摇摆随机游走：大规模图中模体统计的快速准确挖掘
社会与信息网络
2017-06-16 v2
摘要
用于挖掘超大规模图（例如表示在线社交网络的图）以发现其中小图相对频率的算法，对社会学家、计算机科学家和营销人员同样具有高度吸引力。然而，通过朴素枚举计算这些网络模体统计要么因高昂计算成本要么因对完整图数据的访问限制而不可行。基于随机游走、仅通过采样大图中一小部分子图来估计模体统计的方法应对了这两大挑战。本文提出一种称为摇摆随机游走（WRW）的新算法，它估计任意大小模体的浓度。其名称源于它向左和向右轻微摇摆，从而也采样不在随机游走路径上的节点。WRW算法获得计算效率的方式是不试图枚举随机游走周围的子图，而是使用随机化协议来采样游走所访问节点邻域中的子图。此外，相比于当前最先进的子图统计挖掘算法，WRW实现了显著更高的准确率（以其估计值接近正确值的程度衡量）和更高的精密度（以其估计的低方差衡量）。我们利用代表真实网络的知名且广泛使用的数据集进行仿真，展示了这些在速度、准确率和精密度上的优势。
引用
@article{arxiv.1605.09776,
title = {Waddling Random Walk: Fast and Accurate Mining of Motif Statistics in Large Graphs},
author = {Guyue Han and Harish Sethu},
journal= {arXiv preprint arXiv:1605.09776},
year = {2017}
}