大型动态图中基于边采样的三角形计数方法
社会与信息网络
2018-03-01 v2
摘要
传统的动态图框架仅依赖于处理从演化图中添加或删除的边流，而不利用任何额外的相关信息，例如与边关联的节点的度或邻居列表。在本文中，我们为动态图中的大图分析提出了一种新的边采样框架，该框架通过允许使用额外的相关信息来增强传统模型。为了展示该框架的优势，我们提出了一种名为边采样与丢弃（ESD）的新采样算法。该算法能生成三角形总数的无偏估计，并且可以响应边的添加和删除进行持续更新。我们从准确性和复杂度两个方面，对ESD与当前两种最先进算法的性能进行了比较分析。在真实图上进行的实验结果表明，借助采样边的邻域信息，我们算法所达到的准确性显著提高。我们还通过在多个Barabasi-Albert图上进行测试，刻画了图的性质对我们算法性能的影响。
引用
@article{arxiv.1706.04660,
title = {On Counting Triangles through Edge Sampling in Large Dynamic Graphs},
author = {Guyue Han and Harish Sethu},
journal= {arXiv preprint arXiv:1706.04660},
year = {2018}
}
备注
A short version of this article appeared in Proceedings of the 2017 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining (ASONAM 2017)