FrogWild!——图引擎上的快速 PageRank 近似
分布式、并行与集群计算
2015-02-17 v1 信息论
社会与信息网络
math.IT
摘要
我们提出 FrogWild，一种用于快速近似高 PageRank 顶点的新算法，旨在降低运行传统 PageRank 算法的网络开销。我们的算法可被视为幂迭代的量化版本，其在有向图上执行多次并行随机游走。一个重要创新是，我们对 GraphLab 框架进行了修改，仅对镜像顶点进行部分同步。这种部分同步大幅减少了传统 PageRank 算法产生的网络流量，从而极大降低了 PageRank 的每次迭代成本。另一方面，这种部分同步也创建了用于估计 PageRank 的随机游走之间的依赖关系。我们主要的理论创新是对该部分同步过程引入的相关性的分析，以及一个确立我们的近似接近于真实 PageRank 向量的界。我们在 GraphLab 中实现了我们的算法，并与默认的 PageRank 实现进行比较。我们表明，我们的算法非常快，在 Twitter 图上每次迭代不到一秒，并且比标准 GraphLab PageRank 实现快至多 7 倍。
引用
@article{arxiv.1502.04281,
title = {FrogWild! -- Fast PageRank Approximations on Graph Engines},
author = {Ioannis Mitliagkas and Michael Borokhovich and Alexandros G. Dimakis and Constantine Caramanis},
journal= {arXiv preprint arXiv:1502.04281},
year = {2015}
}