[論文レビュー] Attribute Truss Community Search

Xin Huang, Laks V. S. Lakshmanan|arXiv (Cornell University)|Sep 1, 2016

Complex Network Analysis Techniques参考文献 31被引用数 6

ひとこと要約

本稿では、k-truss構造と属性関連スコアを統合することで、属性が均質で密度の高い部分グラフを特定する新規手法である属性駆動型コミュニティ検索（ATC）を提案する。この手法は、属性の頻度が最も低いノードを反復的に削除することで団結性を最大化する貪欲アルゴリズムを導入し、実世界のネットワークにおいて高い効率性と有効性を達成している。

ABSTRACT

Recently, community search over graphs has attracted significant attention and many algorithms have been developed for finding dense subgraphs from large graphs that contain given query nodes. In applications such as analysis of protein protein interaction (PPI) networks, citation graphs, and collaboration networks, nodes tend to have attributes. Unfortunately, previously developed community search algorithms ignore these attributes and result in communities with poor cohesion w.r.t. their node attributes. In this paper, we study the problem of attribute-driven community search, that is, given an undirected graph $G$ where nodes are associated with attributes, and an input query $Q$ consisting of nodes $V_q$ and attributes $W_q$, find the communities containing $V_q$, in which most community members are densely inter-connected and have similar attributes. We formulate our problem of finding attributed truss communities (ATC), as finding all connected and close k-truss subgraphs containing $V_q$, that are locally maximal and have the largest attribute relevance score among such subgraphs. We design a novel attribute relevance score function and establish its desirable properties. The problem is shown to be NP-hard. However, we develop an efficient greedy algorithmic framework, which finds a maximal $k$-truss containing $V_q$, and then iteratively removes the nodes with the least popular attributes and shrinks the graph so as to satisfy community constraints. We also build an elegant index to maintain the known $k$-truss structure and attribute information, and propose efficient query processing algorithms. Extensive experiments on large real-world networks with ground-truth communities shows the efficiency and effectiveness of our proposed methods.

研究の動機と目的

• 既存のコミュニティ検索手法がノードの属性を無視するという限界を解決し、発見されたコミュニティの団結性を向上させること。
• 構造的密度（k-truss）と属性の均質性を同時に最適化する新たな問題である属性駆動型コミュニティ検索（ATC）を定式化すること。
• 候補コミュニティ内の属性の団結性を定量化するための新しい属性関連スコア関数を設計すること。
• k-truss構造を維持しながら、コミュニティ制約を満たすために属性が最も頻度が低いノードを反復的に削除する効率的な貪欲アルゴリズムを開発すること。
• 大規模グラフにおけるクエリ処理を高速化するために、k-trussおよび属性情報を効率的に維持するインデックスを構築すること。

提案手法

• クエリノードを含み、属性関連スコアを最大化する局所的最大で連結なk-truss部分グラフとして、属性付きトランプコミュニティ（ATC）を定義する。
• 部分グラフ内のエッジにわたる属性の共起を集約する新しい属性関連スコア関数を提案し、属性の均質性が高いコミュニティを優遇する。
• クエリノードを含む最大のk-trussから開始し、反復的に属性が最も頻度が低いノードを削除することで属性の団結性を向上させる貪欲アルゴリズムを設計する。
• k-truss構造と属性情報を格納する動的インデックスを維持し、効率的なクエリ処理と更新を可能にする。
• 属性関連スコアの理論的性質（単調性およびサブモジュラリティ）を確立し、アルゴリズム設計を支援する。
• ATC問題がNP困難であることを証明し、近似法および貪欲戦略の使用を正当化する。

実験結果

リサーチクエスチョン

• RQ1 どのようにすれば、k-trussによる構造的密度と属性の均質性を両立させるコミュニティ検索モデルを定義できるか？
• RQ2 コミュニティ内でのノード属性の団結性を定量化する効果的な属性関連スコア関数とは何か？
• RQ3 k-trussと属性関連スコアの両方の制約下で、高品質な属性付きトランプコミュニティを効率的に発見するアルゴリズムを設計できるか？
• RQ4 実世界の属性付きネットワークにおいて、提案手法は既存のコミュニティ検索手法と比較して有効性および効率性の面で優れているか？
• RQ5 大規模な属性付きグラフに対してスケーラブルかつ効率的なクエリ処理を実現するインデックス戦略とは何か？

主な発見

• 提案された属性関連スコア関数は、属性の均質性を効果的に捉えており、単調性およびサブモジュラリティを示しており、効率的な貪欲最適化を可能にしている。
• ATC用の貪欲アルゴリズムは、ベースライン手法と比較して一貫して高い属性関連スコアを達成し、優れた属性の団結性を示している。
• 大規模な実世界ネットワークを用いた実験では、大規模グラフ上でもクエリ処理時間がミリ秒オーダーで高い効率性を達成している。
• 実際のコミュニティを用いた検証により、従来のk-trussやkコアに基づく手法と比較して、本手法は属性の均質性がより高いコミュニティを発見していることが確認された。
• インデックス構造により、事前に計算されたk-trussおよび属性情報の維持が可能となり、繰り返し計算を削減し、クエリ処理を高速化している。
• ATC問題が正式にNP困難であることが示され、近似法やヒューリスティックアプローチ（本稿で提案された貪欲フレームワークを含む）の使用が正当化された。