大数据下基于异步累积更新的高效P-Rank计算方法

• 作者: 李翠平 王旭丛 陈红
• 来源期刊: 软件学报
• 学科: 工学
• 关键词: 异步累积更新 大数据 相似度 P-Rank 大规模计算
• 年，卷（期）: 2014,（9）
• 所属期刊栏目: 大数据分析专刊
• 页码范围: 2136-2148
• 页数: 13页
• 分类号: TP311
• 字数: 9939字
• 语种: 中文
• DOI: 10.13328/j.cnki.jos.004637

摘要

P-Rank是SimRank的扩展形式,也是一种相似度度量方法,被用来计算网络中任意两个结点的相似性。不同于SimRank只考虑结点的入度信息,P-Rank还加入了结点的出度信息,从而更加客观准确地评价结点间的相似程度。随着大数据时代的到来,P-Rank需要处理的数据日益增大。使用MapReduce等分布式模型实现大规模P-Rank迭代计算的方法,本质上是一种同步迭代方法,不可避免地具有同步迭代方法的缺点：迭代时间(尤其是迭代过程中处理器等待的时间)长,计算速度慢,因此效率低下。为了解决这一问题,采用了一种迭代计算方法--异步累积更新算法。这个算法实现了异步计算,减少了计算过程处理器结点的等待时间,提高了计算速度,节省了时间开销。从异步的角度实现了P-Rank算法,将异步累积更新算法应用在了P-Rank上,并进行了对比实验。实验结果表明该算法有效地提高了计算收敛速度。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陈红	中国人民大学信息学院数据仓库与商务智能实验室	86	978	16.0	29.0
2	李翠平	中国人民大学信息学院数据仓库与商务智能实验室	20	297	8.0	17.0
3	王旭丛	中国人民大学信息学院计算机系	1	6	1.0	1.0