在线社交网络采样：Metropolis-Hastings 随机游走与随机游走
社会与信息网络
2022-05-13 v1 统计方法学
摘要
随着社交网络分析（SNA）近年来备受关注，SNA 的一个瓶颈是这些网络数据过于庞大而难以处理。此外，由于隐私问题，部分网络数据无法访问。因此，我们必须开发采样方法，从总体图中抽取具有代表性的样本图。本文介绍了 Metropolis-Hastings 随机游走（MHRW）和带跳跃的随机游走（RWwJ）采样策略，包括节点收集过程、底层数学理论以及相应的估计量。我们将所提方法与已有研究成果进行比较，发现 MHRW 在估计度分布（比 RWwJ 误差低 61%）和图阶（比 RWwJ 误差低 0.69%）时表现更优，而 RWwJ 在估计相邻关系中的关注与粉丝比均值及互关比例时结果更好，比 MHRW 误差分别低 13% 和 6%。我们分析了产生上述结果的原因并给出了可能的未来工作方向。
引用
@article{arxiv.2205.05885,
title = {Sampling Online Social Networks: Metropolis Hastings Random Walk and Random Walk},
author = {Xiao Qi},
journal= {arXiv preprint arXiv:2205.05885},
year = {2022}
}