A multi-class approach for ranking graph nodes: Models and experiments with incomplete data

این مقاله نیاز به رویکرد سیستماتیک برای مقابله با داده های چند پارامتر دارد. ما مدل ها و الگوریتم های رتبه بندی را پیشنهاد می کنیم که می توانند در شبکه های متنوع زیادی (اطلاعات کتابشناختی، داده های ثبت اختراعات، توییتر و داده های اجتماعی، داده های مراقبت های بهداشتی) مورد استفاده قرار گیرند. ما بر روی چندین جنبه که قبلا در ادبیات مطرح نشده تمرکز می کنیم: (1) ما مدل های مختلف برای رتبه بندی داده های چند پارامتر و یک کلاس از الگوریتم های عددی را برای محاسبه موثر امتیاز رتبه بندی چنین مدل ها پیشنهاد می کنیم؛ (2) ثبات و همگرایی طرح های عددی پیشنهادی و الگوریتم رتبه بندی سریع و پایدار را بدست آوریم؛ (3) استحکام مدل های ما زمانی که داده ها ناقص هستند، تحلیل می کنیم. مقایسه رتبه در داده های ناقص با رتبه در ساختار کامل نشان می دهد که مدل های ما محاسبه رتبه های سازگار است که همبستگی آن تا 60٪ زمانی که فقط 10٪ از لینک های ویژگی ها حفظ می شود.