通过自适应子图提取与扩散实现可扩展且鲁棒的局部社区发现

局部社区发现，即识别一组与少量输入种子节点相关的邻近节点的问题，是一个重要的图原语，具有丰富的应用和研究活动。近期的方法包括使用局部谱信息、图扩散和随机游走从输入种子确定社区。随着网络增长到数十亿节点并展现出多样的结构，社区发现算法不仅需要高效，还必须对不同结构特征具有鲁棒性。为实现这一目标，我们探索了预处理技术和对现有局部方法的修改，旨在提高与社区发现相关算法的可扩展性和鲁棒性。实验表明，我们的修改提高了现有方法在定位真实社区方面的速度和质量，并且在大小、密度和直径各异的图和社区上更具鲁棒性。我们的子图提取方法使用自适应选择的 PageRank 参数，改进了 Li 等人提出的基于游走的预处理技术在提取子图以搜索社区前的召回率和运行时间。然后，我们利用该技术实现了 Mahoney 等人近期提出的 Local Fiedler 方法的首个可扩展实现。我们的实验评估显示，我们预处理版本的 Local Fiedler，以及我们对 Li 等人提出的 LEMON 社区发现框架的新颖简化，相较于其前身提供了显著的加速，并获得了与当前最优水平相竞争的聚类质量。