通过在线重连社交网络实现更快的随机游走

许多在线社交网络具有受限的 Web 接口，仅允许通过该接口查询用户的局部邻域。为了通过此类受限 Web 接口对在线社交网络进行分析，近期的许多工作复用了现有的马尔可夫链蒙特卡洛（Markov Chain Monte Carlo）方法（如随机游走）来对社交网络进行采样，并基于采样结果支持分析。然而，这种方法的问题在于，随机游走到达期望的（平稳）采样分布通常需要大量的查询（即较长的“混合时间”）。在本文中，我们考虑了一个新问题：通过“在线重连（on-the-fly）”社交网络来实现更快的随机游走。具体而言，我们开发了修正拓扑（Modified TOpology, MTO）采样器，它仅利用受限 Web 接口所暴露的信息，在执行随机游走的同时构建社交网络的“虚拟”覆盖拓扑，并确保随机游走遵循修改后的覆盖拓扑而非原始拓扑。我们证明，MTO-Sampler 不仅可证明地提高了采样效率，而且在 Google Plus、Epinion 等真实世界的在线社交网络上显著节省了查询成本。