论文摘要：Efficient Algorithms for Densest Subgraph Discovery on Large Directed Graphs

背景

在很多应用中，例如欺诈检测、社区挖掘和图压缩等，需要从有向图中找到密度最高的子图，这被称为有向最密子图问题（Directed Densest Subgraph, DDS）。DDS问题在社交网络、Web图和知识图谱等领域有着广泛的应用。例如，在社交网络中，可以用来检测假粉丝，在Web图中，可以用来发现网络社区。然而，现有的DDS解决方案在效率和可扩展性方面存在问题。例如，对于一个仅有三千条边的图，一些最好的确定性算法(确定最密子图的算法)需要三天的时间来完成计算。

上图为假粉丝检测的示意图。图中显示了一个微型博客网络，其中的边表示“关注”关係。通过发出DDS查询，返回了两组用户 S* 和 T*。与其他用户相比，d（在 T* 中）拥有异常多的粉丝（a,e,f,g,h )在 S* 中。这可能表明 d 向 S*中的用户贿赂，让他们关注自己。

挑战

DDS问题的目标是找到一个子图，使得该子图的密度在所有子图中是最高的。给定一个有向图 G=(V,E)，DDS问题旨在找到两组顶点 S * 和 T *，使得从 S *到 T * 的边数与顶点数的平方根之比最大化。现有的解决方案主要面临两个挑战：一是计算複杂度高，无法处理大规模图数据；二是近似算法的精度和效率不理想。

创新算法

为了解决上述问题，本文提出了两类创新算法：确定性算法（DC-Exact）和近似算法（Core-Approx）。

确定性算法 (DC-Exact)

这个算法基于[x,y]-core的概念，并採用了分而治之的策略来提高效率。

[x,y]-core 概念

• 定义：给定两组顶点 S 和 T，如果 S 中的每个顶点至少有 x 条出边连接到 T，并且 T 中的每个顶点至少有 y 条入边来自 S，则该子图称为[x,y]-core。
• 意义：通过[x,y]-core，可以将问题规模大大缩小到图的一个密集子区域，这使得找到最密子图变得更加高效。

实现原理

1. 内部循环优化：引入[x,y]-core 的概念，减小需要处理的图的规模。

2. 外部循环优化：提出了一种分而治之的策略，大大减少了需要考虑的 ∣S∣ / ∣T∣ 的可能值的数量，从而优化了外部循环。

3. 算法流程：

   • 枚举所有可能的 ∣S∣ / ∣T∣值。
   • 使用二分搜索来猜测最大密度的值。
   • 为每个 ∣S∣ / ∣T∣值构建流网络，并运行最大流算法来计算最小st割(利用最大流算法来找到从源点（source, s）到汇点（sink, t）的最大流量，从而确定如何将图分割为两部分，使得割边（cut edges）的总容量最小)。
   • 更新密度最大的子图。
   • 总时间複杂度为 O(n^3 m log n)，但实际运行中通过上述优化大幅减少计算量。

近似算法 (Core-Approx)

这个算法基于[ x * , y * ]-core 的概念，通过计算一个2-近似解来提高效率。

[ x *, y *]-core 概念(在所有可能的[x, y]-core 中，拥有最大 x * y 值的核心子图)

• 定义：在所有[x,y]-core中，找到使 x y 最大的[ x *, y * ]-core。理论上证明，这个[x * , y * ]-core 是DDS问题的2-近似解。
• 意义：这样的core不仅计算简单，且能在实际应用中提供接近最优的解。

实现原理

1. 计算[x*, y*]-core：通过有效的算法计算[x*, y*]-core，该算法的时间複杂度为
   $$O(\sqrt{m}(n+m))$$

2. 算法流程：

   • 计算[ x * , y * ]-core。
   • 返回该core作为2-近似解。

结果报告与结论

结果报告

实验结果显示，确定性算法DC-Exact在处理具有约6500个顶点和51000条边的图时，速度提升了六个数量级。而近似算法Core-Approx则能够在亿级别的图数据上进行扩展，比现有的2-近似算法快六个数量级。

上图展示了精确算法在前五个数据集（MO、TC、OF、AD 和 AM）上的效率结果。由于这些算法无法在更大的数据集上在合理时间内完成计算，因此图中没完整纪载这些结果。可以看到，Core-Exact 比最先进的精确算法 Exact 至少快 2 倍，最多可快 100 倍，另外DC-Exact 比 Exact 和 Core-Exact 分别快了六个和五个数量级。主要原因是 DC-Exact 採用了分而治之的策略，显着减少了需要考虑的 ∣S∣ / ∣T∣ 值的数量

上图展示了近似算法在八个数据集上的运行时间，条形图触及上边界表示算法在200小时内无法完成。可以观察到，BS-Approx和FKS-Approx是最没效率的算法，而KS-Approx几乎在所有数据集上最有效。Core-Approx是第二有效的，其次是PM-Approx，且Core-Approx比BS-Approx和FKS-Approx分别快六个和三个数量级。此外，Core-Approx能处理亿级别的图数据，并在保持高质量结果的同时实现高效率。

结论

本文提出的创新算法有效地解决了DDS问题中的效率和可扩展性问题，特别是在处理大规模数据集时。未来的研究可以在以下几个方面进行拓展：

1. 算法优化：进一步优化算法的时间複杂度，使其能够处理更大规模的图数据。
2. 应用扩展：将这些算法应用于更多实际场景，如生物网络分析和推荐系统。
3. 理论完善：深入研究[x,y]-core的理论性质，探索更多关于密集子图的特性。

这些算法在实际应用中具有广泛的潜力，特别是在处理大规模社交网络、Web图和知识图谱等领域，能够提供高效且精确的数据分析工具。

论文地址: https://dl.acm.org/doi/10.1145/3318464.3389697