联结纽带：基于属性与社交关系的类别刻画

给定一组已知来自不同类别的带属性子图，我们如何发现它们的差异？在许多情况下，子图集合可能相互对比。例如，它们可能被赋予真实标签（垃圾/非垃圾），或者可能希望直接比较不同物种的生物网络或不同化合物的网络。本文引入刻画属于不同类别的带属性子图之间差异的问题。我们将此刻画问题定义为将属性划分为与类别数相同数量的组，同时最大化所有给定子图的总属性质量分数。我们证明我们的属性到类别分配问题是NP难的，并且存在一个最优的$(1 - 1/e)$-近似算法。我们还提出了两种不同的更快启发式算法，其在属性和子图数量上呈线性时间。与之前仅考虑属性进行刻画的工作不同，这里我们同时利用属性与社会关系（即图结构）。通过大量实验，我们比较了提出的算法，展示了在Amazon共同购买、国会法案赞助和DBLP共同作者数据集上符合人类直觉的发现。我们还表明，我们刻画子图的方法比判别分类方法更适合意义建构。