[论文解读] 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 16

一句话总结

本文提出了一种高效算法，用于在动态边插入和删除的演化网络中维护最大 k-三角形团。通过利用边-三角形关系和增量更新技术，该方法在每次更新时达到 O(|El|) 的时间复杂度，其中 |El| 是受影响边的数量，相较于真实世界数据集上中等更新频率下的批量重新计算，性能显著更优。

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.

研究动机与目标

• 解决在频繁边更新导致批量重新计算不可行的实时演化网络中维护 k-三角形团的挑战。
• 设计针对边插入和删除的增量算法，仅将三角形团数更新传播至受影响的边。
• 引入并维护 k-三角形团索引，以加速动态三角形团查询的响应时间。
• 在真实世界社交网络上，评估增量维护方法与批量重新计算及基于索引方法的性能表现。
• 证明在中等更新频率下，增量维护比批量处理更高效，尤其在去中心化网络中表现更优。

提出的方法

• 提出一组理论性质，描述边插入和删除后三角形团数变化的规律。
• 设计一种增量算法，仅将三角形团数更新传播至受影响邻域的边，最大限度减少不必要的计算。
• 利用三角形计数确定边在 k-三角形团中的参与情况，聚焦于局部变化而非全局重新计算。
• 引入 k-三角形团索引结构，用于存储和高效查询三角形团数，支持动态更新期间的快速查找。
• 通过仅更新受影响部分，实现 k-三角形团索引的增量维护。
• 实现渐进式和基于索引的更新策略，避免每次更新后都进行完整的三角形团分解，从而降低时间开销。

实验结果

研究问题

• RQ1 如何在演化网络中针对动态边的插入和删除高效地维护 k-三角形团？
• RQ2 单条边更新后，三角形团数变化传播的关键性质是什么？
• RQ3 在中等更新频率下，增量维护与批量重新计算在性能上如何比较？
• RQ4 网络结构（如聚类系数、中心性）对增量三角形团维护效率有何影响？
• RQ5 如何高效构建和维护 k-三角形团索引，以支持动态环境中快速查询评估？

主要发现

• 所提出的增量维护算法在每次更新时达到 O(|El|) 的时间复杂度，其中 |El| 是三角形团数受影响的边数。
• 对于 Slashdot 数据集（聚类系数较低，更去中心化），progressiveUpdate 和 indexedUpdate 在最多 16,000 次更新时优于 batchUpdate。
• 对于 Epinions 数据集（聚类系数较高，更中心化），增量方法在约 10,000 次更新内保持优势。
• Enron 邮件数据集规模较小且更中心化，表明增量方法仅在少于 10,000 次更新时有效，之后批量处理更高效。
• 三角形团索引显著提升了查询性能，尤其在中等更新频率下相较于非索引方法优势明显。
• 在聚类系数较低、更去中心化的网络中，增量方法最为高效，因为更新影响的节点和边更少。