m0_62361730的博客

在图论的研究领域中，子图搜索是一个至关重要的问题。随着数据规模的增长和複杂性的增加，如何在大型图中有效地发现具有特定性质的子图，已成为社交网络分析、推荐系统以及其他图数据处理领域中的核心挑战。密子图搜索（Densest Subgraph Search）是其中一个关键的问题，旨在找出图中密度最高的子图，即平均度数最大的子图。这些子图通常代表了图中高度连接的节点集合，对于社群发现、垃圾链接识别、专家提取等应用场景具有重要价值。

这篇论文的主题是研究如何在有向图中找到密度最高的子图，这个问题被称为有向最密子图（Directed Densest Subgraph, DDS）问题。该问题在许多应用中非常重要，如社交网络分析、社区发现、假粉丝检测等。论文提出了一种基于**凸规划（Convex Programming）**的方法来有效解决DDS问题，并设计了精确和近似算法，这些算法能够在大规模数据集上实现显着的性能提升。DDS问题的目标是在一个给定的有向图中找到一个子图，使其密度在所有子图中是最高的。

密集子图发现（Densest Subgraph Discovery）是图挖掘领域的一个基础研究方向，并且近年来在多个应用领域得到了广泛研究。特别是在生物学、金融学和社交网络分析等领域，密集子图的发现对理解复杂网络结构和行为具有重要意义。在这些应用中，找到“近似团”（near-clique）尤为关键，因为“近似团”往往反映了正在形成的团结构，或者由于数据噪声或缺失而导致的未完全连接的团。例如，在蛋白质-蛋白质相互作用网络中，发现近似团有助于预测新的蛋白质相互作用，而在社交网络中，这些结构则可能揭示潜在的社交群

本文提出了一个新的模型（α, β, T）-core，用于在时间双向图上寻找凝聚子图。时间双向图中，不同实体之间的关系随着时间的推移而变化。为了提高查询效率，本文提出了顶点分区和时间分区的历史索引（VH-Index和TH-Index），并进一步提出了时间交集索引（TH*-Index）。实验结果表明，本文提出的模型和算法在多个真实数据集上表现出色。时间双向图（Temporal Bipartite Graph）是指在图中存在两类不同的顶点集合，并且这些顶点之间的关系（边）随着时间的推移而变化。

该论文提出了一种新的核心分解算法，旨在高效地处理大规模异构信息网络（HIN）。通过该算法，可以识别图中的密集子图，为社区发现和异常检测等实际应用提供了有力支持。论文重点介绍了算法的设计、实现及其在实际数据集上的优越性能。异构信息网络（HIN）是一类复杂的网络，包含多种类型的节点和边。与传统的同构信息网络（只有一种类型的节点和边）不同，HIN能够更真实地表示复杂系统中的多样性和关系。多类型节点：HIN中的节点可以代表不同类型的实体。例如，在学术网络中，节点可以是作者、论文、机构等。多类型边。

最密子图发现 (DSD) 是图挖掘中的一个基本问题，已被广泛研究并应用于生物学、金融和社交网络等领域。作为DSD的一个典型问题，k-团最密子图 (CDS) 问题旨在从图中检测出一个子图，使得该子图中的 k-团数量与顶点数量的比值最大化。本文提出了一个基于 Frank-Wolfe 算法的新框架，该框架仅需要 k-团计数而非 k-团枚举，从而显着提高了计算效率。本文在14个大规模真实图上进行了广泛的实验，结果显示该算法的效率非常高，并且在相同准确性保证下比现有最先进的算法快了多达七个数量级。

本文提出了一种在不确定图中发现最有可能稠密子图（MPDS）的新方法。不确定图中的每条边都有存在概率，使得计算稠密子图变得複杂。作者定义了稠密子图概率，并证明了计算该概率是#P难的。为了解决这个问题，设计了基于抽样的高效近似算法，并提供了准确性保证。实验结果表明，该方法在生物、社交和金融网络中的应用中具有高效性和实用性。

密集子图发现（DSD）作为图数据挖掘的基础问题，旨在从图中找到密度最高的子图。虽然已有许多DSD算法，但它们在处理大规模图时往往不可扩展或效率低下。本文提出了在无向图和有向图上求解DSD问题的高效并行算法，通过优化迭代过程和减少迭代次数来计算核心数。同时引入了新的子图模型——w诱导子图，以避免不必要的枚举，从而提高算法效率。实验结果表明，所提算法在无向图和有向图上的性能均优于现有算法，具有良好的可扩展性和效率。

