[論文レビュー] Constructions from Dots and Lines

Marko A. Rodriguez, Peter Neubauer|arXiv (Cornell University)|Jun 11, 2010

Graph Theory and Algorithms参考文献 11被引用数 18

ひとこと要約

本論文は、多様なデータ型と関係性をサポートする拡張可能でラベル付けされ、属性が付与されたグラフ（プロパティグラフ）を用いた、複雑な関係性のモデリングとクエリのためのフレームワークを提案する。Gremlin などのグラフ走査言語を活用することで、仮想的・暗黙的なエッジとしての経路ベースのクエリを表現可能にし、標準的なグラフアルゴリズムを意味のある形で現実世界の意味的豊かなデータに適用可能にする。

ABSTRACT

A graph is a data structure composed of dots (i.e. vertices) and lines (i.e. edges). The dots and lines of a graph can be organized into intricate arrangements. The ability for a graph to denote objects and their relationships to one another allow for a surprisingly large number of things to be modeled as a graph. From the dependencies that link software packages to the wood beams that provide the framing to a house, most anything has a corresponding graph representation. However, just because it is possible to represent something as a graph does not necessarily mean that its graph representation will be useful. If a modeler can leverage the plethora of tools and algorithms that store and process graphs, then such a mapping is worthwhile. This article explores the world of graphs in computing and exposes situations in which graphical models are beneficial.

研究の動機と目的

• プロパティグラフが、ソフトウェアの依存関係からソーシャルネットワークに至るまで、多様な現実世界のシステムをモデリングできる方法を示すこと。
• ラベル化され、属性が付与されたグラフに対して従来のグラフアルゴリズムが抱える制限を克服するため、意味のある仮想エッジを導出する手法を提示すること。
• グラフ走査フレームワークが、複雑で意味的豊かなデータ構造に対し、標準的なグラフアルゴリズムを適用可能にする方法を示すこと。
• 複数のグラフタイプを拡張可能なプロパティグラフ抽象化により統一的に扱えるモデリング手法を提供すること。

提案手法

• ラベル付き頂点、ラベル付きエッジ、および頂点・エッジに属性を付与できるプロパティグラフモデルを採用する。
• グラフ走査言語（Gremlin）を用い、出次数エッジの走査、ラベルによるフィルタリング、インバウンド頂点へのナビゲーションといった経路操作のシーケンスとして複雑なクエリを表現する。
• 経路を特定の意味的意味を持つ派生的・暗黙的エッジ（例：「友達の友達」）として解釈することで、「仮想エッジ」の概念を導入する。
• 導出された仮想グラフ（実質的にラベルなし）に対して標準的なグラフアルゴリズム（例：最短経路）を適用し、古典的手法が有効に適用可能になるようにする。
• 変数代入と集合演算（例：except）を走査式に組み込むことで、重複結果（例：直接の友達を除外する）を回避し、より意味のある結果（重複のない友達の友達関係など）を得る。
• ラベル付け、属性、走査ロジックの組み合わせにより、単一のプロパティグラフシステムが、単純グラフ、重み付きグラフ、RDF グラフ、ハイパーグラフなど、複数のグラフタイプを表現可能であることを実証する。

実験結果

リサーチクエスチョン

• RQ1 プロパティグラフは、多様な関係性とメタデータを有する現実世界の複雑なシステムを、どのようにモデリングできるか？
• RQ2 ラベル化され、属性が付与されたグラフに対して標準的なグラフアルゴリズムを適用する際に生じる課題は何か？ そして、それらをどのように克服できるか？
• RQ3 プロパティグラフ内の経路ベースの走査を、仮想エッジとして解釈することで、古典的手法の適用を可能にすることができるか？
• RQ4 グラフ走査フレームワークは、再帰的関係性における重複結果といった一般的な落とし穴を回避する、表現力豊かで再利用可能なクエリをどのようにサポートできるか？
• RQ5 設定と抽象化を用いて、1つのグラフモデル（例：プロパティグラフ）が、複数のグラフタイプをどの程度一般化できるか？

主な発見

• プロパティグラフモデルは、特定の機能の有効・無効化によって、単純グラフ、重み付きグラフ、RDF グラフ、ハイパーグラフなど、複数のグラフタイプを効果的に一般化できる。
• Gremlin などのグラフ走査言語により、仮想エッジを模倣する意味的認識可能な複雑なクエリを構築可能となり、意味的豊かなデータに標準的なグラフアルゴリズムを適用可能になる。
• 変数代入と集合演算（例：g:except）を用いることで、走査クエリは既知の結果（例：直接の友達）を除外でき、重複のない友達の友達関係など、より意味のある結果が得られる。
• 経路を仮想エッジとして解釈することで、古典的手法が意味的に適切に適用可能な暗黙的でラベルなしのグラフが得られ、アルゴリズムの整合性が保たれる。
• このアプローチにより、ソーシャルネットワークやソフトウェア依存関係グラフといった複雑なシステムをモデリングしつつ、既存のグラフ理論的手法を用いた解析が可能になる。
• フレームワークは、意味的豊かな複雑な現実世界のデータですら、1つの拡張可能で統一的なグラフモデルと走査言語を用いて、効率的に処理可能であることを示している。