Multi-attributed Community Search in Road-social Networks

1.问题定义（Multi-attributed CS）

• 找到的社区结构与查询用户高度相关，并且所得社区结构在当前属性中得分最高（还是传统的两步，先根据查询节点找社区，再根据属性筛选）

2.研究背景（location-based social networks (LBSN) ）

• 网络中不仅有用户和朋友关系，每个用户节点还和不同的属性相关联，例如位置信息，数字属性等
• Multi-attributed Road-social Networks定义？？
  每个节点有位置信息以及几个数值属性

3.Top-j query

• 对于每个维度的属性分配一个权重，表明属性的重要性程度，属性权重的设计根据用户的偏好，计算每个节点的加权，表明此节点的重要性程度

4.本文创新点（提出新的社区模型）

• Multi-attributed Community model（MAC）
  算法的具体细节？？？
  和别人的工作相比，有什么创新？？？
  通过考虑与查询用户的属性的相似性，来筛选节点（如果当前节点和查询节点属性值相似性评分大，就认为更可能在一个小组之内）

5.Road-social network

• Road network
  顶点代表路口或者路的终点，边代表两个路口（两节点）之间的路段，每条边有非负权重W，代表通过此边的距离或者花费的时间
• Social network
  节点表示用户，边表示他们之间的社交关系，每个节点通过函数L能映射到Road-network中的某个空间位置中（Social-network中边上的某个位置或者是节点），每个节点具有一个d维的属性向量（数值类型）
• Road-social network
  两个graph构成，Social-network中的每个点能映射到Road-network中（可能是Road-network中的节点或者边上的某个位置），表明当前节点在Road-network中的位置
  映射函数是怎样设计的，为什么要从social-network中的节点用射到Road-network？？？
  

6.(k，t)-core

创新点：提出一种新的子图衡量标准 (k，t)-core

• (k，t)-core
  1）子图是一个连通的k-core结构（social-network中）
  2） 子图的查询距离 ≤ t（road-network中）

• Query Distance
  子图的查询距离–子图中每个点与查询节点集之间最短路径的最大值（在social-network中讨论）
  

• communication cost
  将social-network中节点映射到road-network中，两节点在social-network映射成空间点，两空间点之间的最短路径长度

7.Score of Multi-Attributes

• score of Multi-attributes
  
  每个点的属性值与相应权重乘积相加
  每个属性的权重是怎么设计的？？，根据用户偏好设计吗
  用户想要哪个属性标准占比多，相应的权重就大

• community score
  子图中得分最低的节点score，即社区的得分