这篇论文提出了一种高效算法，通过利用广义超模密度定义和𝑐-core模型来加速图中最稠密子图和稠密至少k子图的发现过程。广义超模密度定义统一了多种密度计算方法，使得算法能够适应不同的应用场景，涵盖了多种特定的密度度量。实验结果表明，基于𝑐-core的优化算法在处理大规模图数据时，能够比现有方法快上三个数量级，显着提升了计算效率。此外，这篇论文还研究了具有尺寸约束的稠密子图问题（Dal𝑘S），提出了基于图分解的新算法，实验中该算法在绝大多数情况下接近最优密度。

这篇论文提出了一种新算法 kPlexS，通过引入新的框架和技术，大大提高了在大型稀疏图上计算最大𝑘-plex 的效率。表中的数据包括预处理时间、启发式计算的𝑘-plex大小（P）、以及简化后的图的顶点数（|Vₖ|）和边数（Eₖ)。结果显示，kPlexS和kPlexF总能在不同时间限制内解决最多的实例，其中kPlexS在50秒内解决的实例数超过了其他算法在1800秒内的结果。结果显示，在给定的时间限制内，kPlexS 算法总是能够比最先进的算法（BnB、Maplex 和 KpLeX）解决更多的图实例。

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。

在大规模图中寻找密集子图是一项基础的图挖掘任务，具有许多应用。局部最密子图（LDS）的概念最近被提出，用于识别复盖大图不同区域的多个密集子图。LDS 是其局部区域中密度最高的子图。当前最先进的算法通过迭代计算最密子图并将其从图中删除，然后通过代价高昂的最大流计算来验证每个候选项。尽管有先进的剪枝技术，但验证步骤仍然耗时，特别是对于较大的 k 值。在本文中，我们设计了无验证方法来提高寻找前 k 个 LDS 的效率。

随着数据爆炸式增长,图数据分析在社交网络、科学计算和数据挖掘等领域变得越来越重要。然而,处理大规模图数据面临着存储和计算资源的挑战。传统的图压缩方法可能会丢失重要信息,影响分析结果的准确性。CompressGraph框架旨在通过规则基压缩技术,在有效压缩图数据的同时保留其结构和信息,实现高效的并行图分析

这篇论文提出的PSCTL和CPSample算法在解决大规模网络中的𝑘-团最密子图搜索问题上展现了显着的性能优势。实验结果表明，这些新算法能够大幅提高运行速度，同时保持结果的高准确性，这使得它们在实际应用中具有极大的潜力。PSCTL和CPSample不仅在处理大规模数据集时表现优越，还能有效应对各种不同的网络结构，这意味着它们可以广泛应用于例如社交网络分析、生物信息学、推荐系统和网络安全等领域。

现有的方法主要集中在预测新知识图谱中的封闭链接，即在新图谱内部的链接。DEKG-ILP模型通过结合全局和局部的信息，能够有效预测知识图谱中缺失的桥接链接和封闭链接，从而提升知识图谱的完整性和推理能力。DEKG-ILP模型的成功不仅在于解决了现有方法的局限性，还在于为处理复杂的、动态演变的知识图谱提供了一种有效的方法，具有广泛的应用前景和研究价值。上图展示了断开的新兴知识图谱（DEKG）和原始知识图谱（KG）的一个示例，用于解释桥接链接和封闭链接的概念，虚线表示缺失的链接。提取每个链接周围的局部拓扑信息。

ELPIS 提出了一种新的基于图的索引方法，结合了树结构和图结构的优点，以实现高效的索引构建和近似搜索。

GPredictor 提供了一个创新且高效的并发查询性能预测解决方案，利用图嵌入技术和动态优化方法，显着提升了查询性能预测的准确性和效率。传统的性能预测方法多针对单一查询设计，无法有效处理并发查询的性能预测问题。其准确预测查询执行时间及处理动态工作负载的能力，使其成为数据库管理和优化的强大工具，具有广泛的应用前景和实际价值。总之，GPredictor 不仅树立了查询性能预测的新标准，还为先进的数据库管理和优化开启了新的可能性。是一个基于图嵌入技术的性能预测系统，专为并发和动态工作负载设计。

在复杂系统研究中，多重网络（Multilayer Networks，ML）已成为建模多维度互动的重要工具。这种模型在社会网络、生物系统和金融市场等领域具有广泛应用。例如，在社交网络分析中，个体间的互动可能同时涉及社交、专业和兴趣等多个层面。多重网络的概念为我们提供了一个更全面的框架，用以捕捉这些复杂的关系结构。