The main steps are depicted in Algo

The main steps are depicted in Algorithm 1. We start with an initial guess for ω, and compute the similarities for the candidate entities. Here fm, fc ,ft, and fω represent the similarity score vectors. We use matrix multiplication to calculate the similarities efficiently. In each iteration, we first normalize fω such that the entity scores sum up to 1. A random walk is performed to calculate the influence score rh
. Then we update ω using a batch gradient descent method on the top-k influencer entities. To derive the gradient of the loss function L, we first remark that our random walk Equation 6 is similar to context-sensitive PageRank (Haveliwala, 2002).
Using the linearity property (Fogaras et al., 2005),

Kết quả (Việt) 1:

Các bước chính được mô tả trong thuật toán 1. Chúng tôi bắt đầu với một đoán ban đầu cho ω, và tính toán điểm giống nhau cho các thực thể ứng cử viên. Ở đây fm, fc, m, và fω đại diện cho các vectơ được điểm tương tự. Chúng tôi sử dụng phép nhân ma trận để tính toán những điểm tương đồng hiệu quả. Trong mỗi lặp đi lặp lại, chúng tôi đầu tiên chuẩn hoá fω như vậy mà các điểm thực thể tổng hợp lên đến 1. Bộ ngẫu nhiên được thực hiện để tính toán rh được điểm ảnh hưởng. Sau đó, chúng tôi Cập Nhật ω bằng cách sử dụng một phương pháp gradient descent lô trên thực thể đầu-k influencer. Để lấy được gradien của chức năng mất L, chúng tôi lần đầu tiên nhận xét rằng chúng tôi ngẫu nhiên đi phương trình 6 là tương tự như context-sensitive PageRank (Haveliwala, 2002).Sử dụng tài sản linearity (Fogaras et al., 2005),

Kết quả (Việt) 2:

Các bước chính được miêu tả trong thuật toán 1. Chúng tôi bắt đầu với một dự đoán ban đầu cho ω, và tính tương đối với đối tượng thí sinh. Đây fm, fc, ft, và fω đại diện cho các vectơ số điểm tương đồng. Chúng tôi sử dụng phép nhân ma trận để tính toán sự tương đồng một cách hiệu quả. Trong mỗi lần lặp, đầu tiên chúng ta bình thường hóa fω như vậy mà điểm số thực thể tổng hợp để 1. Một bước đi ngẫu nhiên được thực hiện để tính toán rh điểm ảnh
hưởng. Sau đó, chúng tôi cập nhật ω bằng cách sử dụng một loạt phương pháp Gradient descent trên các thực thể có ảnh hưởng top-k. Để lấy được các gradient của hàm tổn thất L, đầu tiên chúng ta nhận xét ​​rằng bước đi ngẫu nhiên của chúng tôi Equation 6 là giống với bối cảnh nhạy cảm PageRank (Haveliwala, 2002).
Sử dụng các tài sản tuyến tính (Fogaras et al 2005.,),