[논문 리뷰] Attribute Truss Community Search

Xin Huang, Laks V. S. Lakshmanan|arXiv (Cornell University)|2016. 09. 01.

Complex Network Analysis Techniques참고 문헌 31인용 수 6

한 줄 요약

이 논문은 k-truss 구조와 속성 관련성 점수를 통합하여 속성으로 균일한 조밀한 부분그래프를 탐색하는 새로운 방법인 속성 기반 커뮤니티 검색(ATC)을 제안한다. 이는 최소한의 인기 없는 속성을 가진 노드를 반복적으로 제거함으로써 조밀성을 극대화하는 근사 알고리즘을 도입하여 실제 네트워크에서 높은 효율성과 효과성을 달성한다.

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.

연구 동기 및 목표

• 기존 커뮤니티 검색 방법이 노드 속성을 忽시하여 발견된 커뮤니티의 조밀성이 낮다는 한계를 해결한다.
• 구조적 조밀성(k-truss)과 속성 균일성을 동시에 최적화하는 새로운 문제인 속성 기반 커뮤니티 검색(ATC)을 정의한다.
• 후보 커뮤니티 내에서 속성 조밀성을 측정하는 새로운 속성 관련성 점수 함수를 설계한다.
• k-truss 구조를 유지하면서 최소한의 인기 없는 속성을 가진 노드를 반복적으로 제거하여 커뮤니티 제약 조건을 만족시키는 효율적인 근사 알고리즘을 개발한다.
• 대규모 그래프에서 빠른 쿼리 처리를 위해 k-truss와 속성 정보를 효율적으로 유지하기 위한 색인을 구축한다.

제안 방법

• 쿼리 노드를 포함하고 속성 관련성 점수를 최대화하는 국소적으로 최대인 연결된 k-truss 부분그래프로 속성 부여된 트러스 커뮤니티(ATC)를 정의한다.
• 서브그래프 내 간선을 통해 속성 동시 발생을 집계하는 새로운 속성 관련성 점수 함수를 제안하여 속성 균일성이 높은 커뮤니티를 선호한다.
• 쿼리 노드를 포함하는 최대 k-truss에서 시작하여 최소한의 인기 없는 속성을 가진 노드를 반복적으로 제거함으로써 속성 조밀성을 향상시키는 근사 알고리즘을 설계한다.
• 동적 색인을 유지하여 k-truss 구조와 속성 정보를 저장함으로써 효율적인 쿼리 처리와 업데이트를 가능하게 한다.
• 속성 관련성 점수의 이론적 성질(단조성 및 하위모듈성)을 확립하여 알고리즘 설계를 지원한다.
• ATC 문제의 NP-난이도를 증명하여 근사 및 근사 전략의 사용을 정당화한다.

실험 결과

연구 질문

• RQ1 어떻게 k-truss를 통해 구조적 조밀성을 확보하면서도 속성 그래프 내에서 속성 균일성을 보장하는 커뮤니티 검색 모델을 정의할 수 있는가?
• RQ2 커뮤니티 내에서 노드 속성의 조밀성을 정량화하는 데 효과적인 속성 관련성 점수 함수는 무엇인가?
• RQ3 k-truss와 속성 관련성의 공동 제약 조건 하에서 고품질의 속성 부여된 트러스 커뮤니티를 찾는 데 효율적인 알고리즘을 설계할 수 있는가?
• RQ4 실제 속성 그래프에서 제안된 방법은 기존 커뮤니티 검색 방법에 비해 효과성과 효율성 측면에서 어떻게 비교되는가?
• RQ5 대규모 속성 그래프에서 확장 가능하고 효율적인 쿼리 처리를 가능하게 하는 색인 전략은 무엇인가?

주요 결과

• 제안된 속성 관련성 점수 함수는 속성 균일성을 효과적으로 캡처하며, 단조성과 하위모듈성이 입증되어 효율적인 근사 최적화를 가능하게 한다.
• ATC를 위한 근사 알고리즘은 기준 대비 더 높은 속성 관련성 점수를 지닌 커뮤니티를 일관되게 생성하여 뛰어난 속성 조밀성을 입증한다.
• 대규모 실세계 네트워크에서의 실험 결과, 대규모 그래프에서도 쿼리 처리 시간이 밀리초 수준으로 매우 빠르게 나타나 높은 효율성을 확보한다.
• 지식 기반 커뮤니티로 검증된 결과, 기존의 k-truss나 k-core 기반 방법에 비해 제안된 방법이 더 높은 속성 균일성을 가진 커뮤니티를 발견한다.
• 색인 구조는 사전 계산된 k-truss와 속성 정보를 유지함으로써 반복 계산을 줄이며 빠른 쿼리 처리를 가능하게 한다.
• ATC 문제의 NP-난이도가 공식적으로 증명되어 근사 및 휴리스틱 접근 방식(예: 제안된 근사 프레임워크)의 사용을 정당화한다.