Core Concepts
Die Arbeit präsentiert optimale Algorithmen und Komplexitätsschranken für die lokale Berechnung von PageRank-Beiträgen und Einzelknoten-PageRank.
Abstract
Die Arbeit befasst sich mit der effizienten Berechnung und Analyse von PageRank-Beiträgen und Einzelknoten-PageRank in gerichteten Graphen.
Kernpunkte:
- Neue, einfache Komplexitätsanalyse des ApproxContributions-Algorithmus zur Berechnung von PageRank-Beiträgen. Der Algorithmus ist optimal bis auf polylogarithmische Faktoren.
- Obere und untere Schranken für die Komplexität des Findens der δ-beitragenden Knotenmenge eines Zielknotens. Die einfache ApproxContributions-Methode ist hierbei bereits optimal.
- Verbesserung der besten bekannten oberen Schranke für die Schätzung des Einzelknoten-PageRank auf O(n^{1/2} · min(Δ_in^{1/2}, Δ_out^{1/2}, m^{1/4})) durch Kombination von ApproxContributions und Monte-Carlo-Simulation.
- Matching untere Schranken für die Schätzung des Einzelknoten-PageRank, die die Lücke zwischen bekannten oberen und unteren Schranken schließen.
- Die Techniken und Analysen sind überraschend einfach und zeigen, dass die komplexen Methoden früherer Arbeiten nicht notwendig sind.
Stats
Die Komplexität von ApproxContributions(t, α, ε) ist O(nπ(t)/ε · min(Δ_in, Δ_out, √m)).
Die Komplexität des Findens der δ-beitragenden Knotenmenge von t ist O(min(Δ_in/δ, Δ_out/δ, √m/δ, m)).
Die Komplexität der (1±c)-Schätzung von π(t) mit Wahrscheinlichkeit mindestens (1-p_f) ist O(n^{1/2} · min(Δ_in^{1/2}, Δ_out^{1/2}, m^{1/4})).
Quotes
"Die Techniken und Analysen für alle unsere Ergebnisse sind erstaunlich einfach."
"Unsere Algorithmen und Analysen für die Schätzung des Einzelknoten-PageRank sind beide dramatisch einfacher als die in [BPP18, BPP23]."