Pular para o conteúdo principal

Métricas de ranqueamento (grau de importância dos nós) em redes - Centrality Measures

PageRank

Premissas
Um link na web é um sinal de qualidade já o autor do link pensa que a página referenciada é de alta qualidade
O texto âncora descreve o conteúdo da página referenciada

PageRank = taxa de visita a longo prazo da página dê a probabilidade que um navegador aleatório tem de estar na página d em um dado momento

Esta métrica classifica os vértices de acordo com seu grau e a classificação dos vértices adjacentes a ele. Para obter um score alto utilizando esta métrica é necessário se relacionar com vértices de score alto e que estes vértices, por sua vez, também se relacionem com vértices de alto score.

Aplicação: Grafo de Citações
Medir a similaridade de dois artigos pelos artigos citados por ambos ou artigos em comuns citando ambos. Frequência de citação ponderada ou rank de citações é um exemplo do uso de Page Rank.  

Mais sobre PageRank em CS224W -> http://web.stanford.edu/class/cs224w/slides/04-pagerank.pdf e no vídeo -> https://youtu.be/TU0ankRcHmo

Hub e Authority

As métricas Hub e Authority são interdependentes. Para cada vértice i, o coeficiente de Hub é obtido realizando-se a soma do score Authority dos vértices que o vértice i aponta. De forma similar, o coeficiente de Authority de um vértice j é obtido realizando-se a soma dos scores Hub dos vértices que apontam para o vértice j.

HITS – Hyperlink-Induced Topic Search

Dois tipos de relevância na web
Tipo 1: Hubs. Uma página hub é uma boa lista de [links para páginas adequadas à necessidade de informação].
Exemplo: Para a consulta [chicago bulls]: a lista do Bob de fontes recomendadas sobre o time Chicago Bulls
Tipo 2: Autoridades. Uma página de autoridade é uma resposta direta à necessidade de informação
Exemplo: A home page do Chicago Bulls

Por definição links para páginas de autoridade ocorrem nas páginas hubs e a maior parte das abordagens para busca (incluindo o ranking PageRank) não fazem distinção dos dois tipos de relevância.

Uma boa página hub para um tópico linka para muitas páginas de autoridade para aquele tópico
Uma boa página de autoridade para um tópico é linkado por muitas páginas hub para aquele tópico

J. M. Kleinberg, “Hubs, authorities, and communities,”ACM ComputingSurveys, vol. 31, no. 4, p. 5, 1999

http://www.facom.ufu.br/~albertini/1sem2013/ori/slides/21link-leitura.pdf

 

 

Marcadores:

Comentários

Postar um comentário

Sinta-se a vontade para comentar. Críticas construtivas são sempre bem vindas.

Postagens mais visitadas deste blog

Connected Papers: Uma abordagem alternativa para revisão da literatura

Durante um projeto de pesquisa podemos encontrar um artigo que nos identificamos em termos de problema de pesquisa e também de solução. Então surge a vontade de saber como essa área de pesquisa se desenvolveu até chegar a esse ponto ou quais desdobramentos ocorreram a partir dessa solução proposta para identificar o estado da arte nesse tema. Podemos seguir duas abordagens:  realizar uma revisão sistemática usando palavras chaves que melhor caracterizam o tema em bibliotecas digitais de referência para encontrar artigos relacionados ou realizar snowballing ancorado nesse artigo que identificamos previamente, explorando os artigos citados (backward) ou os artigos que o citam (forward)  Mas a ferramenta Connected Papers propõe uma abordagem alternativa para essa busca. O problema inicial é dado um artigo de interesse, precisamos encontrar outros artigos relacionados de "certa forma". Find different methods and approaches to the same subject Track down the state of the art rese...
3 comentários
Leia mais

Aprendizado de Máquina Relacional

 Extraído de -> https://www.lncc.br/~ziviani/papers/Texto-MC1-SBBD2019.pdf   Aprendizado de máquina relacional (AMR) destina-se à criação de modelos estatísticos para dados relacionais (seria o mesmo que dados conectados) , isto é, dados cuja a informação relacional é tão ou mais impor tante que a informação individual (atributos) de cada elemento.    Essa classe de aprendizado tem sido utilizada em diversas aplicações, por exemplo, na extração de informação de dados não estruturados [Zhang et al. 2016] e na modelagem de linguagem natural [Vu et al. 2018].   A adoção de técnicas de aprendizado de máquina relacional em tarefas de comple mentação de grafo de conhecimento se baseia na premissa de existência de regularidades semânticas presentes no mesmo . Modelos grafos probabilísticos  Baseada em regras / heurísticas que não podem garantir 100% de precisão no resultado da inferência mas os resultados podem ser explicados. Modelos de características de ...
Postar um comentário
Leia mais

Knowledge Graph Embedding with Triple Context - Leitura de Abstract

  Jun Shi, Huan Gao, Guilin Qi, and Zhangquan Zhou. 2017. Knowledge Graph Embedding with Triple Context. In Proceedings of the 2017 ACM on Conference on Information and Knowledge Management (CIKM '17). Association for Computing Machinery, New York, NY, USA, 2299–2302. https://doi.org/10.1145/3132847.3133119 ABSTRACT Knowledge graph embedding, which aims to represent entities and relations in vector spaces, has shown outstanding performance on a few knowledge graph completion tasks. Most existing methods are based on the assumption that a knowledge graph is a set of separate triples, ignoring rich graph features, i.e., structural information in the graph. In this paper, we take advantages of structures in knowledge graphs, especially local structures around a triple, which we refer to as triple context. We then propose a Triple-Context-based knowledge Embedding model (TCE). For each triple, two kinds of structure information are considered as its context in the graph; one is the out...
Postar um comentário
Leia mais