[论文解读] A Graph Summarization: A Survey.

Yike Liu, Abhilash Dighe+2 more|arXiv (Cornell University)|Dec 14, 2016

Complex Network Analysis Techniques被引用 5

一句话总结

本综述对最先进的图汇总技术提供了全面且结构化的概述，按输入图类型和核心方法论对方法进行分类。它识别了关键挑战，回顾了现实世界中的应用，并概述了在大规模互连数据中进行汇总以获取可操作洞察的开放性问题。

ABSTRACT

While advances in computing resources have made processing enormous amounts of data possible, human ability to identify patterns in such data has not scaled accordingly. Efficient computational methods for condensing and simplifying data are thus becoming vital for extracting actionable insights. In particular, while data summarization techniques have been studied extensively, only recently has summarizing interconnected data, or graphs, become popular. This survey is a structured, comprehensive overview of the state-of-the-art methods for summarizing graph data. We first broach the motivation behind, and the challenges of, graph summarization. We then categorize summarization approaches by the type of graphs taken as input and further organize each category by core methodology. Finally, we discuss applications of summarization on real-world graphs and conclude by describing some open problems in the field.

研究动机与目标

• 为应对从海量、互连图数据中提取可操作洞察的日益增长的挑战。
• 识别在大数据增长背景下人类模式识别能力的局限性。
• 根据输入图类型和核心方法论对现有图汇总方法进行分类与分析。
• 回顾图汇总在不同领域中的现实世界应用。
• 突出图汇总中的开放性问题和未来研究方向。

提出的方法

• 本综述根据输入图的类型（例如，静态图、动态图、属性图）组织图汇总方法。
• 根据核心方法论（如聚类、采样和抽象技术）对方法进行分类。
• 系统性地回顾了在保留关键语义和模式的同时压缩图结构的技术。
• 通过将输入类型与汇总策略相联系的结构化分类法来评估方法。
• 包括针对异构图的结构和属性相结合的汇总方法。
• 综合各研究的发现，以识别当前方法论中的趋势与空白。

实验结果

研究问题

• RQ1 在大数据时代，开发图汇总技术的主要动机是什么？
• RQ2 在汇总大规模、互连图数据时面临的关键挑战是什么？
• RQ3 不同图汇总方法如何根据输入图的特性而有所不同？
• RQ4 在不同图类型中，图汇总最有效的核心方法论是什么？
• RQ5 哪些现实世界的应用展示了图汇总的价值？

主要发现

• 图汇总对于使人类分析师能够识别大规模、互连数据中的模式至关重要。
• 该领域已从通用数据汇总发展为针对图结构量身定制的专门技术。
• 通过输入图类型和底层方法论对汇总方法进行有效分类，实现了系统性比较。
• 图汇总在社交网络、知识图谱和生物网络等领域的现实应用广泛。
• 尽管已有进展，但在可扩展性、语义保留和评估标准化方面仍存在开放性问题。
• 本综述指出，图汇总研究领域亟需统一的基准和评估框架。