[論文レビュー] Efficient Truss Maintenance in Evolving Networks

Rui Zhou, Chengfei Liu+3 more|arXiv (Cornell University)|Feb 12, 2014

Manufacturing Process and Optimization参考文献 8被引用数 16

ひとこと要約

本稿では、動的エッジの挿入・削除に伴う進化するネットワークにおける最大k-トランプルの維持のための効率的なアルゴリズムを提案する。エッジ-三角形関係性と段階的更新技術を活用することで、1回の更新における時間計算量はO(|El|)に抑えられ、|El|は影響を受けるエッジ数を表す。実世界のデータセットにおいて中程度の更新頻度では、バッチ再計算を著しく上回る性能を発揮する。

ABSTRACT

Truss was proposed to study social network data represented by graphs. A k-truss of a graph is a cohesive subgraph, in which each edge is contained in at least k-2 triangles within the subgraph. While truss has been demonstrated as superior to model the close relationship in social networks and efficient algorithms for finding trusses have been extensively studied, very little attention has been paid to truss maintenance. However, most social networks are evolving networks. It may be infeasible to recompute trusses from scratch from time to time in order to find the up-to-date $k$-trusses in the evolving networks. In this paper, we discuss how to maintain trusses in a graph with dynamic updates. We first discuss a set of properties on maintaining trusses, then propose algorithms on maintaining trusses on edge deletions and insertions, finally, we discuss truss index maintenance. We test the proposed techniques on real datasets. The experiment results show the promise of our work.

研究の動機と目的

• 頻繁なエッジ更新が生じるリアルタイムの進化するネットワークにおいて、バッチ再計算が非現実的となる状況でのk-トランプルの維持の課題に対処すること。
• エッジの挿入・削除に対して、影響を受けるエッジにのみトランプル番号の更新を段階的に伝搬する効率的なインクリメンタルアルゴリズムの開発。
• 動的トランプルクエリを高速に処理できるように、k-トランプルインデックスの導入と維持。
• 実世界のソーシャルネットワークにおいて、インクリメンタル維持手法とバッチ再計算、インデックスベースの手法の性能を評価すること。
• 中程度の更新頻度では、インクリメンタル維持がバッチ処理を上回ることを実証し、特に分散型ネットワークにおいて顕著であることを示すこと。

提案手法

• エッジの挿入・削除に伴うトランプル番号の変化を支配する理論的性質の提示。
• 影響を受ける近傍のエッジにのみトランプル番号の更新を伝搬するインクリメンタルアルゴリズムの設計。
• 三角形数え上げを用いてエッジのk-トランプル参加を特定し、グローバルな再計算ではなく局所的変化に焦点を当てる。
• トランプル番号を格納・効率的にクエリ可能にするk-トランプルインデックス構造の導入。
• 各エッジ変更後に影響を受ける部分のみを更新することで、k-トランプルインデックスを段階的に維持。
• 完全なトランプル分解を繰り返さない段階的かつインデックスベースの更新戦略の実装により、時間的オーバーヘッドを低減。

実験結果

リサーチクエスチョン

• RQ1 進化するネットワークにおける動的エッジの挿入・削除に応じて、k-トランプルの維持を効率的に行うにはどうすればよいか？
• RQ2 単一のエッジ更新後に、トランプル番号の変化がどのように伝搬するかを支配する重要な性質は何か？
• RQ3 中程度の更新頻度において、インクリメンタル維持はバッチ再計算に比べて性能でどのように差をつけるか？
• RQ4 ネットワーク構造（例：クラスタリング係数、中心性）は、インクリメンタルトランプル維持の効率にどのような影響を与えるか？
• RQ5 動的環境においてクエリ評価を迅速にサポートするため、k-トランプルインデックスを効率的に構築・維持するにはどうすればよいか？

主な発見

• 提案されたインクリメンタル維持アルゴリズムは、1回の更新あたりO(|El|)の時間計算量を達成する。ここで|El|はトランプル番号に影響を受けるエッジ数を表す。
• スラッシュドットデータセット（低クラスタリング、より分散型）では、progressiveUpdateとindexedUpdateがバッチ更新を最大16,000件の更新まで上回る。
• エピノニオンスデータセット（高クラスタリング、より集中型）では、インクリメンタル手法が約10,000件の更新まで優位性を保つ。
• エンロンメールデータセットは規模が小さく、より集中型であるため、インクリメンタル手法は10,000件未満の更新に対してのみ有効であり、以降はバッチ処理がより効率的になる。
• トランプルインデックスは、非インデックス化手法に比べてクエリパフォーマンスを著しく向上させ、特に中程度の更新頻度下で顕著である。
• インクリメンタルアプローチは、クラスタリング係数が低く、更新が影響を及ぼすノードやエッジが少ない分散型ネットワークで最も効果的である。