具有聚类特性的大规模社交网络快速生成

社交网络文献中的一个关键挑战是网络生成问题——即如何创建能够匹配大多数现实世界网络传统特征的合成网络？社交网络中存在的重要特征包括幂律度分布、小直径和大量的聚类；然而，大多数当前的网络生成器（如 Chung Lu 和 Kronecker 模型）在很大程度上忽略了图中的聚类，而选择专注于保留其他网络统计量，如幂律分布。像指数随机图模型这样的模型虽然具有传递性参数，但在计算上难以学习，使得扩展到大型现实世界网络变得不可行。在这项工作中，我们提出了对 Chung Lu 随机图模型的扩展，即传递性 Chung Lu (TCL) 模型，该模型引入了随机传递边的概念。也就是说，它以一定的概率选择连接到恰好两跳之外的节点，即被介绍给“朋友的朋友”。在所有其他情况下，它将遵循标准的 Chung Lu 模型，根据给定的不变分布从图中的任何位置选择一个“随机冲浪者”。我们证明了 TCL 的期望度分布等于原始图的度分布，同时能够捕捉网络中存在的聚类。我们的模型所需的单个参数可以在几秒钟内从具有数百万条边的图中学习出来，而网络的生成时间与边数呈线性关系。我们在四个现实世界的社交网络上展示了 TCL 的性能，其中包括一个拥有数十万个节点和数百万条边的电子邮件数据集，结果表明 TCL 生成的图在度分布、聚类系数和跳数图方面与原始网络相匹配。