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