![RankCompete:
Simultaneous ranking and clustering
of information networks
[Neurocomputing (2012)]
Liangliang Caod, Xin Jinb, Zhijun Yinb , AndreyDel Pozoa,
Jiebo Luoc, Jiawei Hanb, Thomas S.Huangaa
aBeckman Institute and Coordinated Science Laboratory, University of Illinois at Urbana-Champaign, USA
bDepartment of Computer Science, University of Illinois at Urbana-Champaign, USA
cKodak Research Laboratories, Rochester, USA
dIBM T. J. Watson Research Center, USA
筑波大学 大学院 システム情報工学研究科
北川・天笠 データ工学研究室
山崎 耕太郎
1
Paper Introduction](https://image.slidesharecdn.com/forslideshare-190414074558/85/Paper-Introduction-RankCompete-Simultaneous-ranking-and-clustering-of-information-networks-1-320.jpg)
![関連研究: RankClus [Sun et al., EDBT’09]
7
VLDBI
PODSI
SIGIR
ECIR
JCDL
SIGMOD VLDBI
SIGMOD
SIGIR PODS
ECIR
JCDL
クラスタ数 2
クラスタリング
ランキング
学会
1 SIGMOD
2 VLDB
3 SIGIR
学会
1 ECIR
2 JCDL
3 PODS
学会
1 SIGMOD
2 VLDB
3 PODS
学会
1 SIGIR
2 JCDL
3 ECIR
収束ランキング関数
VLDBI
SIGMOD
PODS
ECIR
JCDL
SIGIR
• 目的
- グラフに対してランキングとクラスタリングを同時に行う
• アプローチ
- K個の初期クラスタを与え、クラスタに対する各K次元のランキング
を行う。そして新たな特徴ベクトルを作りクラスタリングを行う。](https://image.slidesharecdn.com/forslideshare-190414074558/85/Paper-Introduction-RankCompete-Simultaneous-ranking-and-clustering-of-information-networks-7-320.jpg)
Paper Introduction "RankCompete: Simultaneous ranking and clustering of information networks"
- 1. RankCompete: Simultaneous ranking and clustering of information networks [Neurocomputing (2012)] Liangliang Caod, Xin Jinb, Zhijun Yinb , AndreyDel Pozoa, Jiebo Luoc, Jiawei Hanb, Thomas S.Huangaa aBeckman Institute and Coordinated Science Laboratory, University of Illinois at Urbana-Champaign, USA bDepartment of Computer Science, University of Illinois at Urbana-Champaign, USA cKodak Research Laboratories, Rochester, USA dIBM T. J. Watson Research Center, USA 筑波大学 大学院 システム情報工学研究科 北川・天笠 データ工学研究室 山崎 耕太郎 1 Paper Introduction
- 2. 目次 • 背景 • 提案手法 • 実験 - 書誌ネットワークに対する実験 - 視覚情報ネットワークに対する実験 • 結論 2
- 3. グラフ 3 ノード（頂点）とエッジ（辺）で構成される代表的なデータ構造の一つ 例 ) 学会-著者ネットワーク 著者学会 論文を 出版したor された 共著関係
- 4. クラスタリングとランキング VLDBI PODSI SIGIR ECIR JCDL SIGMOD ICDT EDBT ECDL TREC 学会 著者 VLDBI PODSI SIGIR ECIR JCDL SIGMOD ICDT EDBT ECDL TREC SIGMOD VLDBI EDBT SIGIR PODSI TREC ECIR ICDT JCDL ECDL 1 2 3 4 5 6 7 8 9 10 ランキング クラスタリング 4
