Engineering Wavelet Tree Implementations for Compressed Web Graph Representations
Notice bibliographique
Résumé
Summary form only given: We study compressed representations of web graphs. Among previous work, the solution by Hernandez and Navarro [1] supports more queries than alternative approaches, including in-neighbour queries, out-neighbour queries and a set of mining queries. Their main strategy is to extract dense subgraphs from the given graph, and encode them using succinct data structures such as wavelet trees. Previous experimental studies on wavelet trees, however, test performance using textual data, and more engineering work is needed for the data generated from web graphs.Our strategy is to use different implementations to encode bit vectors at different levels of the wavelet trees constructed for dense subgraphs, based on the observation that bit vectors at top levels are more compressible than the rest. These implementations are considered: RRR, practical implementations [2] of the structure by Raman et al. [3]; RLEG, a bit vector structure based on run-length and Elias gamma codes [4]; and Plain, an uncompressed representation with low overheads [5]. Two specific approaches are used to combine them: The first approach encodes bit vectors using RRR starting from the root of a wavelet tree, until a level for which Plain uses less space is reached. Then, starting from this level downwards, Plain is used to encode bit vectors. The second approach uses RLEG, RRR and Plain in a similar top-down fashion, and different tradeoffs can be achieved by using different block sizes for RLEG.We implemented these approaches with code from [1, 4] and the compact structures library libcds (http://recoded.cl/), to encode data sets from the WebGraph Framework project (http://webgraph.di.unimi.it/). We obtained a rich set of time/space tradeoffs that can not be achieved using a single bit vector structure for all levels. The following three tradeoffs are particularly interesting: A new encoding scheme that decreases the space cost of Hernandez and Navarro's structure by 9% to 19% (more than 13% for all but one graph), while only doubling query time; a new scheme that decreases the space cost by 4% to 12% (10% or more for most graphs), with roughly the same query time; and a new scheme that decreases the space cost and the query time by about 2% and 1%-9% (5% or more for most graphs), respectively.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».