2、Motifs and Structural Roles in Networks

Network motifs

• 在图中大量重复的模式被称为 motif
  
  
  可以看到相同领域的网络都有相似的子图分布。

Motifs帮助我们理解网络如何工作，帮助我们预测网络在给定场景中的反映和行为。如以下三种分别在神经网络、食物网、基因控制网络中常见的子网络：

Configuration Model

既然需要参照，那就自己动手生成一个。但这个生成模型就不能像 $ER$ 随机图模型一样简单的按概率取边了。因为我们想要了解一个 $motif$ 在网络中是否大量重复出现，那么需要和真实网络有相似的度分布和聚类系数。因此我们需要生成一个各节点和真实网络有相同度的随机图。这样的模型被视为这个网络的零模型($nullmodel$)。

怎么做呢？首先我们将每个度为 $k_i$的点拓展为 $k_i$个迷你点一组的结构，然后随机连接这些迷你点。最后合并同一组的迷你点就能得到满足节点度条件的图。

Graphlets

$motif$ 是从整个图中提取结构信息，那么如果我们要考虑一个局部或者一个节点周围的结构信息呢？我们引入了 $graphlets$ 概念。$graphlets$ 是一系列连通的非同构子图，这里要求是导出子图，即 $induced$。

• 类似于节点的度，定义 $graphletdegree$ 为包含节点的 graphlet 的个数。对于有不同非同构位的 $graphlet$ 要针对不同位置各自计算，以此得到 $GraphletDegreeVector(GDV)$。
• $Graphletdegreevector(GDV)$通过计算一个节点所在的$Graphlets$中不同的非对称位置，可以对节点附近的局部结构进行衡量。
• $GDV$的定义：一个节点所在位置的频率组成的向量。
  
  统计了节点数从 $2$ 到 $5$的 $graphlets$ 后我们能得到一个长度为 $73$ 的 $GDV$ 向量来表示一个节点周围的结构信息，而这个信息覆盖了以该节点为中心 $4$ 个 $hops$ 内的区域。
  

Finding Motifs and Graphlets

一般来说，合适的$motif$ 的规模就 $3$~$8$ 个点，如果大了的话这个计算量就爆炸了。而且判断两个图是否同构的问题本身就是个 $NP-complete$ 问题。那么计数一个图里的子图个数主要分两步：

1. 枚举；
2. 计数。

现在有几种有效的算法来对子图进行枚举：

• Exact Subgraph Enumeration (ESU) [Wernicke 2006]
• Kavosh [Kashani et al. 2009]
• Subgraph Sampling [Kashtan et al. 2004]

$Jure$ 主要介绍了 $ESU$，这个算法和找一个集合的所有子集的方法差不多，都是递归进行遍历。它定义了两个集合 $V_{subgraph}$ 和$V_{extension}$，分别代表 当前已经生成了的子图节点 和 后续遍历的候选节点。其主要思路是：从一个起始点开始，每次往 $V_{extension}$里加满足一下条件的点。

• 节点序号必须要大于起始点

• 新节点可以互相邻接，但不能跟任何已经在$V_{subgraph}$
  里的点邻接

• $V_{subgraph}$：目前已经构造的子图

• $V_{extension}$：用于扩展子图的候选节点集合

ESU 算法运行后会生成一棵 ESU 树，如下图

根据 $ESU$ 的输出我们就可以来数同构的结构个数了，比如上图中画出的子图总共有两种非同构结构，第一种出现了$5$ 次，第二种只出现了 $1$ 次。而图的同构算法这里采用的是 McKay’s nauty [McKay 1981] 算法。

Structural Roles

在现实中的真实网络里，不同节点可能扮演不同角色，比如食物链中的捕食者和被捕食者，企鹅群里的群主、管理员和群成员等等。而不同角色的节点周围的网络结构多多少少会有些差异，比如星型结构的中心、聚集的小团体或一些外围节点。研究这些不同角色的节点也可以告诉我们一些网络中隐含的信息。
角色的定义是在网络中具有相似位置的点的集合。这个定义和 community 其实是互补的，比如各个公司可能是不同的 community，而每个公司内部的角色大致是相同的(管理层和下属员工)。公司(community)内个体间会有比较密切的联系，但公司间相同职位(角色)的个体并不一定会有关联。


**结构等价：**若节点 $u$ 和节点 $v$ 与所有其他节点拥有相同的关系，则称节点 $u$ 和节点 $v$ 结构等价。

Structural Roles的查找

递归特征抽取
Recursive feature extraction [Henderson, et al. 2011a] turns network connectivity into structural features
通过递归特征抽取，将节点转化为特征向量，该特征向量包含了该节点本身、节点的邻居，以及它与什么样的节点向量的信息。




Paper: Rossi R A , Ahmed N K . Role Discovery in Networks[J]. IEEE Transactions on Knowledge and Data Engineering, 2015, 27(4):1112-1131.