[論文レビュー] Monte Carlo Methods for Top-k Personalized PageRank Lists and Name Disambiguation

Konstantin Avrachenkov, Nelly Litvak+3 more|arXiv (Cornell University)|Aug 23, 2010

Data Quality and Management参考文献 26被引用数 8

ひとこと要約

本稿では、多くの応用においてわずかな誤差を許容できる近似トップ-k結果が十分であるという洞察を活用し、モンテカルロに基づく手法を提案する。この手法は、1回のパワー反復の計算コストのたった1–5%で、トップ-kのパーソナライズドページランクリストを高精度に計算可能であり、名前の曖昧性解消に応用された。2010年WePSコンペティションで2位を獲得した。

ABSTRACT

We study a problem of quick detection of top-k Personalized PageRank lists. This problem has a number of important applications such as finding local cuts in large graphs, estimation of similarity distance and name disambiguation. In particular, we apply our results to construct efficient algorithms for the person name disambiguation problem. We argue that when finding top-k Personalized PageRank lists two observations are important. Firstly, it is crucial that we detect fast the top-k most important neighbours of a node, while the exact order in the top-k list as well as the exact values of PageRank are by far not so crucial. Secondly, a little number of wrong elements in top-k lists do not really degrade the quality of top-k lists, but it can lead to significant computational saving. Based on these two key observations we propose Monte Carlo methods for fast detection of top-k Personalized PageRank lists. We provide performance evaluation of the proposed methods and supply stopping criteria. Then, we apply the methods to the person name disambiguation problem. The developed algorithm for the person name disambiguation problem has achieved the second place in the WePS 2010 competition.

研究の動機と目的

• 大規模なグラフにおけるトップ-kパーソナライズドページランクリストを高速かつスケーラブルに計算する手法を開発すること。
• 名前曖昧性解消などの応用において、許容できる精度を維持しながら計算コストを低減すること。
• 現実世界の応用がトップ-kリストのわずかな誤差に耐えうることを活用し、性能向上を図ること。
• Web構造とコンテンツ特徴の両方を用いて、人物名の曖昧性解消問題にこの手法を適用すること。
• 伝統的なパワー反復法と比較して、局所的かつ近似的なページランク計算において、モンテカルロサンプリングの有効性を示すこと。

提案手法

• 前方リンクに限定してアクセスすることで、ストレージと事前計算の必要を減らすために、モンテカルロランダムウォークを用いてパーソナライズドページランク値を推定する。
• トップ-k推定の収束に基づく停止基準を適用し、正確さよりも速度を最優先する。
• トップ-kリストに少数の誤った要素が含まれても、応用の品質が低下しないように、緩和戦略を採用する。
• Web構造（パーソナライズドページランクからのトップ-k関連ページを介して）とコンテンツ特徴（tf-idfと投票）を組み合わせ、クラスタリングを行う。
• コンテンツと関連ページから導出されたプロファイルベクトルを用い、コサイン類似度に基づく平均リンク型階層的凝集型クラスタリング（HAC）を適用する。
• 関連ページにおける語の共起を活用して、人物ページ内の語のスコアを強化する再重み付けスキームを用いることで、ランダム語のノイズを低減する。

実験結果

リサーチクエスチョン

• RQ1 モンテカルロサンプリングは、トップ-kパーソナライズドページランクリストの計算コストを著しく削減しつつ、十分な精度を維持できるか？
• RQ2 わずかに誤った要素を含む緩和されたトップ-kリストは、名前曖昧性解消のような高品質な応用を支えるのにどの程度有効か？
• RQ3 局所的Web構造（パーソナライズドページランクを介して）とコンテンツ特徴を組み合わせることで、人物名曖昧性解消にどの程度有効か？
• RQ4 後退リンクの情報を欠如させても、前方リンクのみを用いたランダムウォークで意味のあるトップ-kリストが得られるか？
• RQ5 ハイブリッドな構造-コンテンツクラスタリングパイプラインにおいて、関連ページ数（k）とコンテンツ抽出戦略との間で最適なトレードオフは何か？

主な発見

• モンテカルロ法は、平均して2–3個の誤った要素しか含まないトップ10パーソナライズドページランクリストを計算するにあたり、1回のパワー反復の計算量のたった1–5%の演算量で実現した。
• WePS 2010コンペティションでF-0.5スコア0.71（PPR16）および0.70（PPR8）を記録し、2位を獲得した。これは非常に優れた性能を示している。
• k=8のときがk=16のときよりもわずかに優れた結果を示し、kが大きくなると収益の逓減が顕著に現れた。
• コンテンツ再重み付けスキームは、関連ページにおける共起を活用することで、トピック関連語を効果的に強調し、プロファイル品質を向上させた。
• Web構造クラスタリングとコサイン類似度を用いたコンテンツベースHACの組み合わせにより、グラフ知識が限られた状況下でも頑健な曖昧性解消結果が得られた。
• このアプローチにより、「80/20の法則」が実際の応用で裏付けられた：計算作業の20%で、結果品質の80%を達成できた。