简单无向图的core分解算法

最近在做子图匹配算法的相关优化工作，发现core结构在量化子图结构方面比较常用，现总结如下。

 

基本概念

在图（Graph）模型中，常常会有一些概念用来描述图的某些特征，core就是其中之一。core主要用来描述图中点之间的紧密（cohesive）程度，core的定义为：

设有简单无向图G = (V, E)，其中V为点集，E为边集，∃S = (V', E')，V'⊆V, E'⊆E，∀v∈V' d(v) >= k, 且不存在u∈V - V',使得∀v∈V'∪{u} d(v) >= k, 则称S为k-core，其中d(v)表示v的度数（与点v相连的边数，下同）

用白话说就是如果图G中的存在一个最大子图S，S里面的点的度数都大于等于k，则称子图S为k-core，k称为 core S 的阶数

下图为k-core的一个例子：

从上图的例子中我们可以发现：

1. k-core一定是 (k-n)-core (k>=0, n <=k)，比如2-core一定是1-core，也一定是0-core
2. k-core不一定是连通图

那么k-core有什么用呢？其最常见的应用就是挖掘社交网络中用户之间的紧密程度。如在下图所示的社交网络中，可以把每一个用户当作一个点，用户之间如果有联系的话就用一条边将他们连接起来，这时，k-core就可以用来挖掘这个社交网络中那些互相之间联系紧密的用户群体。

在实际应用中，我们通常更关心图中每一个点的core-value (又被称为core-number),什么是core-value呢？就是该点所在的最高阶的core，用白话说就是如果一个点 v 可以在k-core中，但是却无法在 (k+1)-core 中,则称点v的core-value为k，记作 v.core-value = k

设图G中最大的core-value为x, 则我们把图G中[0,x]-core都找出来称为图G的core分解，通常情况下我们只需要得到图G中每一个点的core-value即可。

下面我将介绍图core分解的经典算法

基础算法

首先，我们可以想象一下如果要计算core-value的话，图中哪一个点的core-value是最容易计算的？我们可以从定义入手，定义要求k-core中任何一个点的度数都要大于等于k，这个其实等价于k-core中最小度数的点的度数要大于等于k，据此我们可以尝试先从图中最小度数的点开始算起。

设图G中最小度数的点为v，因为点v是图G中度数最小的点，那么v肯定也是图G任意子图度数最小的点（图G中没有度数比v更小的点），也就是说任意包含点v的子图，core的最高阶数一定是d(v)，因为子图中其他的点的度数都大于等于d(v)，此时子图中的所有点一定是都在d(v)-core里面的，同时由于v点自身度数的限制，v点是一定不能在 (d(v)+1)-core 里面的，这个时候我们就直接得到了点v的core-value是d(v)，即 v.core-value = d(v)

在我们得到了点v的core-value之后，我们可以把图G分为两个部分，一个是与点v连通的部分，另一个是与点v不连通的部分。

• 与点v不连通的部分

        与点v不连通的部分很简单，我们可以继续在不连通的部分选取度数最小的点，然后按处理点v的方式对这个点进行处理即可。

• 与点v连通的部分

        在与点v连通的部分，我们又可以将里面的点分为两种类型，一种是度数等于d(v)的点，另一种是度数大于d(v)的点（不可能存在度数小于d(v)的点，因为v是图中度数最小的点）。

•         度数等于d(v)的点

               对于度数等于d(v)的点，我们可以直接得到这些点的core-value也等于d(v)，理由与得到v.core-value的理由一致。

•         度数大于d(v)的点

               对于度数大于d(v)的点，为了方便表述，我们不失一般性地设在与点v相连的这部分子图中有点u，且d(u) > d(v)，即u是度数大于d(v)的点，那么既然我们都已经明确地知道了u的度数一定是大于d(v)的，那么是不是也意味着u.core-value也一定是大于d(v)的呢？答案其实是否定的，我们可以考虑一个极端情况：除了u以外，其他点的度数都是d(v)，这时，u.core-value 也等于 d(v)，因为此时如果包含点u的core里面存在其他的点，core的最高阶数只能是d(v)，而如果包含点u的core里面只有点u一个点，那么此时core的阶数只能是0，按照core-value取最高阶数的定义，即这种极端情况下u.core-value = d(v)。那么u.core-value有可能大于d(v)吗？答案是肯定的，我们考虑另一种极端情况：除了点v以外，其他点的度数都是大于d(v) 的且点v的邻居点（与点v直接相邻的点）的度数是大于d(v) + 1的，在这种情况下，我们只需要将包含点u的core把点v排除在外即可，这时剩下的点度数都是大于d(v)的，所以u.core-value也一定是大于d(v)的。通过上面的分析我们可以发现，对于度数大于d(v)的点，我们是无法直接确定它们的core-value的，需要进行进一步地搜索。

               那么我们该如何进行进一步地搜索呢？通过上