基于聚合函数的 Top-r 有影响力社区发现
社会与信息网络
2022-07-05 v1 数据库
摘要
社区搜索是在图中寻找满足特定拓扑约束（例如度约束）的内聚且连通子图的问题。大多数现有工作仅关注拓扑而忽略社区中节点的影响力。为弥补这一不足，进一步提出了有影响力社区搜索以纳入节点的影响力。在有影响力社区搜索问题中，每个节点有一个权重，即影响力值，用来表示其网络影响力。社区的影响力值由同一社区内节点影响力值通过聚合函数（例如 max、min、avg 和 sum）产生。有影响力社区搜索的目标是定位具有最高影响力值且满足拓扑约束的 top-r 社区。现有关于有影响力社区搜索的研究有几个局限：（i）它们仅关注简单的聚合函数如 min，这可能无法满足许多真实场景中的某些需求；（ii）它们对社区大小不加限制，而大多数真实场景是加限制的。这促使我们开展一项新研究以填补此空白。我们考虑在使用更复杂聚合函数（如 sum 或 avg）的同时，识别带/不带大小约束的 top-r 有影响力社区的问题。我们给出理论分析证明了问题的困难性，并为我们的 top-r 有影响力社区搜索问题提出了高效且有效的启发式解法。在真实大型图上的大量实验表明，我们提出的解决方案比基线方案显著更高效。
引用
@article{arxiv.2207.01029,
title = {Finding Top-r Influential Communities under Aggregation Functions},
author = {You Peng and Song Bian and Rui Li and Sibo Wang and Jeffrey Xu Yu},
journal= {arXiv preprint arXiv:2207.01029},
year = {2022}
}