Graph-Skeleton：约 1% 的节点足以表示十亿级图

由于网络上图数据的普遍存在，网络图挖掘已成为研究热点。然而，实际应用中大规模网络图的普及给存储、计算能力和图模型设计带来了重大挑战。尽管有许多研究旨在提高图模型的可扩展性，但学术研究与实际网络图挖掘应用之间仍存在明显差距。一个主要原因是，在大多数工业场景中，只需要分析网络图中的一小部分节点，我们将这些节点称为目标节点，而将其余节点称为背景节点。在本文中，我们认为适当地获取并压缩海量网络图数据中的背景节点，可能是从根本上解决这些障碍的更经济捷径。为此，我们首次尝试研究针对目标节点分类的大规模背景节点压缩问题。通过大量实验，我们揭示了背景节点在目标节点分类中扮演的两个关键角色：增强目标节点之间的结构连通性，以及与目标节点的特征相关性。在此基础上，我们提出了一种新颖的 Graph-Skeleton 模型，该模型适当地获取背景节点，并进一步压缩相似目标 - 背景局部结构中背景节点的语义和拓扑信息。在各种网络图数据集上的大量实验证明了所提方法的有效性和效率。特别是对于拥有 2.4 亿节点的 MAG240M 数据集，我们生成的骨架图仅包含原始图 1.8% 的节点，却实现了高度可比的表现。