FORA: Simple and Effective Approximate Single-Source Personalized PageRank

这个大概是解决一个PageRank算法的一个问题，PageRank直接去迭代计算的话时间复杂度很难接受，因此产生了一些方法去模拟PageRank的结果

文章解决的问题是：计算前K大的PageRank值对应的个体（也许是这样翻译，反正是这个意思），比如网页跳转前K大的可能性

前置知识：有一些模拟PageRank算法，但是他们都存在一定缺陷：

1.Monte-Carlo：其实就是一个随机游走，能得到较准确得答案，但是步数要求大

2.BiPPR：起点和终点分别开始随机游走，然后拼起来，这是一个优化，但是最差情况下可能会退化成Monte-Carlo

3.HubPPR：基于BiPPR的索引结构，预先计算和存储一些关键节点的PPR值，从而在查询时快速返回结果

4.Forward Push 是一种早期的PPR计算方法，通过从源节点 s 开始，逐步将残差传播到其他节点，直到残差小于某个阈值 rmax

然后这篇文章的工作就是把这些东西合起来了，简单来说就是先用​Forward Push传播残差，然后再用Monte-Carlo去随机游走，在这个基础上如果预处理出来随机游走的节点的话，还能大大加速算法的运行时间

然后对于计算前K大，大概是给每个预计计算的值设置一个误差边界，当随机游走之后的值收敛到边界以内，就算出来一个在误差范围内的PageRank值

这个误差的定义有点像大数定律的感觉