odeN:大规模时序网络中多种子图计数模式的同步近似

统计称为时序模体(temporal motifs)的小连通子图的出现次数,已成为时序网络分析的基本原语,其时序网络的边带有其所表示事件的时间标注。研究时序模体的主要难点之一在于,即便使用有限顶点或边,也可构造出大量模体。因此,由于在诸多应用中模体被用于探索性分析,用户需要迭代地选择并分析代表网络不同方面的多个模体,导致过程低效且耗时。在大型网络中这一问题更为严重,因为即便分析单个模体也计算代价高昂。作为解决方案,本文提出并研究了同步计数多种时序模体出现次数的问题,这些模体均对应于相同的(静态)拓扑(如三角形)。鉴于在大型时序网络中计算精确计数不可行,我们提出odeN,一种基于采样的算法,可对所有模体的计数提供准确近似。我们给出了odeN所需样本数的解析界,以计算严格的概率相对近似。我们广泛的实验评估表明,odeN能在当前最优方法所需时间的极小一部分内完成时序网络模体计数的近似,且比此类方法报告更精确的近似。