SLUGGER：大规模图的无损层次化摘要方法

给定一个大规模图，我们如何利用其层次结构来简洁而精确地摘要该图？通过利用该结构，我们能否比最先进的图摘要方法获得更好的压缩率？Web 的爆炸式增长加速了大型图（如在线社交网络和超链接网络）的出现。因此，图压缩变得越来越重要，以便在不产生昂贵网络或磁盘 I/O 的情况下处理此类大图。在众多方法中，图摘要（其本质是将相似节点合并为超级节点并简洁地描述其连通性）凭借若干优势脱颖而出。然而，我们注意到，由于其底层表示模型强制超级节点互不相交，它未能利用真实世界图中普遍存在的层次结构。在本文中，我们提出层次化图摘要模型，这是一种富有表达力的图表示模型，将 Navlakha 等人先前提出的模型作为特例包含在内。新模型通过层次化超级节点之间的正边和负边来表示无权图，其中每个超级节点可包含其他节点。然后，我们提出 Slugger，一种可扩展的启发式方法，用于在我们的新模型下简洁且精确地表示给定图。Slugger 贪心地合并节点为超级节点，同时维护并利用其层次结构，随后对该层次结构进行剪枝。Slugger 通过采样、近似和记忆化显著加速了这一过程。我们在 16 个真实世界图上的实验表明，Slugger 具有：(a) 有效性：比最先进的无损摘要方法产生多达 29.6% 更简洁的摘要；(b) 快速性：在数小时内摘要具有 8 亿条边的图；(c) 可扩展性：随输入图的边数线性扩展。