- 5. 5 𝑇 = 1 2 1 4 0 1 2 1 2 1 2 0 1 4 1 2 , 𝑝 = 1 2 , 1 2 , 0 𝑇 𝑝 = 1,0,0 𝑇 𝟏 𝟐 𝟏 𝟐 ① ② ③ ページの重要性をランダムウォーカー𝒑によって反復的に更新 関連研究：PageRank T … 遷移行列
- 6. ページの重要性をランダムウォーカー𝒑によって反復的に更新 関連研究：PageRank 6 𝑇 = 1 2 1 4 0 1 2 1 2 1 2 0 1 4 1 2 , 𝑝 = 3 8 , 1 2 , 1 8 𝑇 𝟏 𝟒 𝟏 𝟒 𝟏 𝟐 𝟏 𝟐 𝟏 𝟐 𝑝 = 1 2 , 1 2 , 0 𝑇 𝑝 = 1,0,0 𝑇 ① ② ③ T … 遷移行列
- 7. 関連研究: RankClus [Sun et al., EDBT’09] 7 VLDBI PODSI SIGIR ECIR JCDL SIGMOD VLDBI SIGMOD SIGIR PODS ECIR JCDL クラスタ数 2 クラスタリング ランキング 学会 1 SIGMOD 2 VLDB 3 SIGIR 学会 1 ECIR 2 JCDL 3 PODS 学会 1 SIGMOD 2 VLDB 3 PODS 学会 1 SIGIR 2 JCDL 3 ECIR 収束ランキング関数 VLDBI SIGMOD PODS ECIR JCDL SIGIR • 目的 - グラフに対してランキングとクラスタリングを同時に行う • アプローチ - K個の初期クラスタを与え、クラスタに対する各K次元のランキング を行う。そして新たな特徴ベクトルを作りクラスタリングを行う。
- 8. 提案手法: RankCompete VLDBI PODSI SIGIR ECIR JCDL SIGMOD • 目的 - グラフに対してランキングとクラスタリングを同時に行う • アプローチ - グラフ内で複数のランダムウォーカーを用いてランキング、 クラスタリングに利用する
- 9. 提案手法: Rankcompete 9 VLDBI PODSI SIGIR ECIR JCDL SIGMOD VLDBI PODSI SIGIR ECIR JCDL SIGMOD VLDBI PODSI SIGIR ECIR JCDL SIGMOD • 目的 - グラフに対してランキングとクラスタリングを同時に行う • アプローチ - グラフ内で複数のランダムウォーカーを用いてランキング、 クラスタリングに利用する
- 10. 目次 • 背景 • 提案手法 • 実験 - 書誌ネットワークに対する実験 - 視覚情報ネットワークに対する実験 • 結論 10
- 11. 問題設定: Information Network Subject Type Attribute Type 学会-著者ネットワーク 学会 著者、論文タイトル、キーワード 視覚情報ネットワーク 画像 ローカルパッチ、タグ、メタデータ Subject TypeとAttribute Typeのノードを持つグラフ Subject typeノードに対してランキング、クラスタリングを行う 例） 11
- 12. 問題設定: ランダムウォークスコア • ランダムウォークスコア: 𝒑 𝒌 𝒖 K番目のランダムウォーカーがノードuに遷移する確率。 ただし 𝒖=𝟏 𝑵 𝒑 𝒌 𝒖 = 𝟏 • スコア更新式 • ただし𝐓(𝐮, 𝐯) = 𝐒 𝐮,𝐯 𝒗′ 𝑺(𝒖,𝒗′) 12 𝑇 = 1 2 1 4 0 1 2 1 2 1 3 0 1 4 2 3 𝑝1 = 1,0,0 𝑇 𝑝2 = 0,0,1 𝑇 𝑝1 = 1 2 , 1 2 , 0 𝑇 𝑝2 = 0, 1 3 , 2 3 𝑇 Compet e 𝟏 𝟐 𝟏 𝟐 𝟐 𝟑 𝟏 𝟑
- 13. 問題設定: Competing ランダムウォークスコア: {𝒑 𝒌} 𝟏 ≤ 𝒌 ≤ 𝑲 について 以下の制約を満たす 13 𝑝1 = 1,0,0 𝑇 𝑝2 = 0,0,1 𝑇 𝑝1 = 1 2 , 1 2 , 0 𝑇 𝑝2 = 0, 1 3 , 2 3 𝑇 Compet e 𝟏 𝟐 𝟏 𝟐 𝟐 𝟑 𝟏 𝟑 𝒑 𝒌 𝒖 = 𝟎 𝒊𝒇 𝒌 ≠ 𝒂𝒓𝒈 𝒎𝒂𝒙 𝒌 𝒑 𝒌(𝒖) 𝟏 𝟐 𝟏 𝟐 𝟐 𝟑 0 𝑝1 = 1 2 , 1 2 , 0 𝑇 𝑝2 = 0, 𝟎, 2 3 𝑇
- 14. • 目的 - グラフに対してランキングとクラスタリングを同時に行う • アプローチ - グラフ内で複数のランダムウォーカーを用いてランキング、 クラスタリングに利用する RankCompete 14
- 15. 提案手法: 概要 Competing step 収束判定 初期化 Walking step 初期ノードの選択 ランダムウォーク 競合の処理 反復 or 収束 15
- 16. 入力と出力 Competing step 収束判定 OUTPUT: 初期化 Walking step INPUT： クラスタ数K 𝒑 ∈ ℝ 𝑵∗𝑲 , ランダムウォークスコアとクラスタインデックス 16
