OLAK:An Efficient Algorithm to Prevent Unraveling in Social Networks论文笔记

关注

翻译最新推荐文章于 2021-12-29 08:12:05 发布 421 阅读 AI 写同款· GEO 优化 ›

图神经网络（二十六）Cluster-GCN: An Efficient Algorithm for Training Deep and Large Graph Convolutional Networ 本文收录于KDD2019，作者来自国立台湾大学。图卷积网络已经成功地应用于许多基于图数据的应用，然而，但对于大型GCN来说其训练仍然具有挑战性，目前基于SGD的算法要么面临着随GCN层数呈指数增长的高昂计算成本，要么面临着保存整个图形和每个节点的embedding到内存的巨大空间需求。本文作者提出了基于图聚类优化的图卷积神经网络（Cluster-GCN），使得图卷积神经网络计算效率能在时间空间收敛性等多方面得到较大的提升，让很多过去难以训练，难以部署的模型在大规模环境中得以应用。具体来说，Cluster-G 阅读详情

摘要：
作者在文中主要研究了k-core问题。给定一个图G，一个整数k和一个预算(budget)b，作者的目标是识别G中的b个顶点，这样就可以确定，诱导子图J，除了b个顶点外，至少有k个邻边。这个问题是由Bhawalkar和Kleinberg等人在社交网络用户参与的背景下提出的，在社交网络中，如果用户参与的好友少于k，那么他/她可能会离开某个社区。这个问题被证明是NP困难的，不可近似。提出了一种有界树宽图的多项式时间算法。然而，这种假设通常不适用于现实生活中的图形，而且它们的技术不能扩展到处理一般图形。
基于此，我们提出了一种有效的算法，即基于洋葱层的锚定k核算法(OLAK)，用于求解大规模图上的锚定k核问题。为了方便计算锚定k核，我们设计了一个洋葱层结构，它是由一个简单的洋葱削皮算法生成的，对图中的一小组顶点。结果表明，最佳锚点的计算可以简单地在洋葱层的顶点上进行，大大减少了搜索空间。
基于这种洋葱结构，作者为了计算更加快，对于有效的候选集、early termination以及修剪做了进一步研究。实验中在10个和现实相关的数据及上做了宽泛综合的实验，表明了作者所提出算法的有效性和高效性。

实验：
①文章主要和什么方法进行对比。为了比较算法的有效性，文章和5种算法进行比较，他们分别是Rand,Rand1,Rand2,Degree和Exact。
②实验数据集。实验中使用了生活中常见的十种数据集。
Yelp:
DBLP:
Others:

第一部分介绍
第二部分前言

2.1 问题定义
第三部分我们的方法（OUR APPROACH）
3.1 动机（Motivation）
3.2 Reducing # Candidate Anchors
3.3 Efficently Finding Followers
3.3.1 The Onion Layer Structure
3.3.2 Onion Layer based Follower Computation
3.4 The OLAK Algorithm
3.4.2 Upper Bound based Pruning
3.4.3 Combining the Elements
3.5 The setting for Different Vertex Costs
第四部分实验评估
4.1 实验环境设置
算法介绍、数据集准备、参数设置
4.2 有效性
4.2.1 贪心算法的有效性
4.2.2 案例研究
4.3 效率
4.3.1 Evaluation of Individual Techniques
4.3.2 Performance Evaluation
第五部分相关工作
第六部分总结
k-core问题是由Dediman在参考文献【23】中提到的图方面的重要问题。它应用在了社会蔓延、事件监测、网络分析、网络可视化、网络拓扑、密集子图问题、影响研究、图聚类、图的模型有效性、软件系统的结构分析和蛋白质功能预测方面。前人对其进行了广泛的研究，如B.Z.提出了一种限行时间内内存内的算法去计算图内的k-core；W.C.提出了I/O高效算法去计算K-core但是却不能满足一台机器的内存（耗内存）。因此作者的目的是提出一种算法去解决k-core内存计算问题，提出了一种内存解决方案，具体方法是可以通过将候选锚的核心数设为无穷大并插入其边缘来实现。（实验中的baseline2提到）。
社会网中的engagement dynamic得到了广泛的研究，在这个研究领域中，防止network unraveling的解决方法由Bhawalkar 和 Kleinberg 等人提出来，他们把这个问题看成是anchored k-core 问题。这是由于k-core的degeneration（退化）性质可以去量化实际社会网络中的engagement dynamics。unraveling process(土崩瓦解的过程）停止当remaining engaged individuals对应于社会网络中的k-core。可是，the anchored k-core 问题已经被证明为平面图上的NP-hard问题。在参考文献【7】中，提出了一个解决k-core的算法，但是它在实际社会网中不可用。本文时第一个提出解决the anchored k-core问题的、且在大型网络中可以用的实际可操作的算法。
第七部分致谢
第八部分参考文献
文中提到较为频繁的参考文献：
[7] K. Bhawalkar, J. Kleinberg, K. Lewi, T. Roughgarden, and A. Sharma. Preventing unraveling in social networks: the
anchored k-core problem. SIAM Journal on Discrete Mathematics, 29(3):1452–1475, 2015.

文章总结：

K-core算法于1983年提出，具体的含义是什么？
本文是否和其他的方法进行了对比？其中K-core算法是基于“多项式宽束度”提出的算法，是一种用于数据挖掘灵越的聚类算法，不是作者的原创方法。本文的主要思路是在自己提出的问题上一步一步的优化而展开的。所以没有具体的对比方法。
作者Xuanmin Lin 是数据库领域的以为牛人，他从事了多年的数据库研究领域的工作，可以查看的主页了解下他发的文章。