[论文解读] Kronecker Graphs: An Approach to Modeling Networks

Jure Leskovec, Deepayan Chakrabarti+3 more|ArXiv.org|Dec 29, 2008

Complex Network Analysis Techniques参考文献 85被引用 736

一句话总结

本文提出了Kronecker图，这是一种基于Kronecker积的生成网络模型，能够生成具有现实网络结构特性的网络——如幂律度分布、小直径和随时间增长的密集化特性——同时支持数学上可处理的分析。其核心贡献是KronFit算法，该算法采用最大似然法在真实网络上拟合模型，实现线性时间复杂度，仅需四个参数即可实现可扩展且精确的合成图生成。

ABSTRACT

How can we model networks with a mathematically tractable model that allows for rigorous analysis of network properties? Networks exhibit a long list of surprising properties: heavy tails for the degree distribution; small diameters; and densification and shrinking diameters over time. Most present network models either fail to match several of the above properties, are complicated to analyze mathematically, or both. In this paper we propose a generative model for networks that is both mathematically tractable and can generate networks that have the above mentioned properties. Our main idea is to use the Kronecker product to generate graphs that we refer to as "Kronecker graphs". First, we prove that Kronecker graphs naturally obey common network properties. We also provide empirical evidence showing that Kronecker graphs can effectively model the structure of real networks. We then present KronFit, a fast and scalable algorithm for fitting the Kronecker graph generation model to large real networks. A naive approach to fitting would take super- exponential time. In contrast, KronFit takes linear time, by exploiting the structure of Kronecker matrix multiplication and by using statistical simulation techniques. Experiments on large real and synthetic networks show that KronFit finds accurate parameters that indeed very well mimic the properties of target networks. Once fitted, the model parameters can be used to gain insights about the network structure, and the resulting synthetic graphs can be used for null- models, anonymization, extrapolations, and graph summarization.

研究动机与目标

• 开发一种数学上可处理的网络模型，能够自然地再现真实网络的关键静态和时序特性。
• 解决现有模型的局限性，这些模型或无法匹配网络特性，或缺乏分析严谨性。
• 设计一种可扩展且高效的算法，基于合理的统计估计方法，将模型拟合到大规模真实网络。
• 实现实际应用，如网络外推、匿名化、零模型生成和结构分析，通过合成图生成实现。

提出的方法

• 该模型通过小规模初始矩阵的Kronecker积递归展开，生成大规模合成图。
• Kronecker积的结构确保了关键网络特性（如幂律度分布和特征值分布）自然地从该运算的代数性质中涌现。
• KronFit利用最大似然原理，从未真实网络中估计初始矩阵的参数，避免了通过Metropolis采样进行节点对应。
• 该算法利用Kronecker矩阵的递归结构，实现线性时间计算似然值，从而绕过了朴素拟合方法的超指数时间复杂度。
• 通过统计模拟技术和矩阵稀疏性，实现对包含数百万个节点的网络的可扩展性。
• 通过将伯努利边模型替换为其他参数化分布（如指数分布或多项式分布），该模型可扩展至加权和带标签网络。

实验结果

研究问题

• RQ1 基于Kronecker矩阵积的生成模型能否自然地再现真实网络中观察到的结构和时序特性？
• RQ2 能否高效且可扩展地估计此类模型在大规模真实网络中的参数？
• RQ3 生成的合成图能否作为真实网络的准确零模型或匿名化表示？
• RQ4 Kronecker模型的估计参数在多大程度上反映了真实网络的全局和社区结构？

主要发现

• Kronecker图自然表现出幂律入度和出度分布、小且随时间缩小的直径，以及随时间增长的密集化特性，与真实网络中的经验观察一致。
• 由于Kronecker矩阵乘法已有成熟的理论基础，该模型支持对网络特性的严格数学证明。
• KronFit以与边数成线性时间复杂度估计模型参数，比以往方法快几个数量级（例如，在集群上仅需20分钟，而以往方法需2天）。
• 仅使用四个参数，该模型即可准确模拟多种全局网络特性，包括度分布、特征值分布和有效直径。
• 拟合后的模型可实现实际应用，如网络外推、匿名化和预测，其合成图与真实网络统计数据高度一致。
• 通过在初始矩阵中编码非伯努利分布来建模边的生成，该方法可推广至加权和带标签网络。