Finding Tenuous Groups in Social Networks - 2018

概述

这是18年关于社区稀疏子图的一篇文章。文章指出，以k-line作为核心的指标，提出了KMLA算法来衡量图的稀疏程度。文章与MKTG¹的方法进行对比（见之前分享过的文章On Finding Socially Tenuous Groups for Online Social Networks），认为本文提出的方法，在某些场景上找到更好的稀疏子图，同时有着更好的效率。

1）结果的稀疏程度比较

文章提出了上面这样一个场景，并认为节点1和2，根据MKTG的方法，可能存在最终的稀疏子图中包含了节点1和节点2的可能。

Nodes 1 and 2 in Fig.1 might be chosen in a tenuous group since they may not form a k-triangle (k=2) according to the problem definition in [1]. However, we can easily see that nodes 1 and 2 interact with each other heavily. If a graph has many node-pairs with similar structure as nodes 1 and 2, the nodes group generated in [1] is not a tenuous group. The main reason for this limitation is that k-triangle is not a good measurement of tenuity in some cases.

然而根据之前分享的TERA算法的具体流程，先画出$G_k$。显然，包含节点1和节点2的k-triangle数量是图中最多的，因此，根据算法，也是最先被剔除的两个节点。所以也应该不会出现最终稀疏子图中包含1,2节点的情况。这里是对于文章比较疑惑的一个地方。

问题定义

1）问题定义：给定一个社交网络G，根据所需要找到的子图规模S，稀疏参数K，找到一个子图F，使得|F|等于S,并且该子图$L_k(F)$最小。

$L_k(F)$为图F中k-line的数量

2）衡量指标：$L_k(F)$

3）算法：KLMA

算法介绍

算法分成两个部分，第一部分是获取图G的一个最大的不包含的kline子图F。第二部分是，如果第一部分的|F|<S,则需要从G中挑选节点放入F中，同时保证$L_k(F)$最小。

1）寻找最大的不包含kline子图F

文章提到了两种寻找F的方法。

1-1）KLMA-1-MCP


以上面这个图为具体的例子。图a是即是图G，k=2。构造$G_k$（如果在图G中任意连点之间的最短距离小于等于k，则$G_k$中这两点在之间有边），即图b。取图b的补图，图c。图c中的完全连通子图的节点集，该节点任意两点，在b中都不会相连，也就是没有kline。因此，从图c中找到最大完全连通子图，就是找到最大的不包含kline子图F。

MCP²是精确算法，但是在节点规模比较大的时候消耗的时间比较大，在本文是作为一个baseline算法。

1-2）KLMA-1-Greedy

采用贪心的方式，按照的一定的方式计算权值（按照每个节点的邻居数的倒数，或者按照与节点形成kline的节点数的倒数），每次从集合中取一个权重最大的节点放入F中，原图删除相关的节点和边之后，重新计算权值，重复执行至得到集合F。

2）在得到F的基础之上，从G图中挑选节点放入F中，直至|F|=S，同时保证$L_k(F)$最小

2-1）|F|>=S，从F中挑选S个节点即可。

2-2）|F|<S

对于G中没被选入F的节点，计算其加入F中后，kline增加的数量。每一轮都取kline边际递增最小的节点进入F中，直至|F|=S。

实验部分

实验主要分为三个部分：

1）比较不同参数k和节点规模S下，三种获取F集合的速度快慢。

2）KLMA和MKTG两种方法在不同的数据集下面的表现如何，包括：

2-1）在我们需要输出的规模参数下，得到的kline的数量（代表了结果的稀疏程度）

2-2）在我们需要输出的规模参数下，执行的时间的长度（代表了执行所消耗的时间）

3）在真实的数据集当中，根据不同的K值大小，通过第一阶段能够得到的符合no kline的集合的大小

---

1. Shen C Y, Huang L H, Yang D N, et al. On Finding Socially Tenuous
   Groups for Online Social Networks[C]// The, ACM SIGKDD
   International Conference. ACM, 2017:415-424. ↩︎

2. Johnston, H. C. Cliques of a graph-variations on the Bron-Kerbosch
   algorithm[J]. International Journal of Computer & Information
   Sciences, 1976, 5(3):209-238. ↩︎