当参与度遇上相似性：社交网络上的高效(k,r)-核计算
社会与信息网络
2016-11-11 v1 数据库
摘要
本文研究(k,r)-核问题，旨在从用户参与度和相似性两个角度在社交网络上寻找凝聚子图。特别地，我们采用流行的k核概念来保证用户（顶点）在群体（子图）中的参与度，其中(k,r)-核中的每个顶点至少连接到k个其他顶点。同时，我们还基于用户档案考虑用户间的两两相似性。对于给定的相似性度量和相似性阈值r，(k,r)-核中任意两个顶点间的相似性确保不小于r。提出高效算法来枚举所有极大(k,r)-核并找到最大(k,r)-核，这两个问题均被证明是NP难的。有效的剪枝技术显著减少了两种算法的搜索空间，而一种新颖的基于(k,k')-核的(k,r)-核大小上界提升了最大(k,r)-核计算的性能。我们还设计了有效的搜索顺序以适应两种挖掘算法的不同性质。在真实数据上的综合实验表明，极大/最大(k,r)-核使我们能够发现有趣的凝聚子图，且所提技术显著提升了两种挖掘算法的性能。
引用
@article{arxiv.1611.03254,
title = {When Engagement Meets Similarity: Efficient (k,r)-Core Computation on Social Networks},
author = {Fan Zhang and Ying Zhang and Lu Qin and Wenjie Zhang and Xuemin Lin},
journal= {arXiv preprint arXiv:1611.03254},
year = {2016}
}