Core Concepts
PPRの効率的な計算方法とその重要性について説明します。
Abstract
この記事は、大規模グラフ上でのノード間の近接性を測定する伝統的な指標であるPersonalized PageRank(PPR)に焦点を当てています。Googleの有名なPageRank中心性の直接的な変種であるPPRは、多くの分野で幅広く利用されており、最近ではさまざまなアルゴリズムが提案されています。本論文では、PPRの効率的な計算方法や最新のアルゴリズムについて包括的に調査し、その重要性を強調しています。また、動的グラフや並列/分散環境向けの最新のPPRアルゴリズムにも触れています。
Stats
PPR値πs(t)はα割引ランダムウォークからtで終了する確率を示す。
グラフ内で2.7億ノードを含む場合でも、PageRankとPPRの計算が困難であることが指摘されている。
Quotes
"Despite numerous studies devoted to PPR over the decades, efficient computation of PPR remains a challenging problem."
"Even in 2002, the graph could contain 2.7 billion nodes, and computing PageRank was consequently dubbed “The World’s Largest Matrix Computation”."