- 17. 初期化 • K個のsubject nodesの選択 ランダムウォーカーの出発点 初期スコアは1とする Competing step 収束判定 OUTPUT 初期化 Walking step INPUT 17
- 18. Walking Step スコアベクトル 𝒑 𝒌 の更新 Competing step 収束判定 OUTPUT 初期化 Walking step INPUT 18
- 19. Competing Step • 競合の処理 • 正規化 Competing step 収束判定 OUTPUT 初期化 Walking step INPUT 19
- 21. 目次 • 背景 • 提案手法 • 実験 - 書誌ネットワークに対する実験 - 視覚情報ネットワークに対する実験 • 結論 21
- 22. 書誌ネットワークに対する実験 • データセット - 書誌データ: DBLP, Cora • 比較手法 - Normalized cut(NC) - NetPLSA - RankClus - iTopicModel • クラスタリング評価指標 - NMI（ Normalized Mutual Information） 22
- 23. 書誌データ • データセット - DBLP - Cora Type Subject Attribute ノード 学会 著者 ノード数 20 28,702 備考 4つの分野(DM,DB,ML,IR)に関連する学会 Subjectタイプのいずれかの学会に論 文を出した著者 Type Subject Attribute ノード クラスラベル 論文とその引用リスト ノード数 70 19,396 備考 論文間で引用関係があればエッジを張 る 23
- 26. ランキング結果 • 対象データ - DBLPデータ • 比較手法 - PageRank 26
- 27. 視覚情報ネットワークに対する実験 • データセット - Kodak consumer データセット 17のフォトコレクションと1,394のフォト • 比較手法 - Normalized Cut (NC) - Spectral clustering (SC) • 評価指標 - NMI Ground truthはフォトを撮った人が設定 27
- 28. クラスタリング精度 28 • 対象データセット • Kodak consumer データセット • 比較手法 • Normalized cut • Spectral clustering
- 29. 実験結果 29 代表画像クラスタ
- 30. 目次 • 背景 • 提案手法 • 実験 - 書誌ネットワークに対する実験 - 視覚情報ネットワークに対する実験 • 結論 30
- 31. 結論 • RankCompete - 情報ネットワークに対して複数のランダムウォー カーを用いることでランキングとクラスタリングを 同時に行うことを実現した。 • 実験結果 - 書誌ネットワーク、視覚情報ネットワークに対して 実験を行い有効であることを確認した • 今後の課題 - より大きなネットワークに対する適用を可能にする 31
Editor's Notes
- #2: WWW10にポスター発表されたもの 2012にジャーナル
- #4: グラフ構造として表されます。
- #5: rankingu 例わるい
- #8: このような問題を解決する手法に RankClusがあります RankCLusグラフデータに対してランキング、クラスタチングを組み合わせた手法です 実際に先程のネットワークに対しRankClusを適用する例を考えます。 このようにグラフで表現される時、クラスタリング、ランキングを繰り返し処理を行います。 例えばこの図のクラスタのようにDB学会の中にIR学会が混ざっているクラスタがあった時、ランキング結果はクラスタの分野でない学会に対しては低くなってしまいます。 RankClusではこのランキング結果を用いよりノードが正しいクラスタに高いランク値を持つ良いクラスタになるように学会を再びクラスタリングし、そしてそのクラスタリング結果を基によりよいランキングを導出します。 クラスタが収束するまでこの反復処理を行い、結果としてRankClusはノード自動的に正しいクラスタで適切なランキングを得られます。 ＝＝＝ どれくらいクリアに説明できるか おかしな問題、つながりがカタコト なにを最適化してえいるかわからない。 どうやってランキング計算してる ランククラスの有用性 目的ゴールを明示的に
- #12: パッチ対象画像を部分的に切り出したもののこと。
- #13: 図必須 突っ込まれそう
- #14: 図必須 突っ込まれそう
- #15: 複数のランダム・ウォーカーだけでクラスタリングとランキング 遷移確率？が なんでうまい具合でランキングクラスタリングが実現できるか。
- #19: 数うめる
- #21: Tが重要 インダイレクトな確率行列
- #28: Kodak Dataset http://www.ifp.illinois.edu/~cao4/papers/MM08_propagation.pdf shift特徴量