通过带跳跃的多维游走刻画有向与无向网络

通过边和节点采样估计网络中节点特征（标签）的分布，例如社交网络中用户的连接数或国籍，是复杂网络研究的重要组成部分。由于成本较低，基于随机游走（RW）的采样方法被提出作为解决此任务的一种有吸引力的方案。大多数随机游走方法要么假设网络是无向的，要么假设游走者可以无视方向遍历边。一些随机游走方法专为入边不可直接观测的有向网络而设计。在本工作中，我们提出了有向无偏边界采样（DUFS），这是一种基于大量协调游走者的采样方法，每个游走者从均匀随机选择的一个节点出发。该方法适用于入边不可见的有向网络，因为它实时构建了一个与游走者轨迹一致的无向图，并且由于使用了随机跳跃来防止游走者陷入困境。DUFS 推广了先前的随机游走方法，适用于无向网络以及无论入边可见性如何的有向网络。我们还提出了一种改进的节点标签分布估计器，它将初始游走者位置的信息与后续的随机游走观测相结合。我们评估了 DUFS，将其与其他随机游走方法进行比较，研究了其参数对估计精度的影响，并为参数选择提供了实用指南。在估计出度分布时，DUFS 对分布头部的估计显著优于其他方法，同时对尾部的估计精度达到或超过其他方法。最后，我们证明，在估计前 10% 最大度节点的节点标签分布时，即使均匀节点采样的成本与随机游走步数相同，DUFS 也优于均匀节点采样。