广度优先搜索和深度恒定重启随机行走的预期运行时间比较
原文中文，约1400字，阅读约需4分钟。
📝
内容提要
本文提出了一种基于随机游走的超图标签传播新方法，通过预期命中时间估计节点距离，并引入困惑随机游走以处理复杂超图。与DeepWalk相比，FRW在小目标数量时计算效率更高，且时间复杂度接近线性，优于DeepWalk。
🔎
延伸解读
方法核心：预期命中时间与困惑随机游走
文章将节点距离估计为随机游走的预期命中时间，并引入困惑随机游走来描述高度复杂的实际超图。这种基于随机游走的超图标签传播方法，为处理超图结构提供了一种新思路，其核心在于利用随机游走过程来量化节点间的距离，从而支持标签传播。
与DeepWalk的基准测试对比
文章将所提方法与DeepWalk进行了基准测试，结果显示在目标数量较小的情况下，FRW在运行时间上具有明显的计算优势。这表明FRW在小规模目标场景下可能比DeepWalk更高效，但文章未提及在大规模目标下的表现对比。
时间复杂度分析
文章分析了方法的时间复杂度，表明对于大型稀疏的超图，复杂度近似为线性，优于DeepWalk的替代方案。这一理论结果说明FRW在处理大型稀疏超图时具有潜在的可扩展性优势，但实际性能可能受具体实现和数据集影响。
❓
Q&A
什么是基于随机游走的超图标签传播新方法？
这是一种通过预期命中时间估计节点距离，并引入困惑随机游走来处理复杂超图的方法。
FRW与DeepWalk相比有什么优势？
在小目标数量时，FRW的计算效率更高，且时间复杂度接近线性，优于DeepWalk。
如何估计节点距离？
节点距离通过随机游走的预期命中时间进行估计。
困惑随机游走的作用是什么？
困惑随机游走用于更好地描述高度复杂的实际超图。
FRW的时间复杂度如何？
FRW的时间复杂度对于大型稀疏超图近似为线性。
这篇文章的主要贡献是什么？
文章提出了一种新型的基于随机游走的超图标签传播方法，并与DeepWalk进行了基准测试。
🏷️
