[論文レビュー] On Graph Stream Clustering with Side Information

Yuchen Zhao, Philip S. Yu|arXiv (Cornell University)|Jan 28, 2013

Complex Network Analysis Techniques参考文献 23被引用数 6

ひとこと要約

本稿では、統一的な E-S 距離測度を用いてリンク構造と異種の補助情報（例：ユーザープロフィール、メタデータ）を統合的にモデル化することで、動的グラフストリームのクラスタリングを実現する新規フレームワーク GSSClu を提案する。本手法は、リンクと属性の重みを動的に制御する DMO 最適化フレームワークと、定数領域でスケーラブルに処理可能なスケッチベースの統計構造（SGS(C)）を導入し、実世界のグラフストリームデータセットにおいて、ベースライン手法に比べ優れたクラスタリング精度と効率性を達成している。

ABSTRACT

Graph clustering becomes an important problem due to emerging applications involving the web, social networks and bio-informatics. Recently, many such applications generate data in the form of streams. Clustering massive, dynamic graph streams is significantly challenging because of the complex structures of graphs and computational difficulties of continuous data. Meanwhile, a large volume of side information is associated with graphs, which can be of various types. The examples include the properties of users in social network activities, the meta attributes associated with web click graph streams and the location information in mobile communication networks. Such attributes contain extremely useful information and has the potential to improve the clustering process, but are neglected by most recent graph stream mining techniques. In this paper, we define a unified distance measure on both link structures and side attributes for clustering. In addition, we propose a novel optimization framework DMO, which can dynamically optimize the distance metric and make it adapt to the newly received stream data. We further introduce a carefully designed statistics SGS(C) which consume constant storage spaces with the progression of streams. We demonstrate that the statistics maintained are sufficient for the clustering process as well as the distance optimization and can be scalable to massive graphs with side attributes. We will present experiment results to show the advantages of the approach in graph stream clustering with both links and side information over the baselines.

研究の動機と目的

• リンク構造と補助情報（例：ユーザープロフィール、メタデータ）が存在するが、それらが十分に活用されていない、大規模で動的なグラフストリームのクラスタリングという課題に対処すること。
• 補助情報を無視するため、高速度・高容量なデータを処理できない既存のグラフストリームクラスタリング手法のスケーラビリティの限界を克服すること。
• 構造的類似性と属性レベルの類似性を整合的かつ原理的かつ統一的に統合する距離測度を設計すること。
• ストリーミング処理中にリンクと補助属性の相対的重要性を動的に学習する、効率的なオンライン最適化フレームワーク（DMO）を設計すること。
• 大規模グラフにスケーリングできるように、定数メモリを消費し、リアルタイムのクラスタリングとメトリック学習を可能にするスケッチベースの統計構造（SGS(C)）を用いること。

提案手法

• リンク構造類似度と属性類似度を重み付き組み合わせで統合した統一的距離測度「E-S Distance」を提案する。
• クラスタ内距離を最小化し、クラスタ間距離を最大化することで、リンクと補助属性の重みを反復的に最適化する DMO（Dynamic Metric Optimization）フレームワークを導入する。
• グラフエッジと補助属性の両方のコン pact なリアルタイム要約を保持するため、スケッチベースの統計構造 SGS(C) を採用し、定数領域のストレージと効率的な計算を実現する。
• SGS(C) 構造を用いて、生データを保存せずに、DMO フレームワークに必要なすべての距離測定と最適化目的関数を推定する。
• E-S Distance と DMO フレームワークをストリーミングクラスタリングパイプラインに適用し、各入力グラフオブジェクトを最小限のオーバーヘッドで逐次処理する。
• 最適化とクラスタリングプロセスを統合したオンラインアルゴリズムとして実装し、時間経過に伴うデータ分布の変化に適応可能にする。

実験結果

リサーチクエスチョン

• RQ1 統一的距離測度は、グラフストリームクラスタリングにおいて、構造的および属性的情報の両方を効果的に統合できるか？
• RQ2 オンラインストリーム環境において、リンクと補助属性の相対的重要性を動的に学習・更新できるか？
• RQ3 定数領域のスケッチベース統計構造（SGS(C)）は、グラフストリームにおけるクラスタリングとメトリック最適化に必要な十分な情報を維持できるか？
• RQ4 本手法は、補助情報を無視するベースライン手法と比較して、クラスタリング精度と効率性の両面で優れているか？
• RQ5 本手法は、クラスタ数や最適化頻度（γ）といった重要なパラメータの変動に対して、頑健であるか？

主な発見

• 提案手法 GSSClu は、特に補助情報が有益な場合に顕著にベースライン手法を上回るクラスタリング純度を達成し、異種属性の統合の価値を示している。
• クラスタ数を2倍にした場合でも純度スコアは僅かに（約0.03）上昇するにとどまり、異なるクラスタ設定でも一貫した性能を示し、k に対して頑健であることが示された。
• GSSClu の処理レートはクラスタ数に比例して線形に増加し、k が小さい場合に高いレートが観察された。これは、効率的な距離計算が実現され、スケーリングに優れていることを裏付けている。
• 最適化頻度パラメータ γ の異なる設定でも、処理レートは安定しており、高頻度（γ が小さい）での最適化ではわずかな性能低下しか見られないことから、DMO のオーバーヘッドが低いことが示された。
• 感度分析の結果、本手法はパラメータ変更に対して頑健であり、γ や k の値が変化しても、効果性と効率性にほとんど影響を及ぼさないことが確認された。
• スケッチベースの SGS(C) 構造により、定数領域のストレージが実現され、距離推定と最適化目的関数の正確な推定が可能となり、本手法が大規模なグラフストリームにスケーリング可能であることが裏付けられた。