用于研究网络中节点演化的可扩展位置分析

在社会网络分析中，位置概念背后的基本思想是发现具有相似结构特征的行动者。社会网络的位置分析涉及利用一种等价概念将行动者划分为不相交的集合，该概念捕捉了行动者之间的关系结构。经典的位置分析方法，如正则等价和均衡划分，在对行动者进行分组时过于严格，往往导致现实世界网络中行动者的划分变得平凡。图的 Epsilon 均衡划分（EEP）在精神上类似于随机块模型，是对结构等价概念的一种有用松弛，能够产生有意义的行动者划分。在本文中，我们提出并实现了一种基于 MapReduce 方法论的新型可扩展分布式算法，用于寻找图的 EEP。对随机幂律图的实证研究表明，我们的算法对于稀疏图具有高度可扩展性，从而使我们能够研究超大规模网络上的位置分析。我们还展示了该算法在 Facebook 和 Flickr 社交图随时间演化的快照上的结果。结果表明了位置分析在大型动态网络中的重要性。