[논문 리뷰] An Optimal and Progressive Approach to Online Search of Top-k Influential Communities

Fei Bi, Lijun Chang외 2명|arXiv (Cornell University)|2017. 11. 16.

Complex Network Analysis Techniques인용 수 4

한 줄 요약

이 논문은 대규모 그래프에서 상위-k 影향력 있는 커뮤니티 검색을 위한 인스턴스 최적의 온라인 알고리즘인 LocalSearch를 제안한다. 이 알고리즘은 사전 계산된 색인 없이 국소적이고 渐진적인 탐색을 수행하며, 최소한으로 필요한 부분 그래프에 대한 액세스와 선형 시간 복잡도를 달성한다. 실제 그래프에서 기존의 온라인 방법들보다 수 개의 주기수 만큼 성능이 뛰어나다.

ABSTRACT

Community search over large graphs is a fundamental problem in graph analysis. Recent studies propose to compute top-k influential communities, where each reported community not only is a cohesive subgraph but also has a high influence value. The existing approaches to the problem of top-k influential community search can be categorized as index-based algorithms and online search algorithms without indexes. The index-based algorithms, although being very efficient in conducting community searches, need to pre-compute a special-purpose index and only work for one built-in vertex weight vector. In this paper, we investigate on-line search approaches and propose an instance-optimal algorithm LocalSearch whose time complexity is linearly proportional to the size of the smallest subgraph that a correct algorithm needs to access without indexes. In addition, we also propose techniques to make LocalSearch progressively compute and report the communities in decreasing influence value order such that k does not need to be specified. Moreover, we extend our framework to the general case of top-k influential community search regarding other cohesiveness measures. Extensive empirical studies on real graphs demonstrate that our algorithms outperform the existing online search algorithms by several orders of magnitude.

연구 동기 및 목표

• 상위-k 영향력 있는 커뮤니티를 검색하기 위해 전체 그래프를 순회하는 전역 온라인 탐색 알고리즘의 비효율성을 해결하기 위해.
• 사전 계산된 색인의 필요성을 제거하여 색인 유지를 위한 오버헤드를 피하고 동적 그래프 업데이트를 가능하게 하기 위해.
• 정확성을 보장하면서도 최소한의 부분 그래프만 액세스하는 국소적 탐색 방법을 개발하기 위해.
• 사전에 k를 지정하지 않고도 영향력 값 내림차순으로 커뮤니티를 점진적으로 보고할 수 있도록 하기 위해.
• γ-트러스 커뮤니티와 같은 다른 응집도 측정법으로도 이 프레임워크를 확장하기 위해.

제안 방법

• 사전 계산된 색인이 없는 상황에서 정확한 알고리즘이 반드시 액세스해야 할 최소 부분 그래프의 크기와 선형 비례하는 시간 복잡도를 갖는 인스턴스 최적 알고리즘인 LocalSearch를 제안한다.
• 높은 영향력의 정점 주변의 이웃을 점진적으로 탐색하여 최대 응집 부분 그래프를 식별하는 국소적 탐색 전략을 적용한다.
• 사전에 k를 알지 못한 채 영향력 값 내림차순으로 커뮤니티를 출력하는 점진적 보고 메커니즘을 도입한다.
• 커뮤니티의 영향력 값으로 부분 그래프 내 최소 정점 가중치를 사용한다.
• 핵심 분해 전략을 적용하여 γ-코어를 식별하고, 이를 최대 응집 부분 그래프로 확장한다.
• 응집도 제약 조건과 탐색 절차를 수정하여 프레임워크를 γ-트러스 커뮤니티로 확장한다.

실험 결과

연구 질문

• RQ1 색인 없이도 상위-k 영향력 있는 커뮤니티 검색에서 인스턴스 최적 성능을 달성할 수 있는 국소적 탐색 알고리즘이 존재하는가?
• RQ2 k를 사전에 고정하지 않고도 커뮤니티를 영향력 값 내림차순으로 점진적으로 계산하고 보고할 수 있는가?
• RQ3 국소적 탐색 방법은 γ-트러스와 같은 다른 응집도 측정법으로 일반화될 수 있는가?
• RQ4 어느 정확한 온라인 알고리즘도 반드시 액세스해야 할 최소 부분 그래프 크기는 무엇이며, LocalSearch는 이 한계를 충족할 수 있는가?
• RQ5 Global online 알고리즘인 OnlineAll과 Forward와 비교해 LocalSearch의 성능은 어떠한가?

주요 결과

• LocalSearch는 인스턴스 최적성을 확보하며, 어떤 정확한 온라인 알고리즘도 반드시 액세스해야 할 최소 부분 그래프 액세스에 비례하는 선형 시간 복잡도를 갖는다.
• 실제 그래프에서 기존의 온라인 탐색 방법들, 특히 OnlineAll과 Forward보다 수 개의 주기수 만큼 성능이 뛰어나다.
• I/O 효율적인 변종인 LocalSearch-SE는 모든 데이터셋과 k 값에서 OnlineAll-SE 대비 메모리 사용을 크게 줄였다.
• 점진적 보고 기능 덕분에 사용자는 k를 사전에 지정하지 않고도 영향력이 높은 커뮤니티를 점진적으로 확보할 수 있다.
• γ-트러스 커뮤니티로의 확장은 프레임워크의 일반성과도 부합하며, 대규모 그래프에서 LocalSearch-Truss는 전역 탐색 기반 기준보다 뛰어난 성능을 보였다.
• DBLP에 대한 사례 연구에서 영향력 있는 γ-트러스 커뮤니티는 γ-커뮤니티보다 작고 더 응집되어 있지만, 더 엄격한 응집도 제약 조건으로 인해 영향력 값이 낮았다.