最短路径迭代次数与边数相等_社交网络所有对最短路径矩阵距离积收敛率下限...

Abstract

随着社交网络应用的快速发展，社交网络成为了人们互动的重要媒介。针对社交网络全节点最短距离计算任务，Alon N提出利用矩阵乘法的最短路径距离积算法，结合距离积交换律和块矩阵乘法，最短路径算法的渐进时间复杂度为；在实际应用中，考虑到社交网络的无标度特点和计算设备浮点运算精度限制，最短路径算法具有更优渐进时间复杂度为。基于上述理论，本文提出融合稀疏性判断和收敛判断的网络全节点最短路径算法，利用了矩阵乘法的距离积算法、距离积交换律、块矩阵乘法、社交网络无标度性质以及计算机数据表示的精度限制。在演员社交网络数据集上，利用CPU、GPU上的矩阵计算库，该算法相比Alon N算法在计算时间性能上有0.39～36.2倍的提升。

1 引言

近年来，在中国、印度等亚洲电影产业的带动下，全球电影票房保持了稳定增长态势；并且随着社交网络应用的快速发展，越来越多的电影演员使用社交网络进行工作沟通，社交网络上的宣传推广日渐成为发行、营销、推广的重要工具，社交网络也成为演员与粉丝间互动的重要媒介。

以往的研究缺乏对电影演员社交网络的研究；在社交网络影响力计算方面，已有的节点影响力算法PageRank在影响力评价上精度不高。社交网络特征测量与挖掘是社交网络研究的重要工作，一些特征如介数、紧密度等需要计算节点间距离，因此，高效计算全节点最短路径是网络测量与挖掘的关键技术之一。

计算节点距离的方法有传统的Floyd-Warshall[1-2]算法；Aho A V[3]证明了距离积算法与矩阵乘法同构；Alon N[4]给出一个利用矩阵乘积计算距离积的算法；Zwick U[5]提出利用快速矩阵乘法优化矩阵乘积，从而计算距离积；Garbow H N[6]提出一种在限定域下的利用矩阵乘法计算距离积的算法。

从矩阵乘法的时间复杂度来看，Strassen V[7]、Coppersmith-Winograd[8]、Andrew Stothers[9]分别提出基于块矩阵的矩阵乘法，其渐进时间复杂度为 )、 )、 )。Monica D. Lam[10]提出缓存块大小为B×B的矩阵乘法的渐进时间复杂度为 )；Goto K[11]在X86平台下, 对比了基于缓存块的矩阵计算库如Intel MKL v8.1.1、ESSL v4.2.0和ATLAS v3.7.11，提出了缓存命中率更高的OpenBLAS[1]矩阵计算库。

从矩阵稀疏性乘法优化来看，对于稀疏矩阵乘法，SciPy[2]和CuPy[3]在CPU、GPU上利用SciPy-sparse、CuPy-cuSparse实现了高效稀疏矩阵乘法；对于稠密矩阵乘法，NumPy[4]、SciPy、CuPy、ND4J[5]在CPU、GPU上利用OpenBLAS、cuBLAS等方法实现了基于块缓存的高效稠密矩阵乘法。

因此，一种可行的全节点对最短距离计算方法为：首先将网络表示成邻接矩阵，通过矩阵元素的指数运算、矩阵乘法和矩阵元素的对数运算得到距离积，将这些步骤称为一次距离积计算迭代；继续迭代数次便得到全节点最短路径矩阵，即全节点最短路径。

进一步地，从距离积计算和迭代两方面对计算任务耗时分析，在距离积计算方面，从时间复杂度来看，矩阵乘法是复杂度最大的步骤；从迭代方面，迭代次数同样影响着任务时间效率。(1)对于距离积优化，有两种优化方法，一种是利用Alon N提出的基于快速矩阵乘法的距离积计算方法，另一种是利用Monica D. Lam提出的基于缓存块矩阵计算的距离积方法。(2)对于迭代优化，利用Aho A V提出的距离积与矩阵乘法同构，因此距离积计算具有结合律，通过利用上次计算结果优化迭代计算过程。

2 数据集与实验设备

收集了2011年1月1日至2015年3月31日间，电影演员在新浪微博上的关注关系、微博个人信息和发布的文本信息，共有8508名演员、关注关系577775条以及12526114条微博文本。

计算设备为一台有两颗Intel Xeon E5-2620 v4 CPU和一颗NVIDIA GeForce GTX 1080 Ti GPU服务器，有32颗2.1Ghz频