证了嵌入传播对于学习更好的用户和项目表示的重要性,证明了NGCF的合理性和有效性。代码可在https://github.com/xiangwang1223/neural_graph_collaborative_filtering上获得。
2020-07-03 cs.IR cs.LG cs.SI
Cold Start Similar Artists Ranking with Gravity-Inspired Graph Autoencoders
Deezer Research(Deezer研究院);LIX, École Polytechnique(巴黎综合理工学院LIX实验室)
在艺术家的个人资料页面上,音乐流媒体服务经常推荐粉丝也喜欢的“类似艺术家”的排名列表。然而,实现这样的特征对于新艺术家来说是具有挑战性的,对于新艺术家,关于服务的使用数据(例如,流或喜欢)尚不可用。在本文中,我们模拟这个冷启动相似的艺术家排名问题作为一个链接预测任务,在有向和属性图,连接艺术家到他们的前k个最相似的邻居,并纳入侧音乐信息。然后,我们利用图自动编码器架构来学习来自该图的节点嵌入表示,并使用重力启发的机制自动对新艺术家的前k个最相似的邻居进行排名。我们经验表明,我们的框架的灵活性和有效性,通过解决现实世界的冷启动类似的艺术家在全球音乐流媒体服务的排名问题。除了本文,我们还公开了我们的源代码以及我们实验中的工业图数据。
2021-08-02 cs.IR cs.LG cs.SI
From Euclidean to Graph-Structured Data: A Survey of Collaborative Learning
School of Electrical Engineering and Computer Science(电气工程与计算机科学学院);Digital Futures(数字未来机构);KTH Royal Institute of Technology(瑞典皇家理工学院)
本综述针对协同学习从欧氏数据扩展至图结构数据的领域,梳理了基础原理、图分布分类与算法框架,明确了开放挑战与研究方向。
2026-09-04 cs.LG cs.MA cs.SI
Empirical Comparison of Graph Embeddings for Trust-Based Collaborative Filtering
Graz University of Technology(格拉茨技术大学);Know-Center GmbH(知识中心有限公司)
在这项工作中,我们研究的效用图嵌入生成潜在的用户表示基于信任的协同过滤。在冷启动设置中,在三个公开可用的数据集上,我们评估了来自四个方法家族的方法:(i)基于因子分解,(ii)基于随机游走,(iii)基于深度学习,以及(iv)大规模信息网络嵌入(LINE)方法。我们发现,在这四个家庭中,基于随机游走的方法始终达到最佳的准确性。此外,它们还产生了非常新颖和多样化的推荐。此外,我们的研究结果表明,使用图嵌入在基于信任的协同过滤显着提高用户覆盖率。
2021-02-01 cs.IR cs.LG cs.NE
Graph Enhanced Reinforcement Learning for Effective Group Formation in Collaborative Problem Solving
Monash University(莫纳什大学);University of Melbourne(墨尔本大学);Meta;Toby Tech Marketing(托比科技营销公司)
本研究提出一种结合图论与强化学习的新方法,通过构建参与者互动图并学习最优图结构,利用聚类形成有效小组,以提升协作效率并减少冲突,为团队建设与教育场景提供数据驱动方案。
2024-03-15 cs.CY cs.HC cs.LG