社交网络的结构保持稀疏化方法
社会与信息网络
2016-01-05 v1 分布式、并行与集群计算
物理与社会
摘要
稀疏化在保持感兴趣的结构和统计属性的同时减小网络规模。在不同的背景下已提出了各种稀疏化算法。我们贡献了首个对 \textit{edge sparsification} 方法在多种网络属性上的系统性概念与实验比较。研究表明，它们可被理解为按重要性对边评分，然后依据这些分数进行全局或局部过滤的方法。我们展示了应用局部过滤技术改善了各类属性的保持。此外，我们提出了一种新的稀疏化方法（\textit{Local Degree}），其保留通向局部枢纽节点的边。所有方法在来自 Facebook、Google+、Twitter 和 LiveJournal 的一组社交网络上针对包括直径、连通分量、社区结构、多种节点中心性度量以及传染病模拟行为等网络属性进行了评估。为了评估社区结构的保持，我们还包括了在具有真实社区的合成生成网络上的实验。使用我们实现的稀疏化方法（包含在开源网络分析工具套件 NetworKit 中）进行的实验表明，对于具有合理密度的稀疏图，许多网络属性可以保持到原始边集的大约 20\% 。实验结果使我们能够区分不同方法的行为，并展示哪种方法适合于哪种属性。虽然我们的 Local Degree 方法最适于保持连通性和短距离，但其他新引入的局部变体最适于保持社区结构。
引用
@article{arxiv.1601.00286,
title = {Structure-Preserving Sparsification Methods for Social Networks},
author = {Michael Hamann and Gerd Lindner and Henning Meyerhenke and Christian L. Staudt and Dorothea Wagner},
journal= {arXiv preprint arXiv:1601.00286},
year = {2016}
}