流式边权重更新下的密集子图维护用于实时故事识别
数据库
2012-03-02 v1
摘要
近年来，社交媒体以前所未有的速度激增。全球各地的人们每天撰写数百万篇博客文章、社交网络状态更新等。这种丰富的信息流可用于持续识别新兴故事和吸引公众注意力的事件。故事可以通过紧密耦合的现实世界实体组来识别，即参与故事的人物、地点、产品等。所涉及数据的庞大规模和快速演变需要高效的技术来在每个时间点识别重要故事。实时故事识别的主要挑战是在流式边权重更新（由用户生成内容流产生）下维护密集子图（对应于紧密耦合的实体组）。这是第一个研究在这种流式边权重更新下高效维护密集子图的工作。对于多种密度定义，我们推导了关于单个边权重更新可能引起的变化幅度的理论结果。基于这些，我们提出了一种新颖算法DYNDENS，该算法优于现有技术在此设置下的改编版本，并产生有意义的结果。我们的方法通过对大规模真实和合成数据集的全面实验评估得到验证。
引用
@article{arxiv.1203.0060,
title = {Dense Subgraph Maintenance under Streaming Edge Weight Updates for Real-time Story Identification},
author = {Albert Angel and Nick Koudas and Nikos Sarkas and Divesh Srivastava},
journal= {arXiv preprint arXiv:1203.0060},
year = {2012}
}
备注
VLDB2012