在二部图中结合顶点参与度与连接强度探索凝聚子图

我们提出一种新颖的凝聚子图模型，称为 $\tau$-增强的 $(\alpha,\beta)$-核（记为 $(\alpha,\beta)_{\tau}$-核），它首次在二部图上同时考虑了连接强度与顶点参与度。若一条边至少包含在 $\tau$ 个蝴蝶结构（$2\times2$-二部团）中，则其为一强连接。给定强度水平 $\tau$，$(\alpha,\beta)_{\tau}$-核要求上层或下层中的每个顶点分别至少具有 $\alpha$ 或 $\beta$ 条强连接。为最优地检索 $(\alpha,\beta)_{\tau}$-核的顶点，我们构建索引 $I_{\alpha,\beta,\tau}$ 以存储所有 $(\alpha,\beta)_{\tau}$-核。提出了有效的优化技术以改进索引构建。为使我们的思路在大规模图上可行，我们提出二维索引 $I_{\alpha,\beta}, I_{\beta,\tau}$ 和 $I_{\alpha,\tau}$，它们有选择地存储某些 $\alpha,\beta$ 和 $\tau$ 下 $(\alpha,\beta)_{\tau}$-核的顶点。这些二维索引更节省空间且构建时间更短，每一个都能支持 $(\alpha,\beta)_{\tau}$-核查询。由于查询效率依赖于输入参数和二维索引的选择，我们提出一种基于学习的混合计算范式，通过训练前馈神经网络来预测使查询时间最小的二维索引最优选择。大量实验表明：（1）$(\alpha,\beta)_{\tau}$-核是一种能捕捉独特且重要凝聚子图的有效模型；（2）所提技术显著提升了索引构建与查询处理的效率。