基于带间接跳跃随机游走的在线社交网络采样

基于随机游走的采样方法在刻画大型网络方面正变得日益流行和重要。尽管强大，但当图连接疏松时，它们会遭受缓慢混合问题，导致估计精度差。带跳跃的随机游走（RWwJ）可以解决缓慢混合问题，但如果图不支持均匀顶点采样（UNI），则不适用。在这项工作中，我们开发了无需 UNI 即可高效采样图的方法，同时仍享有与 RWwJ 类似的益处。我们观察到许多被研究的目标图（称为目标图）并非孤立存在。在许多情况下，目标图与一个辅助图和一个二部图相关联，它们共同构成连接更好的{\em 双层网络结构}。这一新视角为图采样带来了额外好处：如果直接采样目标图困难，我们可以借助其他两个图间接采样它。我们提出了一系列利用这种双层网络结构来估计目标图特征的新图采样技术。在合成和真实世界网络上的实验证明了这些新技术的有效性和实用性。